Cisco Time Series Model

Cisco Time Series Model donosi prvi otvoreni težinski foundation model temeljen na dekoder-samo transformer arhitekturi, namijenjen za promatranje i sigurnosne metrike. Uređaj se nudi kao open weight checkpoint na Hugging Face pod Apache 2.0 licencom i cilj mu je predviđanje bez specifičnog fine tuninga. Model nadograđuje TimesFM 2.0 s eksplicitnom multiresolution arhitekturom koja spaja kratak i dugi raspon povijesti unutar jednog kontekstnog prozora.

U svijetu promatranja (observability) i sigurnosnih mjerenja, predviđanje budućih događaja često nije linearno ili jednobojno. Cisco Time Series Model ulazi to shvaćanje kao prednost: on razdvojeno obrađuje grubi i fino sakupljene podatke i potom ih spaja u jedinstveni okvir, čime omogućava bolje predviđanje na različitim razinama vremenskog okvira. Ovaj pristup je odraz zamršene prirode operativnih sustava gdje se tihi obrasci i nagli skokovi događaju na različitim vremenskim skalama, a tradicionalni modeli često se muče s jednim jedinstvenim fokusom.

Zašto promatranje zahtijeva multirezolucijski kontekst

Operativne metrike nisu jednostavni signali jednoga skaliranja. Tjedni obrasci, dugoročni rast i zasićenje vidljivi su isključivo na grublim rezolucijama. Saturacija, promjene prometa i dinamika incidenata otkrivaju se na razinama od jedne minute ili pet minuta. Uobičajeni temelji za vremenske serije obično rade na jednoj rezoluciji uz kontekst prozora između 512 i 4096 točaka, dok TimesFM 2.5 već proteže na 16 384 točaka. Za podatke sa 1-minutnom rezolucijom, to često pokriva svega nekoliko tjedana, a ponekad i manje.

To predstavlja problem u observability okruženjima gdje platforme često čuvaju stare podatke u agregiranom obliku. Fino zrnate uzorke otpisuju se ili ostaju samo kao 1-satni roll-upovi. Cisco Time Series Model izgrađen je upravo za ovakvu vrstu pohrane: tretira grubu povijest kao prvi rang ulaza koji poboljšava prognostičke rezultate na finoj rezoluciji. Arhitektura radi izravno na multirezolucijskom kontekstu, umjesto da se pretpostavlja kako svi ulazi žive na jednoj građi.

• Multirezolucijski pristup omogućuje da široka povijest informira točne prognoze kada se razvijaju finiji signali.
• Granice između razina konteksta su jasnije postavljene kroz posebne signale i embedding-ove koji označavaju prelaz
• Gledanje podataka kroz više razina omogućuje robusnije predviđanje u situacijama s ograničenim količinama fine granularnosti

U praksi to znači da Cisco Time Series Model ne pretendira da svi ulazi žive u istom trenutku ili u istom kontekstu. Umjesto toga, on koristi različite rezolucije kako bi sustavu dao priliku da prepozna obrasce koji se pojavljuju na različitim vremenskim skalama i integrira ih u konsistentnu predikciju. Time se ujedinjuje optimalna razina informacija po koraku predviđanja i povećava se točnost budućih vrijednosti, posebice u scenarijima gdje su događaji rijetki, ali značajni.

Multirezolucijski ulaz i cilj predviđanja

Formalno, model konzumira par konteksta, (x_c, x_f). Grubi kontekst (x_c) i fini kontekst (x_f) pohranjeni su u duljinama do 512. Razmicanje između (x_c) i (x_f) postavljeno je na 60 puta veću razliku. U tipičnom observability postavu koristi se 512 sati agregata od 1-satnih vrijednosti i 512 minuta vrijednosti od 1 minute. Obje serije završavaju na istom predviđenom trenutku. Model predviđa horizont od 128 točaka na finoj rezoluciji, uz srednju vrijednost i skup kvantila od 0.1 do 0.9.

Ovaj pristup omogućava modelu da u jednoj iteraciji uzima u obzir kratkoročne varijacije i dugoročne trendove, bez potrebe za ručnim balansiranjem između različitih prozora. Kako se kontekst širi ili su constraints promijenjeni, model ostaje fleksibilan jer predviđanje ne ovisi isključivo o jednoj točki vremena nego o složenoj interakciji više vremenskih razina.

Interno, Cisco Time Series Model koristi TimesFM-ovu temelje koje su prilagođene patch-baziranom dekoder-samo skupu. Ulazi se normaliziraju, pataačiraju u nenadopunske blokove i prolaze kroz residualni embedding blok. Jezgra transformera sastoji se od 50 slojeva samo dekodera. Završni residualni blok vraća tokove tokena na horizont. Istraživački tim uklanja pozicione embedding-e i umjesto toga oslanja se na redoslijed patch-a, multirezolucijsku strukturu i novi embedding za rezoluciju kako bi koodirao strukturu.

Postoje dva dodatka koja čine arhitekturu multirezolucijski svjesnom. Poseban token, često nazivan ST u izvješću, ubacuje se između grubog i finog toka tokena. Živi u prostornom domeni sekvence i označava granicu između rezolucija. Embedding-ovi rezolucije, često nazvani RE, dodaju se u modelskom prostoru. Jedan embedding vektor koristi se za sve grube tokove, drugi za sve fine tokove. Ablacijski eksperimenti u radu pokazuju da oba sklopova poboljšavaju kvalitetu, osobito u scenarijima s dugim kontekstom.

Proces dekodiranja također je multirezolucijski. Model izlazi s predviđanjima srednje vrijednosti i kvantila za horizont na finoj rezoluciji. Tijekom dekodiranja na dulji horizont, novo predviđene točke na finoj rezoluciji dodaju se u finu kontekst, a agregati tih predviđanja ažuriraju grubi kontekst. Time nastaje autoregresivna petlja u kojoj se obje rezolucije razvijaju zajedno tijekom predviđanja.

Tehnički uvod u arhitekturu

TimesFM je poznat po patch-baziranom pristupu koji svojim vrstama čini modelu lakšim za treniranje i prilagodljivijim različitim vrstama vremenskih serija. Cisco Time Series Model koristi patch-ove koji nisu međusobno preklopni, što pomaže u stabilizaciji učenja i smanjenju memorijskih zahtjeva. Umjesto tradicionalne pozicije, model se oslanja na redoslijed patch-eva, multirezoluciju i rezolucijske embedding-e kako bi interpretirao strukturu podataka. Ovakav dizajn smanjuje potrebu za ručnim podešavanjima i prilagodbama za svaku novu domenu.

U praksi, ST token označava prijelaz između rezolucija i pomaže modelu zadržati koherentnost informacija kada se prelazi iz grube u finu razinu. RE embedding-i omogućavaju modelu da razlikuje kontekst na različitim razinama bez potrebe za velikim brojem parametara za svaku razinu. Ovakav pristup rezultira robusnijim performansama kod predviđanja s dugim kontekstom i podacima koji imaju različite brzine promjene.

Cisco Time Series Model naprijed je dostupan kao otvoreni checkpoint težina na Hugging Face, pod Apache 2.0 licencom. To znači da zajednica može proučavati, prilagođavati i implementirati model u svojim proizvodnim sustavima uz razumijevanje što licence dopuštaju. Otvori kontekst omogućuje istraživačima i inženjerima da brže testiraju nove scenarije, spajaju se s postojećim pipeline-ovima i provode prilagodbe za svoje specifične observability i sigurnosne zahtjeve.

Jednostavnost integracije je ključ pitanja. Za većinu industrija koje koriste Cisco Time Series Model, radi se o plug-and-play rješenju koje se može integrirati u postojeće alate za logiranje, nadzor i SIEM sustave. Na strani infrastrukture, model se može pokrenuti lokalno ili u cloud okruženju, ovisno o kapacitetima pohran e, mrežnih sredstava i sigurnosnih politika. Otvaranje težina također potiče transparentnost: ako tvrtka želi provjeriti performanse i reproducibilnost, mogu pogledati trening skripte, arhitekturu i parametre — sve unutar okvira licencije.

Prednosti open weights pristupa

• Brže testiranje novih scenarija i prilagodba na vlastite podatkovne setove.
• Transparentnost modela i mogućnost provjere reproduktivnosti rezultata.
• Brža zajednica za identifikaciju i rješavanje problema bez čekanja na službene nadogradnje.
• Poticanje inovacija kroz dijeljenje najboljih praksi i implementacija.

Međutim, treba biti svjestan i ograničenja: otvorene težine ne jamče idelan performans u svakom scenariju i često zahtijevaju dodatnu prilagodbu ili optimizaciju za specifične domene. Također, bez pravilne sigurnosne prakse, inzistiranje na otvorenosti može potencijalno otvoriti put ka sigurnosnim rizicima ako se ne upravlja pristupom i verzijama u produkciji.

Glavna vrijednost Cisco Time Series Modela leži u njegovoj sposobnosti da poboljša forecast u scenarijima gdje tradicija ne donosi pouzdane rezultate. U promatranju operativnog zdravlja (observability) model može predvidjeti kratkoročne kvarove prije nego što dođe do incidenata i pomoći timovima da proaktivno rasporede resurse ili prilagode konfiguracije.

U sigurnosnim metrikama, model može identificirati uzorke slične brzim promjenama u prometu koji prethode sigurnosnim incidentima, a sve to uzimajući u obzir i dugoročne trendove. Entegracija Time Series Modela s postojećim SIEM-om i logiranjem omogućuje bolju korelaciju događaja preko vremenskih linija, čime se poboljšava signal-to-noise ratio i smanjuje vrijeme između otkrivanja i reakcije.

Neki scenariji uključuju predviđanje opterećenja sustava tijekom raspoloživosti resursa, predviđanje latencije u distribuiranim sustavima i optimizaciju kapaciteta pohran e. U svakom slučaju, unos grube i visoko granularne povijesti kroz multirezolucijski okvir daje modelu priliku da prepozna obrasce koji bi inače bili skriveni u jednoj jedinstvenoj rezoluciji.

Praktični primjeri implementacije

1. Platforme za nadzor oblaka koriste Cisco Time Series Model za predviđanje dinamike opterećenja i planiranje kapaciteta u realnom vremenu.
2. SIEM rješenja mogu integrirati model radi identifikacije uzoraka koji prethode sigurnosnim događajima, omogućujući raniju alokaciju resursa ili automatske mjere.
3. Podržavajući timovi za resilenciju mogu koristiti predikcije za optimizaciju rasporeda održavanja i minimiziranje vremena oporavka.

Tehnički gledano, open weights omogućuju tvrtkama da provode validacije i testove na vlastitim podacima bez čekanja na nove izdaje. S obzirom na činjenicu da se radi o modelu s dekoder-samo arhitekturom, operativna složenost nije toliko visoka kao kod potpunih encoder-decoder rješenja, što ga čini pristupačnijim za implementaciju, uz zadržavanje dobre razine performansi.

Pros

• Preciznija predikcija zahvaljujući multirezolucijskom kontekstu.
• Otvoren pristup kroz Hugging Face i Apache 2.0 licencu povećava transparentnost i mogućnost prilagodbe.
• Dobro prilagođen za observability i sigurnosne metrike, gdje su signali rasuti na različitim vremenskim skalama.
• Autoregresivni način predviđanja omogućuje dinamičku adaptaciju tijekom duljih horizon-a.
• Jednostavnija integracija s postojećim pipeline-ovima zahvaljujući patch-baziranom pristupu i rezolucijskim embedding-ima.

Izazovi

• Potrebna je pažnja oko licenciranja i sigurnosne politike prilikom korištenja open weights u produkciji.
• Za neke domene, prilagodba ili dodatna obuka može biti neizbježna kako bi se maksimalno iskoristile prednosti multirezolucije.
• Potrošnja resursa može biti veća nego kod jednostavnih modela, pogotovo pri velikim kontekstnim prozorima i duljim horizontima predviđanja.

Autoregresivni loop postavljen unutar multirezolucijskog okvira znači da se predviđanja nadopunjuju i ažuriraju kroz obje razine konteksta. Kao rezultat, model uči kako promjene na grubo primiču u ciljani domet i kako te promjene reflektiraju na finoj rezoluciji. Ovo je posebno korisno kada promatramo događaje poput dinamičkih promjena u mrežnom prometu ili promjene latencije kod promjena konfiguracije sustava.

U praksi, završni prediktori su ne samo očekivane vrijednosti, nego i kvantili koji pružaju raspon skeptičkog stanja. Ovo je bitno za menadžment rizikā jer nitko ne voli iznenađenja — a kvantilski intervali pomažu u razumijevanju nepravilnosti koje se mogu pojaviti u budućim periodima.

Za organizacije koje razmišljaju o implementaciji, prvi korak je procjena podataka: jesu li vaši podaci dovoljno granularni? Imate li dovoljno arhiviranih podataka na različitim razinama rezolucije da biste iskoristili multirezolucijski pristup? Nakon toga slijedi tehnički pregled vašeg okruženja: gdje će biti hostan model, kako će se pristupiti podacima i kako ćete upravljati sigurnosnim politikama prilikom izlaganja modela unutar infrastrukture?

Sljedeći koraci uključuju integraciju s Hugging Face repozitorijem i osiguranje licencijskih i sigurnosnih zahtjeva. Postavljanje pipeline-a zahtijeva definiranje ulaznih konteksta (x_c i x_f), stapanje između njih kroz ST token i kreiranje embedding prostora za rezoluciju. U teoriji, takav sustav može se prilagoditi različitim vrstama vremenskih serija, od operativnih logova do mrežnog prometa i sigurnosnih metapodataka.

Eksperimentiranje s otvorenim težinama, poput Cisco Time Series Modela, potiče napredak na području razumijevanja kako različite rezolucije utječu na kvalitetu predviđanja. Očekuje se da će se multidisciplinarne instalacije proširiti s više domene: od financijskih tržišta do industrijskih IoT mreža i sigurnosnih operacija. Sa svakom novom verzijom, arhitektura koja koristi multirezoluciju i rezolucijske embedding-e vjerojatno će postati standardna komponenta debelog vremena predviđanja, jer omogućuje brzu prilagodbu na promjenjive uvjete bez potrebe za skupim prilagodbama.

Industrije mogu iskoristiti ovakav pristup kako bi smanjile vrijeme reakcije na incidente, optimizirale operativne troškove i povećale ukupnu otpornost svojih sustava. U kombinaciji s real-time stream-ovima i složenim pipeline-ovima,Cisco Time Series Model može postati ključan alat za proaktivno upravljanje kompleksnim infrastrukturnim okruženjima.

Cisco Time Series Model predstavlja značajan iskorak u primjeni dekoder-samo transformer arhitekture na vremenske serije kroz multirezolucijski kontekst. Njegov otvoreni karakter, integracija s TimesFM temeljem, te dizajn koji kombinira grubu i finu povijest unutar jedinstvenog kontekstualnog prostora pružaju alate za pouzdanije i robusnije predviđanje u observability i sigurnosnim metrike. Iako zahtijeva pažljivo upravljanje resursima i sigurnosnim politikama, prednosti su jasne: bolje razumijevanje događaja na različitim vremenskim skalama, brža identifikacija incidenata i mogućnost proaktivnog djelovanja prije nego što problemi eskaliraju.

Kako se tehnologija razvija i akademski radovi otkrivaju nove detalje, Cisco Time Series Model postaje jasna točka na kojoj se susreću teorijska istraživanja i industrijska primjena. Otvorene težine olakšavaju zajednici da doprinosi i prilagođava model svojim potrebama, dok licenca pruža sigurnost i jasnoću u evaluaciji rezultata. Ako ste zainteresirani za napredak u području vremenskih serija i observability, ovaj model pruža vrijedan okvir za eksperimentiranje i implementaciju.

Što je Cisco Time Series Model?

Open-weight foundation model baziran na dekoder-samo transformer arhitekturi koji radi na multirezolucijskom kontekstu za vremenske serije, fokusiran na observability i sigurnosne metrike.

Gdje je dostupan i pod kakvom licencom?

Model je objavljen na Hugging Face kao open weight checkpoint pod Apache 2.0 licencom, što omogućuje pregled, prilagodbu i implementaciju uz poštivanje licence.

Koja je prednost multirezolucijskog pristupa?

Omogućuje modelu da uzima u obzir both grubu i finu povijest, čime poboljšava točnost predviđanja u scenarijima s dugim i kratkim signalima istovremeno.

Što je ST token?

Specijalni token koji označava prijelaz između grubog i finog konteksta, pomažući modelu da pravilno uskladi informacije iz različitih rezolucija.

Što su embedding-ovi rezolucije (RE)?

To su embed-ovi koji kodiraju strukturu na različitim rezolucijama; jedan embedding vrijedi za sve grube tokove, drugi za sve fine tokove, čime se povećava učinkovitost učenja.

Koje su tipične primjene?

Observability (nadzor zdravlja sustava), sigurnosne metrike, predviđanje opterećenja i latencije, te unapređenje operativne otpornosti i planiranja kapaciteta.

Koji su izazovi pri implementaciji?

Sigurnost i upravljanje pristupom otvorenih težina u produkciji, moguća potreba za dodatnom prilagodbom za određene domene te potencijalna veća potrošnja resursa za duge horizonte.

Kako započeti s implementacijom?

Procijenite podatke, provjerite dostupnost kontekstnih prozora, integrirajte s Hugging Face repozitorijem, postavite pipeline i uspostavite sigurnosne politike te licencijske okvire prije produkcije.