基于机器学习的复杂网络链路故障识别与定位
网络与互联网体系结构
2019-03-28 v2 机器学习
性能
摘要
随着网络设备的激增与信息技术的快速发展，物联网等网络规模不断扩大，并由异构的有线与无线链路变得更加复杂。在此类网络中，链路故障可能导致链路断开而无即时替换或链路重连，例如无线节点更改其接入点。识别是否发生了链路断开或链路重连并定位故障链路成为一个具有挑战性的问题。主动探测方法需要通过在不同路径上发送信令消息来探测网络，耗时较长，因而带来显著的通信延迟与开销。在本文中，我们采用被动方法并开发了一种三阶段基于机器学习的技术，即 ML-LFIL，其通过分析从正常流量流中捕获的测量值（包括聚合流速率、端到端延迟与丢包）来识别并定位链路故障。ML-LFIL 在正常工况与不同链路故障场景下学习流量行为。我们使用支持向量机、多层感知机与随机森林训练学习模型。我们实现了 ML-LFIL 并使用 Mininet 平台进行了大量实验。性能研究表明，与主动探测方法相比，ML-LFIL 在达到高准确率的同时所需故障定位时间大幅降低。
引用
@article{arxiv.1812.03650,
title = {Machine Learning-based Link Fault Identification and Localization in Complex Networks},
author = {Srinikethan Madapuzi Srinivasan and Tram Truong-Huu and Mohan Gurusamy},
journal= {arXiv preprint arXiv:1812.03650},
year = {2019}
}
备注
This paper has been accepted for publication in the IEEE Internet of Things Journal