用扩散模型合成激增流量做压力测试，暴露固定阈值告警在灾害场景下的失效并靠难样本自适应恢复
相关研究与后续进展
核心概要
该研究把CDR网格中的互联网活动当作隐藏信令过载的代理，用轻量CNN在风格化注入上训练，再用扩散模型合成的、保留正常流量结构的激增事件做压力测试，发现默认阈值下F1从基线约99.94%跌至0%，而ROC-AUC仍为0.886，说明排序能力尚存但阈值失效；在三个随机种子上用难合成样本自适应后，F1回升至85.67%、ROC-AUC达0.99996，并给出可复用的部署前压力测试流程。
Fig. 1: Emergency overload monitoring framework. Online (top): 9 × 9 9\times 9 snapshots scored by a compact CNN and thresholded at fixed τ = 0.5 \tau=0.5 . Offline (bottom): diffusion stress testing and hard-sample adaptation; τ ∗ \tau^{*} is selected offline on stress-test grids and is not the online cutoff. Main detector: Internet-only; ablation: three-channel input.
arXiv深度剖析
提出以互联网CDR活动作为信令过载间接代理的应急监测设定，并在Milano CDR语料上构建带标签的合成激增网格。 相较以往按事件直接对应通道（如短信计数对应短信洪泛）的CDR网格监测，这里的目标事件是控制面信令压力，而可观测的只有粗粒度CDR聚合。 在公开Milano语料（2013–2014，3G/4G时代都市流量）上按既有CDR网格预处理流程构建，正常训练/测试614/167，压力训练/测试167/168，受影响小区40个；作者明确说明标签由合成激增构造给出，而非实测RRC。
扩散合成激增揭示固定阈值脆弱性：默认阈值0.5下互联网单通道F1为0.00%，但ROC-AUC仍为0.886，事后最优阈值漂移至约0.817（漂移量0.317）。 匹配条件下训练与测试同一风格化注入会掩盖这种阈值漂移，基线F1高达99.94%，看起来近乎完美。 三个随机种子的均值±标准差；作者说明该最优阈值为在同一压力测试网格上事后（oracle）选取，并非独立验证的工作点。
难样本自适应同时改善排序与阈值化性能：F1从0%升至85.67%，ROC-AUC升至0.99996，事后最优阈值漂移降至0.167。 与仅做阈值重标定（不重训练）相比，后者F1为67.07%、AUC保持0.886，说明自适应在排序层面也有增益。 三个种子；自适应后F1标准差达14.37，作者据此指出F1并非已认证的工作点。
在互联网单通道+紧凑CNN与三通道+ResNet50两组输入–架构配对中，前者在压力相关指标上全面占优（压力AUC 0.886对0.264，自适应后F1 85.67%对66.80%，漂移0.317对0.450）。 作者说明该比较同时改变了通道与骨干网络，因此不能分离出纯粹的通道效应。 三个种子；三通道模型自适应后在仅压力样本上F1达100%，但在正常加压力混合集上仅66.80%。
启示与展望
该结果面向灾害响应场景下只能获得粗粒度CDR聚合、且本地算力受限的运营商侧监测，此时单通道互联网输入即可给出较清晰的过载签名。它支持一种两步应急流程：先在压力测试条件下检测漂移，再在下一个事件窗口前重训练或重标定阈值。扩散压力测试协议可作为部署前的可复用测试平台，用于评估监测器在类灾害激增漂移下的表现。
互联网CDR只是间接代理，文中没有配对的RRC/NGAP轨迹来验证其与真实信令负载的对应关系；标签与激增均为合成，且只覆盖一个Milano时间窗；三个种子下自适应后F1标准差达14.37，说明阈值化性能在种子间波动明显；报告的最优阈值与漂移均为评估网格上的事后值，没有留出独立校准集；互联网单通道与三通道的比较同时改变了骨干网络，通道效应未被分离；空间真实性仅用z-score、MMD与相关性做粗粒度检查。这些是范围与开放问题，读者在把该流程用于实际告警规则前需要自行补充留出校准集与真实灾害期轨迹。