基于浅层与深度预测结构的多云 NFV 故障与性能管理
网络与互联网体系结构
2019-03-29 v1
摘要
在多个云上部署网络功能虚拟化 (NFV) 凸显了其优势，如虚拟化的灵活性、贴近客户以及更低的总运营成本。然而，多云上的 NFV 尚未达到可替代传统网络的性能水平。原因之一是缺乏针对虚拟网络服务的基于标准的故障、配置、计费、性能和安全 (FCAPS) 框架。在 NFV 中，故障和性能问题可能在虚拟资源以及虚拟网络内部具有复杂的成因，无法通过传统的基于规则的系统有效处理。为了解决上述问题，我们提出了一种结合浅层和深度学习结构的故障检测与定位模型。相对简单的“故障”和“无故障”状态或“显性”和“即将发生”的故障检测，已被证明可以由支持向量机 (SVM) 等浅层机器学习结构有效处理。人们发现，更深的结构，即堆叠自编码器，对于更复杂的定位功能非常有用，因为在此功能中需要在不同层中处理大量信息以找到问题的根本原因。我们使用一个数据集提供评估结果，该数据集改编自 Kaggle 上可用的运营商现网故障数据集中的中断日志，另一个数据集则基于多元核密度估计和马尔可夫采样。
引用
@article{arxiv.1903.11993,
title = {Fault and Performance Management in Multi-Cloud Based NFV using Shallow and Deep Predictive Structures},
author = {Lav Gupta and M. Samaka and Raj Jain and Aiman Erbad and Deval Bhamare and H. Anthony Chan},
journal= {arXiv preprint arXiv:1903.11993},
year = {2019}
}
备注
E-preprint