基于联邦多判别器 BiWGAN-GP 的虚拟化网络切片协同异常检测
网络与互联网体系结构
2022-08-18 v1
摘要
虚拟化网络切片允许在公共底层基础设施上创建大量逻辑网络以支持多样化服务。虚拟化网络切片是多个虚拟网络功能（VNF）的逻辑组合，这些功能通过虚拟化技术作为软件应用运行在虚拟机（VM）上。由于网络切片的性能依赖于 VM 的正常运行，检测和分析 VM 中的异常至关重要。基于虚拟化网络切片的三层管理框架，我们首先开发了一个基于联邦学习（FL）的三层分布式 VM 异常检测框架，使分布式网络切片管理器能够在保持指标数据本地化的同时协同训练全局 VM 异常检测模型。虚拟化网络切片场景中的高维、不平衡和分布式数据特征使现有异常检测模型失效。考虑到生成对抗网络（GAN）从复杂数据中捕获分布的强大能力，我们设计了一种新的带梯度惩罚的多判别器双向 Wasserstein GAN（BiWGAN-GP）模型，以从分布在多个 VM 监视器上的高维资源指标数据集中学习正常数据分布。该多判别器 BiWGAN-GP 模型可在分布式数据源上训练，避免了本地数据集中收集和处理所带来的高通信与计算开销。我们定义异常分数为判别准则，量化新指标数据偏离所学正常分布的程度，以检测 VM 中出现的异常行为。所提协同异常检测算法的效率和有效性通过真实数据集上的大量实验评估得到验证。
引用
@article{arxiv.2208.07985,
title = {Federated Multi-Discriminator BiWGAN-GP based Collaborative Anomaly Detection for Virtualized Network Slicing},
author = {Weili Wang and Chengchao Liang and Lun Tang and Halim Yanikomeroglu and Qianbin Chen},
journal= {arXiv preprint arXiv:2208.07985},
year = {2022}
}
备注
Accepted for publication in IEEE Transactions on Mobile Computing