用于虚拟网络功能链异常检测的序列深度学习架构
机器学习
2021-09-30 v1 网络与互联网体系结构
摘要
软件定义网络（SDN）和网络功能虚拟化（NFV）实现了网络服务的高效提供。然而，它们也带来了监控和确保虚拟化服务状态的新任务，异常检测即是此类任务之一。已有许多数据驱动的方法用于为服务功能链（SFC）中的虚拟网络功能实现异常检测系统（ADS）。在本文中，我们旨在开发更先进的用于 ADS 的深度学习模型。先前的方法使用了诸如随机森林（RF）、梯度提升机（GBM）或深度神经网络等学习算法。然而，这些模型未利用数据中的序列依赖性。此外，它们具有局限性，因为只能应用于其训练时所基于的 SFC 设置。因此，我们提出几种序列深度学习模型，以学习链中可变长度虚拟网络功能的时间序列模式和序列模式。结果表明，所提出的模型提高了检测性能，并适用于具有不同数量 VNF 的 SFC。
引用
@article{arxiv.2109.14276,
title = {Sequential Deep Learning Architectures for Anomaly Detection in Virtual Network Function Chains},
author = {Chungjun Lee and Jibum Hong and DongNyeong Heo and Heeyoul Choi},
journal= {arXiv preprint arXiv:2109.14276},
year = {2021}
}