高级搜索

虚拟网络切片中的在线异常检测算法研究

王威丽 陈前斌 唐伦

引用本文: 王威丽, 陈前斌, 唐伦. 虚拟网络切片中的在线异常检测算法研究[J]. 电子与信息学报, doi: 10.11999/JEIT190531 shu
Citation:  Weili WANG, Qianbin CHEN, Lun Tang. Online Anomaly Detection for Virtualized Network Slicing[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT190531 shu

虚拟网络切片中的在线异常检测算法研究

    作者简介: 王威丽: 女,1994年生,博士生,研究方向为虚拟化网络切片、人工智能算法等;
    陈前斌: 男,1967年生,教授,博士生导师,研究方向为个人通信、多媒体信息处理与传输、下一代移动通信网络;
    唐伦: 男,1973年生,教授,博士生导师,研究方向为新一代无线通信网络、异构蜂窝网络
    通讯作者: 陈前斌,cqb@cqupt.edu.cn
  • 基金项目: 国家自然科学基金(61571073),重庆市教委科学技术研究项目(KJZD-M201800601)

摘要: 在虚拟化网络切片场景中,底层物理网络中一个物理节点(PN)或一条物理链路(PL)的异常会造成多个网络切片的性能退化。因网络中每个时刻都会产生新的测量数据,该文设计了两种在线异常检测算法实时监督物理网络的工作状态。首先,该文提出了一种基于在线一类支持向量机(OCSVM)的PN异常检测算法,该算法可根据每个时刻虚拟节点(VNs)的新测量数据进行模型参数的更新而不需要任何标签数据;其次,基于虚拟链路两端点间测量数据的自然相关性,该文提出基于在线典型相关分析(CCA)的PL异常检测算法,该算法只需要少量标签数据就可以准确分析出PL的异常情况。仿真结果验证了该文所提在线异常检测算法的有效性和鲁棒性。

English

    1. [1]

      ORDONEZ-LUCENA J, AMEIGEIRAS P, LOPEZ D, et al. Network Slicing for 5G with SDN/NFV: Concepts, architectures, and challenges[J]. IEEE Communications Magazine, 2017, 55(5): 80–87. doi: 10.1109/MCOM.2017.1600935

    2. [2]

      ELAYOUBI S E, JEMAA S B, ALTMAN Z, et al. 5G RAN slicing for verticals: Enablers and challenges[J]. IEEE Communications Magazine, 2019, 57(1): 28–34. doi: 10.1109/MCOM.2018.1701319

    3. [3]

      OI A, ENDOU D, MORIYA T, et al. Method for estimating locations of service problem causes in service function chaining[C]. 2015 IEEE Global Communications Conference, San Diego, USA, 2016. doi: 10.1109/GLOCOM.2015.7416993.

    4. [4]

      YOUSAF F Z, BREDEL M, SCHALLER S, et al. NFV and SDN - key technology enablers for 5G networks[J]. IEEE Journal on Selected Areas in Communications, 2017, 35(11): 2468–2478. doi: 10.1109/JSAC.2017.2760418

    5. [5]

      陈前斌, 杨友超, 周钰, 等. 基于随机学习的接入网服务功能链部署算法[J]. 电子与信息学报, 2019, 41(2): 417–423. doi: 10.11999/JEIT180310
      CHEN Qianbin, YANG Youchao, ZHOU Yu, et al. Deployment algorithm of service function chain of access network based on stochastic learning[J]. Journal of Electronics &Information Technology, 2019, 41(2): 417–423. doi: 10.11999/JEIT180310

    6. [6]

      COTRONEO D, NATELLA R, and ROSIELLO S. A fault correlation approach to detect performance anomalies in virtual network function chains[C]. The 2017 IEEE 28th International Symposium on Software Reliability Engineering, Toulouse, France, 2017. doi: 10.1109/ISSRE.2017.12.

    7. [7]

      SCHÖLKOPF B, PLATT J C, SHAWE-TAYLOR J, et al. Estimating the support of a high-dimensional distribution[J]. Neural Computation, 2001, 13(7): 1443–1471. doi: 10.1162/089976601750264965

    8. [8]

      JIANG Qingchao and YAN Xuefeng. Multimode process monitoring using variational bayesian inference and canonical correlation analysis[J]. IEEE Transactions on Automation Science and Engineering, 2019, 16(4): 1814–1824. doi: 10.1109/TASE.2019.2897477

    9. [9]

      LI Xiaocan, XIE Kun, WANG Xin, et al. Online internet anomaly detection with high accuracy: A fast tensor factorization solution[C]. IEEE INFOCOM 2019-IEEE Conference on Computer Communications, Paris, France, 2019: 1900–1908. doi: 10.1109/INFOCOM.2019.8737562.

    10. [10]

      DE LA OLIVA A, LI Xi, COSTA-PEREZ X, et al. 5G-TRANSFORMER: Slicing and orchestrating transport networks for industry verticals[J]. IEEE Communications Magazine, 2018, 56(8): 78–84. doi: 10.1109/MCOM.2018.1700990

    11. [11]

      MIAO Xuedan, LIU Ying, ZHAO Haiquan, et al. Distributed online one-class support vector machine for anomaly detection over networks[J]. IEEE Transactions on Cybernetics, 2019, 49(4): 1475–1488. doi: 10.1109/TCYB.2018.2804940

    12. [12]

      RAHIMI A and RECHT B. Random features for large-scale kernel machines[C]. The 20th International Conference on Neural Information Processing Systems, Charlotte, USA, 2007.

    13. [13]

      SHALEV-SHWARTZ S, SINGER Y, and SREBRO N. Pegasos: Primal estimated sub-GrAdient sOlver for SVM[C]. The 24th International Conference on Machine learning, Corvallis, USA, 2007. doi: 10.1145/1273496.1273598.

    14. [14]

      JIANG Qingchao, DING S X, WANG Yang, et al. Data-driven distributed local fault detection for large-scale processes based on the GA-regularized canonical correlation analysis[J]. IEEE Transactions on Industrial Electronics, 2017, 64(10): 8148–8157. doi: 10.1109/TIE.2017.2698422

    15. [15]

      任驰, 马瑞涛. 网络切片: 构建可定制化的5G网络[J]. 中兴通讯技术, 2018, 24(1): 26–30. doi: 10.3969/j.issn.1009-6868.2018.01.006
      REN Chi and MA Ruitao. Network slicing: Building customizable 5G network[J]. ZTE Technology Journal, 2018, 24(1): 26–30. doi: 10.3969/j.issn.1009-6868.2018.01.006

    16. [16]

      XIE Kun, LI Xiaocan, WANG Xin, et al. On-line anomaly detection with high accuracy[J]. IEEE/ACM transactions on networking, 2018, 26(3): 1222–1235. doi: 10.1109/TNET.2018.2819507

    17. [17]

      FU Songwei and ZHANG Yan. The due/packet-delivery (v. 2015-04-01)[EB/OL]. https://doi.org/10.15783/C7NP4Z, 2015.

    1. [1]

      蒋俊正, 杨杰, 欧阳缮. 一种新的无线传感器网络中异常节点检测定位算法. 电子与信息学报,

    2. [2]

      董书琴, 张斌. 一种面向流量异常检测的概率流抽样方法. 电子与信息学报,

    3. [3]

      范晓诗, 雷英杰, 王亚男, 郭新鹏. 流量异常检测中的直觉模糊推理方法. 电子与信息学报,

    4. [4]

      孟令博, 耿修瑞. 基于协峭度张量的高光谱图像异常检测. 电子与信息学报,

    5. [5]

      伊鹏, 钱坤, 黄万伟, 王晶, 张震. 基于抽样流长与完全抽样阈值的异常流自适应抽样算法. 电子与信息学报,

    6. [6]

      陈前斌, 施颖洁, 杨希希, 唐伦. 基于在线双向拍卖的虚拟网络切片资源调度机制. 电子与信息学报,

    7. [7]

      唐伦, 魏延南, 马润琳, 贺小雨, 陈前斌. 虚拟化云无线接入网络下基于在线学习的网络切片虚拟资源分配算法. 电子与信息学报,

    8. [8]

      梁靓, 武彦飞, 冯钢. 基于在线拍卖的网络切片资源分配算法. 电子与信息学报,

    9. [9]

      钱叶魁, 陈鸣. 基于奇异值分解更新的多元在线异常检测方法. 电子与信息学报,

    10. [10]

      唐伦, 赵国繁, 杨恒, 赵培培, 陈前斌. 基于可靠性的5G网络切片在线映射算法. 电子与信息学报,

    11. [11]

      徐琴珍, 杨绿溪. 一种基于有监督局部决策分层支持向量机的异常检测方法. 电子与信息学报,

    12. [12]

      于艳华, 宋俊德. 一种基于异常点检测的电信网络性能监控策略. 电子与信息学报,

    13. [13]

      田江, 顾宏. 孤立点一类支持向量机算法研究. 电子与信息学报,

    14. [14]

      唐伦, 张亚, 梁荣, 陈前斌. 基于网络切片的网络效用最大化虚拟资源分配算法. 电子与信息学报,

    15. [15]

      唐伦, 周钰, 谭颀, 魏延南, 陈前斌. 基于强化学习的5G网络切片虚拟网络功能迁移算法. 电子与信息学报,

    16. [16]

      费春娇, 张群英, 吴佩霖, 方广有, 朱万华, 许鑫. 一种海洋磁异常检测噪声抑制算法. 电子与信息学报,

    17. [17]

      张家树, 李时光. 连续切片三维空间中的二值离散群体检测. 电子与信息学报,

    18. [18]

      方滨兴. 在线社交网络的挖掘与分析专题序言. 电子与信息学报,

    19. [19]

      蒋鸿玲, 邵秀丽, 李耀芳. 基于MapReduce的僵尸网络在线检测算法. 电子与信息学报,

    20. [20]

      唐伦, 施颖洁, 杨希希, 陈前斌. 非正交多址接入系统中基于受限马尔科夫决策过程的网络切片虚拟资源分配算法. 电子与信息学报,

  • 图 1  网络切片管理示意图

    图 2  在线OCSVM算法和经典OCSVM算法的性能对比图

    图 3  在线OCSVM算法中${{w}}$$\rho $的收敛过程

    图 4  在线CCA算法和CCA算法的性能对比图

    图 5  在线异常检测算法在真实网络数据集上的性能对比图

    表 1  基于在线OCSVM的PN异常检测算法

     初始化:总迭代次数$T$,特征空间维度$D$,随机初始化PN $q(0 \le q \le Q)$的估计值${{{w}}_q}(0),{\rho _q}(0)$和${\xi _q}(0)$
     (1) for $t = 0,1,2,···,T$ do
     (2) PN $q$产生新的训练样本${{{x}}_q}(t)$,使用随机近似函数计算$\varphi ({{{x}}_q}(t))$的近似值${z_q}(t)$
     (3) 根据式(8a)、式(8b)和式(8c)计算${{\text{∇}} _{ { {{w} }_q} } }{f_q}(t),{{\text{∇}}_{ {\rho _q} } }{f_q}(t)$和${{\text{∇}} _{ {\xi _q} } }{f_q}(t)$
     (4) 根据式(7a)、式(7b)和式(7c)计算${{{w}}_q}(t),{\rho _q}(t)$和${\xi _q}(t)$
     (5) 计算$g({{{x}}_q}(t)) = {\rm{sgn}} ({{{w}}^{\rm{T}}}(t) \cdot {{{z}}_q}(t) - \rho (t))$
     (6)  if $g({{{x}}_q}(t)) = = 1$ then
     (7)   判定当前时刻PN $q$为正常节点,更新参数${{{w}}_q}(t),{\rho _q}(t)$和${\xi _q}(t)$
     (8)  else
     (9)  判定当前时刻PN $q$为异常节点,保留$t - 1$时刻参数值,丢弃当前值
     (10) end for
    下载: 导出CSV

    表 2  基于在线CCA的PL异常检测算法

     初始化:初始标签采样个数$t$,映射到物理路径${\rm{P}}{{\rm{N}}_m}\mathop \to \limits^{{\rm{P}}{{\rm{L}}_{m,m + 1}}} {\rm{P}}{{\rm{N}}_{m + 1}}$两端的${\rm{VN}}{{\rm{F}}_l}$和${\rm{VN}}{{\rm{F}}_{l + 1}}$测量数据${{U}}(t)$和${{Y}}(t)$,控制门限值$T_{r,{\rm{cl}}}^2$,迭
     代次数$T$
     (1)计算${{U}}(t)$和${{Y}}(t)$的协方差矩阵和均值向量:${{{\varSigma}} _{{{U}}(t)}},{{{\varSigma}} _{{{Y}}(t)}},{{{\varSigma}} _{{{U}}(t){{Y}}(t)}},[{c_1}(t)\;...\;{c_p}(t)]$和$[{d_1}(t)\;...\;{d_q}(t)]$
     (2) for $t = t + 1:T$ do
     (3) 根据式(16)、式(17)计算${{{\varSigma}} _{{{U}}(t)}}$, ${{{\varSigma}} _{{{Y}}(t)}}$和${{{\varSigma}} _{{{U}}(t){{Y}}(t)}}$
     (4) 根据式(11)对矩阵${{K}}(t)$进行奇异值分解
     (5) 根据式(12)计算典型相关变量${{J}}(t)$和${{L}}(t)$
     (6) 根据式(13)生成最优异常检测残差${{r}}(t)$ 并建立${T^2}$检验:$T_{r(t)}^2 = {{{r}}^{\rm{T}}}(t){{\varSigma}} _{r(t)}^{ - 1}{{r}}(t)$
     (7) if $T_{r(t)}^2 \le T_{r,{\rm{cl} } }^2$ then
     (8)   判定${\rm{P}}{{\rm{L}}_{m,m + 1}}$为正常链路,更新协方差矩阵和均值向量
     (9)  else
     (10)   判定${\rm{P}}{{\rm{L}}_{m,m + 1}}$为异常链路,保留上一时刻协方差矩阵和均值向量,丢弃当前值
     (11) end for
    下载: 导出CSV

    表 3  仿真参数

    参数数值
    每条SFC包含的VNF数4~6个
    EMBB(到达率,数据包大小)(10 packets/s,200 kbit/packets)
    URLLC(到达率,数据包大小)(100 packets/s,10 kbit/packets)
    MMTC(到达率,数据包大小)(500 packets/s,1 kbit/packets)
    特征空间维度($D$)100
    初始标签采样个数($t$)10
    下载: 导出CSV
  • 加载中
图(5)表(3)
计量
  • PDF下载量:  9
  • 文章访问数:  90
  • HTML全文浏览量:  52
文章相关
  • 通讯作者:  陈前斌, cqb@cqupt.edu.cn
  • 收稿日期:  2019-07-15
  • 录用日期:  2020-02-12
  • 网络出版日期:  2020-03-03
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章