面向光网络实时异常检测的机器学习方法
机器学习
2023-09-08 v1
摘要
本工作提出了一种实时异常检测方案，利用带循环单元的编码器-解码器 (ED) 深度学习模型的多步超前预测能力。具体而言，通过分析过去传输质量 (QoT) 观测值，使用编码器-解码器在较长未来时域（即提前数天）建模软故障演化。该信息随后用于实时异常检测（例如攻击事件），因为关于 QoT 预期演化方式的知识有助于捕捉意外的网络行为。具体而言，异常检测采用统计假设检验方案，缓解了通常用于此目的的监督学习 (SL) 与无监督学习 (UL) 方案的局限。举例来说，所提方案消除了应用 SL 时所需的标记异常需求，以及在线分析整个数据集以识别异常实例（即 UL）的需求。总体而言，研究表明利用 QoT 演化信息，所提方法可有效实时检测异常偏差。重要的是，研究表明关于软故障演化（即 QoT 预测）的信息对于准确检测异常至关重要。
引用
@article{arxiv.2306.10741,
title = {Machine Learning for Real-Time Anomaly Detection in Optical Networks},
author = {Sadananda Behera and Tania Panayiotou and Georgios Ellinas},
journal= {arXiv preprint arXiv:2306.10741},
year = {2023}
}
备注
accepted for publication in IEEE ICTON conference 2023