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

网络切片场景下基于分布式生成对抗网络的服务功能链异常检测

唐伦 王恺 张月 周鑫隆 陈前斌

唐伦, 王恺, 张月, 周鑫隆, 陈前斌. 网络切片场景下基于分布式生成对抗网络的服务功能链异常检测[J]. 电子与信息学报, 2023, 45(1): 262-271. doi: 10.11999/JEIT211261
引用本文: 唐伦, 王恺, 张月, 周鑫隆, 陈前斌. 网络切片场景下基于分布式生成对抗网络的服务功能链异常检测[J]. 电子与信息学报, 2023, 45(1): 262-271. doi: 10.11999/JEIT211261
TANG Lun, WANG Kai, ZHANG Yue, ZHOU Xinlong, CHEN Qianbin. Service Function Chain Anomaly Detection Based on Distributed Generative Adversarial Network in Network Slicing Scenario[J]. Journal of Electronics & Information Technology, 2023, 45(1): 262-271. doi: 10.11999/JEIT211261
Citation: TANG Lun, WANG Kai, ZHANG Yue, ZHOU Xinlong, CHEN Qianbin. Service Function Chain Anomaly Detection Based on Distributed Generative Adversarial Network in Network Slicing Scenario[J]. Journal of Electronics & Information Technology, 2023, 45(1): 262-271. doi: 10.11999/JEIT211261

网络切片场景下基于分布式生成对抗网络的服务功能链异常检测

doi: 10.11999/JEIT211261
基金项目: 国家自然科学基金(62071078),重庆市教委科学技术研究项目(KJZD-M201800601),川渝联合实施重点研发项目(2021YFQ0053)
详细信息
    作者简介:

    唐伦:男,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

    王恺:女,硕士生,研究方向为虚拟化网络切片、异常检测等

    张月:女,硕士生,研究方向为5G网络故障检测、机器学习等

    周鑫隆:男,硕士生,研究方向为虚拟化网络切片、流量预测等

    陈前斌:男,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:

    王恺 845787457@qq.com

  • 中图分类号: TN929.5

Service Function Chain Anomaly Detection Based on Distributed Generative Adversarial Network in Network Slicing Scenario

Funds: The National Natural Science Foundation of China (62071078), The Science and Technology Research Program of Chongqing Municipal Education Commission (KJZD-M201800601), Sichuan and Chongqing Key R&D Projects (2021YFQ0053)
  • 摘要: 针对网络切片场景中,由于软硬件异常而导致服务功能链(SFC)异常的问题,该文提出一种基于分布式生成对抗网络(GAN)的时间序列异常检测模型(DTSGAN)。首先,为学习SFC中正常数据的特征,提出分布式GAN架构,对SFC中包含的多个虚拟网络功能(VNF)进行异常检测;其次,针对时间序列数据构建一种基于滑动窗口数据特征提取器,通过提取数据的两种衍生特性和8种统计特征以挖掘深层次特征,得到特征序列;最后,为学习并重构数据特征,提出时间卷积网络(TCN)与自动编码器(AE)构建的3层编解码器作为分布式生成器,生成器通过异常得分函数衡量重构数据与输入数据的差异以检测VNF的状态,进而完成SFC的异常检测。在数据集Clearwater上采用准确率、精确率、召回率和F1分数这4个性能指标验证了该文所提模型的有效性和稳定性。
  • 图  1  网络切片管理场景

    图  2  DTSGAN模型架构

    图  3  DTSGAN模型整体流程

    图  4  特征提取步骤

    图  5  损失函数

    图  6  滑动窗口尺寸对性能指标的影响

    图  7  4种方案性能指标对比

    图  8  算法稳定性对比

    算法1 DTSGAN在MANO中的训练
     输入:数据流$ ({{\boldsymbol{F}}_i},{{\boldsymbol{z}}_i}),({{{ {\boldsymbol {\boldsymbol{F}}}}}_i},{{{\hat {\boldsymbol z}}}_i}) $
     输出:误差项$ {\boldsymbol{B}}_i^1,{\boldsymbol{B}}_i^2,{\boldsymbol{B}}_i^3 $,鉴别器输出$ D({{{\hat {\boldsymbol F}}}_i},{{{\hat {\boldsymbol z}}}_i}) $
     (1) function ${{\rm{MANODIS}}} (({ {\boldsymbol{F} }_i},{ {\boldsymbol{z} }_i}),({ { {\hat {\boldsymbol F} } }_i},{ { {\hat {\boldsymbol z} } }_i}),d,k)$ // 鉴别器$ D $训
       练函数
     (2)  for $ j \in [1,b] $ do // 鉴别器$ D $训练轮数为$ b $
     (3)   for $ i \in [1,k] $ do // $ {\text{E}}{{\text{M}}_i} $的个数为$ k $
     (4)    从$ {\text{E}}{{\text{M}}_i} $中获得数据流$ ({{\boldsymbol{F}}_i},{{\boldsymbol{z}}_i}),({{{\hat {\boldsymbol F}}}_i},{{{\hat {\boldsymbol z}}}_i}) $
     (5)    计算第$ i $个梯度$ \Delta {{\boldsymbol{w}}_{{\text{d}}i}} $
     (6)    if $ j = d $ do
     (7)     分别根据式(8)—式(10)计算$ G_i^1 $,$ G_i^2 $, $ G_i^3 $的误差项$ {\boldsymbol{B}}_i^1 $,
           $ {\boldsymbol{B}}_i^2 $, $ {\boldsymbol{B}}_i^3 $
     (8)     将鉴别器结果$ {\boldsymbol{B}}_i^1,{\boldsymbol{B}}_i^2,{\boldsymbol{B}}_i^3,D({{{\hat {\boldsymbol F}}}_i},{{{\hat {\boldsymbol z}}}_i}) $发送至相应的
           $ {\text{E}}{{\text{M}}_i} $
     (9)    end if
     (10)   end for
     (11)   对$ k $个梯度求平均值得到$ \Delta {{\boldsymbol{w}}_{\text{d}}} $
     (12)   使用$ \Delta {{\boldsymbol{w}}_{\text{d}}} $更新鉴别器$ D $参数$ {{\boldsymbol{w}}_{\text{d}}} $
     (13)  end for
     (14) end function
    下载: 导出CSV
    算法2 DTSGAN在$ {\text{E}}{{\text{M}}_i} $中的训练
     输入:特征序列$ {{\mathbf{F}}_i} $,鉴别器反馈$ {\mathbf{B}}_i^1,{\mathbf{B}}_i^2,{\mathbf{B}}_i^3 $
     输出:数据流$ ({{\mathbf{F}}_i},{{\mathbf{z}}_i}),({{{\hat {\boldsymbol F}}}_i},{{{\hat {\boldsymbol z}}}_i}) $
     (1) function $ {\text{EMGEN}}({{\mathbf{F}}_i},{\mathbf{B}}_i^1,{\mathbf{B}}_i^2,{\mathbf{B}}_i^3,L) $ // 生成器$ {G_i} $训练函数
     (2)  编码器$ G_i^1 $提取潜在表示$ {{\mathbf{z}}_i} $
     (3)  解码器$ G_i^2 $重构特征序列$ {{{\hat {\boldsymbol F}}}_i} $
     (4)  编码器$ G_i^3 $重构潜在表示$ {{{\hat {\boldsymbol z}}}_i} $
     (5)  将数据流$ ({{\mathbf{F}}_i},{{\mathbf{z}}_i}),({{{\hat {\boldsymbol F}}}_i},{{{\hat {\boldsymbol z}}}_i}) $发送至鉴别器$ D $
     (6)  if $ L \ne 1 $ do // 训练轮数为$ L $
     (7)   从鉴别器$ D $获取误差项$ {\mathbf{B}}_i^1,{\mathbf{B}}_i^2,{\mathbf{B}}_i^3 $
     (8)   分别根据式(15)—式(17)计算计算$ G_i^1 $,$ G_i^2 $, $ G_i^3 $的梯度
         $ \Delta {\mathbf{w}}_i^{1,l} $, $ \Delta {\mathbf{w}}_i^{2,l} $, $ \Delta {\mathbf{w}}_i^{3,l} $
     (9)   使用$ \Delta {\mathbf{w}}_i^{1,l} $,$ \Delta {\mathbf{w}}_i^{2,l} $, $ \Delta {\mathbf{w}}_i^{3,l} $更新生成器$ {G_i} $参数
         $ {\mathbf{w}}_i^1,{\mathbf{w}}_i^2,{\mathbf{w}}_i^3 $
     (10)  end if
     (11) end function
    下载: 导出CSV

    表  1  滑动窗口尺寸设置

    1234567
    衍生特性滑动窗口尺寸$ s $2688101414
    统计特征滑动窗口尺寸$ f $224681012
    下载: 导出CSV
  • [1] ESCOLAR A M, CALERO J, and WANG Q. SliceNetVSwitch: Definition, design and implementation of 5G multi-tenant network slicing in software data paths[J]. IEEE Transactions on Network and Service Management, 2020, 17(4): 2212–2225. doi: 10.1109/TNSM.2020.3029653
    [2] CHERRARED S, IMADALI S, FABRE E, et al. A survey of fault management in network virtualization environments: Challenges and solutions[J]. IEEE Transactions on Network and Service Management, 2019, 16(4): 1537–1551. doi: 10.1109/TNSM.2019.2948420
    [3] SAUVANAUD C, LAZRI K, KAANICHE M, et al. Anomaly detection and root cause localization in virtual network functions[C]. 2016 IEEE 27th International Symposium on Software Reliability Engineering (ISSRE), Ottawa, Canada, 2016: 196–206.
    [4] COTRONEO D, NATELLA R, and ROSIELLO S. A fault correlation approach to detect performance anomalies in virtual network function chains[C]. 2017 IEEE 28th International Symposium on Software Reliability Engineering (ISSRE), Toulouse, France, 2017: 90–100.
    [5] BLAISE A, WONG S, and AGHVAMI A H. Virtual network function service chaining anomaly detection[C]. 2018 25th International Conference on Telecommunications (ICT), Saint-Malo, France, 2018: 411–415.
    [6] BASHAR M A and NAYAK R. TAnoGAN: Time series anomaly detection with generative adversarial networks[C]. 2020 IEEE Symposium Series on Computational Intelligence (SSCI), Canberra, Australia, 2020: 1778–1785.
    [7] DONG Weishan, YUAN Ting, YANG Kai, et al. Autoencoder regularized network for driving style representation learning[C]. Twenty-Sixth International Joint Conference on Artificial Intelligence, Melbourne, Australia, 2017: 1603–1609.
    [8] KINGMA D P and BA L J. Adam: A method for stochastic optimization[C]. International Conference on Learning Representations 2015, San Diego, USA, 2015.
    [9] JIANG Wenqian, HONG Yang, ZHOU Beitong, et al. A GAN-based anomaly detection approach for imbalanced industrial time series[J]. IEEE Access, 2019, 7: 143608–143619. doi: 10.1109/ACCESS.2019.2944689
    [10] BENDRISS J. Cognitive management of SLA in software-based networks[D]. [Ph. D. dissertation], Institut National des Télécommunications, 2018.
    [11] DONAHUE J, KRÄHENBÜHL P, and DARRELL T. Adversarial feature learning[J]. arXiv: 1605.09782, 2016.
    [12] RADFORD A, METZ L, and CHINTALA S. Unsupervised representation learning with deep convolutional generative adversarial networks[J]. arXiv: 1511.06434, 2015.
  • 加载中
图(8) / 表(3)
计量
  • 文章访问数:  264
  • HTML全文浏览量:  174
  • PDF下载量:  46
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-11-12
  • 修回日期:  2022-04-02
  • 网络出版日期:  2022-04-17
  • 刊出日期:  2023-01-17

目录

    /

    返回文章
    返回