Der Fortschritt in den mobilen Kommunikationstechnologien der fünften Generation (5G) und dem Internet der Dinge (IoT) fördert die Entwicklung intelligenter Anwendungen, macht diese Netzwerke jedoch auch immer komplexer und anfälliger für gezielte Angriffe. Um ungewöhnliche Ereignisse in den Netzwerken zu überwachen und zu identifizieren, haben Forscher verschiedene Modelle für die Anomaliedetektion (AD) entwickelt, insbesondere auf der Grundlage von Deep-Learning-Technologien. Aufgrund des Mangels an spezialisierten Kenntnissen der Netzwerkbetreiber über diese Black-Box-Systeme stehen die Bereitstellung und Nutzung dieser Modelle jedoch vor zahlreichen Herausforderungen. In diesem Artikel werden die aktuellen Modelle und Methoden für die Anomaliedetektion im Bereich der Kommunikationsnetze systematisch überprüft. Basierend auf den Prinzipien und der Struktur des Modells werden diese Modelle in 4 methodische Kategorien eingeteilt, wobei der Schwerpunkt auf der Rolle großer Sprachmodelle liegt, die kürzlich im Bereich der Anomaliedetektion ein enormes Potenzial gezeigt haben. Darüber hinaus werden diese Modelle ausführlich in 4 verschiedenen Anwendungsbereichen diskutiert: Überwachung des Netzwerkverkehrs, Analyse von Netzwerksystemprotokollen, Bereitstellung von Cloud-Computing-Diensten und Sicherheit des IoT. Basierend auf diesen Anforderungen an Anwendungen werden aktuelle Herausforderungen analysiert und Ideen für zukünftige Forschungsrichtungen vorgeschlagen, die Robustheit, Interpretierbarkeit und die Rolle großer Sprachmodelle bei der Anomaliedetektion umfassen.

Anomaly detection;AIOps;Large language models;Communication networks