高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度动态贝叶斯网络的服务功能链故障诊断算法

唐伦 廖皓 曹睿 王兆堃 陈前斌

唐伦, 廖皓, 曹睿, 王兆堃, 陈前斌. 基于深度动态贝叶斯网络的服务功能链故障诊断算法[J]. 电子与信息学报, 2021, 43(12): 3588-3596. doi: 10.11999/JEIT200029
引用本文: 唐伦, 廖皓, 曹睿, 王兆堃, 陈前斌. 基于深度动态贝叶斯网络的服务功能链故障诊断算法[J]. 电子与信息学报, 2021, 43(12): 3588-3596. doi: 10.11999/JEIT200029
Lun TANG, Hao LIAO, Rui CAO, Zhaokun WANG, Qianbin CHEN. Fault Diagnosis Algorithm of Service Function Chain Based on Deep Dynamic Bayesian Network[J]. Journal of Electronics & Information Technology, 2021, 43(12): 3588-3596. doi: 10.11999/JEIT200029
Citation: Lun TANG, Hao LIAO, Rui CAO, Zhaokun WANG, Qianbin CHEN. Fault Diagnosis Algorithm of Service Function Chain Based on Deep Dynamic Bayesian Network[J]. Journal of Electronics & Information Technology, 2021, 43(12): 3588-3596. doi: 10.11999/JEIT200029

基于深度动态贝叶斯网络的服务功能链故障诊断算法

doi: 10.11999/JEIT200029
基金项目: 国家自然科学基金(61571073),重庆市教委科学技术研究项目(KJZD-M201800601)
详细信息
    作者简介:

    唐伦:男,1973年生,教授,博士生导师,研究方向为新一代无线通信网络、异构蜂窝网络、软件定义无线网络等

    廖皓:男,1993年生,硕士生,研究方向为5G网络故障诊断、自愈合、机器学习

    曹睿:男,1994年生,硕士生,研究方向为5G网络切片中的资源分配、可靠性

    王兆堃:男,1995年生,硕士生,研究方向为5G网络故障检测、自愈合、机器学习

    陈前斌:男,1967年生,教授,博士生导师,研究方向为个人通信、多媒体信息处理与传输、下一代移动通信网络、异构蜂窝网络等

    通讯作者:

    廖皓 814152349@qq.com

  • 中图分类号: TN929.5

Fault Diagnosis Algorithm of Service Function Chain Based on Deep Dynamic Bayesian Network

Funds: The National Natural Science Foundation of China (61571073), The Science and Technology Research Program of Chongqing Municipal Education Commission (KJZD- M201800601)
  • 摘要: 针对5G端到端网络切片场景下底层物理节点出现故障会导致运行在其上的多条服务功能链出现性能异常的问题,该文提出一种基于深度动态贝叶斯网络(DDBN)的服务功能链故障诊断算法。首先根据网络虚拟化环境下故障的多层传播关系,构建故障与症状的依赖图模型,并采用在物理节点监测其上多个虚拟网络功能相关性能数据的方式收集症状。其次,考虑到基于软件定义网络(SDN)和网络功能虚拟化(NFV)的架构下网络症状观测数据的多样性以及物理节点和虚拟网络功能的空间相关性,引入深度信念网络对观测数据特征进行提取,使用加入动量项的自适应学习率算法对模型进行微调以加快收敛速度。最后,利用故障传播的时间相关性,引入动态贝叶斯网络对故障根源进行实时诊断。仿真结果表明,该算法能够有效地诊断故障根源且具有良好的诊断准确度。
  • 图  1  系统模型

    图  2  某网络切片故障依赖图

    图  3  基于DDBN的故障诊断模型

    图  4  1.5时间片联合树

    图  5  基于DDBN的SFC故障诊断算法的流程图

    图  6  虚拟节点个数与诊断准确度关系图

    图  7  3种算法的收敛性能对比图

    图  8  5种故障类型的诊断准确度

    图  9  3种算法的稳定性

    表  1  各层包含的资源类型

    子层对应资源、功能及服务
    基础设施层物理层CPU、内存、网络、存储、带宽、端口、链路
    逻辑层Web代理、防火墙、负载平衡器、虚拟移动核心网络功能、DNS、缓存、虚拟链路
    应用层VNF、虚拟链路
    下载: 导出CSV

    表  2  故障类型和样本长度

    故障类型单组样本长度样本组数类别标记类别编号
    正常60400[10000]1
    应用程序异常60400[01000]2
    路由错误60400[00100]3
    CPU故障60400[00010]4
    端口节点故障60400[00001]5
    样本总数2000
    下载: 导出CSV

    表  3  网络参数设置

    仿真参数参数设置仿真参数参数设置
    物理节点数10个物理链路带宽资源U[80, 100] Mbps
    SFC条数6条通用服务器处理速度100 MB/s
    每条SFC包含的VNF数4~6个VNF占用计算资源U[10, 20] units
    通用服务器计算资源U[80, 100] units虚拟链路带宽资源U[10, 20] units
    下载: 导出CSV
  • [1] AHMAD I, KUMAR T, LIYANAGE M, et al. Overview of 5G security challenges and solutions[J]. IEEE Communications Standards Magazine, 2018, 2(1): 36–43. doi: 10.1109/MCOMSTD.2018.1700063
    [2] AFOLABI I, TALEB T, FRANGOUDIS P A, et al. Network slicing-based customization of 5G mobile services[J]. IEEE Network, 2019, 33(5): 134–141. doi: 10.1109/MNET.001.1800072
    [3] TALEB T, AFOLABI I, SAMDANIS K, et al. On multi-domain network slicing orchestration architecture and federated resource control[J]. IEEE Network, 2019, 33(5): 242–252. doi: 10.1109/MNET.2018.1800267
    [4] 陈前斌, 杨友超, 周钰, 等. 基于随机学习的接入网服务功能链部署算法[J]. 电子与信息学报, 2019, 41(2): 417–423. doi: 10.11999/JEIT180310

    CHEN Qianbin, YANG Youchao, ZHOU Yu, et al. Deployment algorithm of service function chain of access network based on stochastic learning[J]. Journal of Electronics &Information Technology, 2019, 41(2): 417–423. doi: 10.11999/JEIT180310
    [5] WEN Ruihan, FENG Gang, TANG Jianhua, et al. On robustness of network slicing for next-generation mobile networks[J]. IEEE Transactions on Communications, 2019, 67(1): 430–444. doi: 10.1109/TCOMM.2018.2868652
    [6] OI A, ENDOU D, MORIYA T, et al. Method for estimating locations of service problem causes in service function chaining[C]. 2015 IEEE Global Communications Conference (GLOBECOM), San Diego, USA, 2015: 1–6. doi: 10.1109/GLOCOM.2015.7416993.
    [7] ZHANG Shilei, WANG Ying, LI Wenjing, et al. Service failure diagnosis in service function chain[C]. The 19th Asia-Pacific Network Operations and Management Symposium (APNOMS), Seoul, Korea (South), 2017: 70–75. doi: 10.1109/APNOMS.2017.8094181.
    [8] SÁNCHEZ J M, YAHIA I G B, and CRESPI N. Self-modeling based diagnosis of services over programmable networks[C]. 2016 IEEE NetSoft Conference and Workshops (NetSoft), Seoul, Korea (South), 2016: 277–285. doi: 10.1109/NETSOFT.2016.7502423.
    [9] CHENG Lu, QIU Xuesong, MENG Luoming, et al. Probabilistic fault diagnosis for IT services in noisy and dynamic environments[C]. 2009 IFIP/IEEE International Symposium on Integrated Network Management, New York, USA, 2009: 149–156. doi: 10.1109/INM.2009.5188804.
    [10] SRINIVASAN S M, TRUONG-HUU T, and GURUSAMY M. TE-Based machine learning techniques for link fault localization in complex networks[C]. The IEEE 6th International Conference on Future Internet of Things and Cloud (FiCloud), Barcelona, Spain, 2018: 25–32. doi: 10.1109/FiCloud.2018.00012.
    [11] ZHANG Lei, ZHU Xiaorong, ZHAO Su, et al. A novel virtual network fault diagnosis method based on long short-term memory neural networks[C]. The IEEE 86th Vehicular Technology Conference (VTC-Fall), Toronto, Canada, 2017: 1–5. doi: 10.1109/VTCFall.2017.8288236.
    [12] ORDONEZ-LUCENA J, AMEIGEIRAS P, LOPEZ D, et al. Network slicing for 5G with SDN/NFV: Concepts, architectures, and challenges[J]. IEEE Communications Magazine, 2017, 55(5): 80–87. doi: 10.1109/MCOM.2017.1600935
    [13] ZHANG Haibing, ZHANG Qian, LIU Jiajia, et al. Fault detection and repairing for intelligent connected vehicles based on dynamic Bayesian network model[J]. IEEE Internet of Things Journal, 2018, 5(4): 2431–2440. doi: 10.1109/JIOT.2018.2844287
    [14] ZHANG Nan, LIU Yafeng, FARMANBAR H, et al. Network slicing for service-oriented networks under resource constraints[J]. IEEE Journal on Selected Areas in Communications, 2017, 35(11): 2512–2521. doi: 10.1109/JSAC.2017.2760147
    [15] 文成林, 吕菲亚. 基于深度学习的故障诊断方法综述[J]. 电子与信息学报, 2020, 42(1): 234–248. doi: 10.11999/JEIT190715

    WEN Chenglin and LÜ Feiya. Review on deep learning based fault diagnosis[J]. Journal of Electronics &Information Technology, 2020, 42(1): 234–248. doi: 10.11999/JEIT190715
  • 加载中
图(9) / 表(3)
计量
  • 文章访问数:  1152
  • HTML全文浏览量:  923
  • PDF下载量:  129
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-01-08
  • 修回日期:  2021-06-14
  • 网络出版日期:  2021-07-10
  • 刊出日期:  2021-12-21

目录

    /

    返回文章
    返回