Kürzlich wurde unser Artikel mit dem Titel „Exploring the application of Time Series Foundation Models to network monitoring tasks“, der von unserem Lehrstuhl in Zusammenarbeit mit Forschern der Universität Würzburg und des Austrian Institute of Technology (AIT) verfasst wurde, in den 269. Band der Zeitschrift Computer Networks aufgenommen. In diesem Artikel wird untersucht, wie Time Series Foundation Models (TSFMs) die Netzwerküberwachung revolutionieren können. Herkömmliche Ansätze des maschinellen Lernens erfordern oft eine umfangreiche manuelle Einrichtung und lassen sich nur schwer an neue Szenarien anpassen. Im Gegensatz dazu sind TSFMs auf verschiedenen Zeitreihendaten vortrainiert und bieten daher flexible Plug-and-Play-Lösungen, die auch mit minimalem aufgabenspezifischem Training gut funktionieren.
Diese Modelle werden in einer realen Herausforderung getestet, um die Quality of Experience (QoE) von Videostreaming aus verschlüsseltem Datenverkehr zu schätzen. Die Ergebnisse zeigen, dass TSFMs ohne vorheriges aufgabenspezifisches Training eine starke Leistung erbringen können und sich mit nur wenigen Beispielfällen weiter verbessern. Diese Forschung unterstreicht das Potenzial von TSFMs zur Vereinfachung und Skalierung der KI-gesteuerten Netzwerküberwachung in einer Reihe von Anwendungsfällen.

Paper: Nikolas Wehner, Pedro Casas, Katharina Dietz, Stefan Geißler, Tobias Hoßfeld, Michael Seufert. "Exploring the application of Time Series Foundation Models to network monitoring tasks." 269th Computer Networks Journal.

Link zum Paper: Exploring the application of Time Series Foundation Models to network monitoring tasks