Tiresias：面向分层运营网络数据的在线异常检测
网络与互联网体系结构
2012-03-12 v1
摘要
运营网络数据（如客户关怀呼叫日志和设备系统日志等管理数据）是网络运营商检测网络问题的重要信息来源。不幸的是，目前缺乏能够自动跟踪和检测运营数据中异常事件的高效工具，导致互联网服务提供商 (ISP) 运营商不得不依赖人工检查这些数据。虽然异常检测在网络数据背景下已被广泛研究，但运营数据带来了一些新挑战，包括数据的易变性和稀疏性，以及需要进行快速检测的需求（这使得需要离线处理或大量/稳定数据集才能收敛的方案难以应用）。为应对这些挑战，我们提出了 Tiresias，一种在分层运营数据上定位异常事件的自动化方法。Tiresias 利用运营数据的分层结构来识别可能与异常事件相关的高影响聚合体（例如网络位置、故障模式）。为了适应不同类型的运营网络数据，Tiresias 包含一种具有低时间和空间复杂度的在线检测算法，同时保持了高检测精度。我们展示了使用一级 ISP 运营的大型商业 IP 网络收集的运营数据（客户关怀呼叫日志和机顶盒崩溃日志）进行的两个案例研究结果。通过与 ISP 运营团队验证的参考集进行比较，我们证实 Tiresias 在定位异常方面的准确率可达 94% 以上。Tiresias 还发现了 ISP 客户关怀案例中几个先前未知的异常，证明了其有效性。
引用
@article{arxiv.1203.2163,
title = {Tiresias: Online Anomaly Detection for Hierarchical Operational Network Data},
author = {Chi-Yao Hong and Matthew Caesar and Nick Duffield and Jia Wang},
journal= {arXiv preprint arXiv:1203.2163},
year = {2012}
}