DeepSIP：基于时序多模态CNN的网络故障业务影响预测系统
网络与互联网体系结构
2020-03-25 v1 社会与信息网络
应用统计
机器学习
摘要
当网络中发生故障时，网络运维人员需要识别业务影响，因为业务影响是处理故障的关键信息。本文提出基于深度学习的业务影响预测（DeepSIP），一个利用时序多模态卷积神经网络（CNN）预测网络中网元故障的恢复时间与因故障导致的流量损失的系统。由于恢复时间对服务等级协议（SLA）是有用信息，而流量损失与故障严重程度直接相关，我们将这些视为业务影响。业务影响难以预测，因为网元并不显式包含任何有关业务影响的信息。因此，我们的目标是通过从系统日志消息和流量中提取故障的隐藏信息来预测业务影响。为从多模态、强相关且具有时间依赖性的系统日志消息和流量中提取有助于预测的特征，我们使用时序多模态 CNN。我们通过实验评估了 DeepSIP，在合成数据集上与其他基于神经网络的方法相比，DeepSIP 将预测误差降低了约 50%。
引用
@article{arxiv.2003.10643,
title = {DeepSIP: A System for Predicting Service Impact of Network Failure by Temporal Multimodal CNN},
author = {Yoichi Matsuo and Tatsuaki Kimura and Ken Nishimatsu},
journal= {arXiv preprint arXiv:2003.10643},
year = {2020}
}
备注
to appear in IEEE/IFIP International Workshop on Analytics for Network and Service Management (AnNet 2020)