LLMcap: Large Language Model for Unsupervised PCAP Failure Detection

本文提出了一种基于自监督、大语言模型的方法（LLMcap）来检测Packet Capture（PCAP）失败。随着先进技术的融入，对于电信网络的故障排除变得更加复杂，手动错误识别在PCAP数据中也面临着挑战。这种手动方法需要大量资源，当规模更大时变得不切实际。机器学习（ML）方法提供了一种替代方案，但标记数据的稀缺性限制了准确性。LLMcap利用语言学习能力，采用掩码语言建模来学习语法、上下文和结构。经过各种PCAP的严格测试，它表现出高准确性，即使在训练期间没有标记数据，也提供了一种有效的网络分析解决方案。关键词：网络故障排除，Packet Capture分析，自监督学习，大语言模型，网络服务质量，网络性能。

论文旨在解决网络故障检测中标记数据稀缺的问题，提出了一种基于自监督的大型语言模型（LLMcap）方法，用于Packet Capture（PCAP）故障检测。

LLMcap利用语言学习能力和掩码语言建模来学习语法、上下文和结构，并在训练期间没有标记数据的情况下表现出高准确性。

论文的亮点包括使用自监督学习方法解决标记数据稀缺的问题，提出了一种新颖的基于大型语言模型的方法，实验结果表明该方法具有高准确性，这为网络故障检测提供了一种高效的解决方案。

与该论文相关的研究包括使用机器学习方法进行网络故障检测的其他工作，例如基于深度学习的方法，以及使用自监督学习的其他应用。