La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

DeepSIP: A System for Predicting Service Impact of Network Failure by Temporal Multimodal CNN DeepSIP : un système pour prédire l'impact sur le service d'une panne de réseau par CNN multimodal temporel

Yoichi MATSUO, Tatsuaki KIMURA, Ken NISHIMATSU

  • Vues en texte intégral

    0

  • Citer

Résumé:

Lorsqu'une panne se produit dans un élément du réseau, tel qu'un commutateur, un routeur et un serveur, les opérateurs de réseau doivent reconnaître l'impact sur le service, comme le temps de récupération après une panne ou la gravité de la panne, car l'impact sur le service est une information essentielle pour gérer les pannes. . Dans cet article, nous proposons un système de prédiction de l'impact des services (DeepSIP) basé sur l'apprentissage profond, qui prédit l'impact sur le service d'une défaillance du réseau dans un élément de réseau à l'aide d'un réseau neuronal convolutif (CNN) multimodal temporel. Plus précisément, DeepSIP prédit le temps de récupération après une panne et la perte de volume de trafic due à la panne d'un réseau sur la base des informations provenant des messages Syslog et du volume de trafic. Étant donné que le temps de récupération est une information utile pour un accord de niveau de service (SLA) et que la perte de volume de trafic est directement liée à la gravité de la panne, nous considérons le temps de récupération et la perte de volume de trafic comme l'impact sur le service. L'impact sur le service est difficile à prévoir, car il dépend des types de pannes de réseau et du volume de trafic au moment où la panne se produit. De plus, les éléments du réseau ne contiennent explicitement aucune information sur l’impact du service. Pour extraire le type de pannes de réseau et prédire l'impact sur le service, nous utilisons les messages Syslog et le volume de trafic passé. Cependant, les messages Syslog et le volume de trafic sont également difficiles à analyser car ces données sont multimodales, fortement corrélées et ont des dépendances temporelles. Pour extraire des fonctionnalités utiles à la prédiction, nous développons un CNN multimodal temporel. Nous avons évalué expérimentalement DeepSIP en termes de précision en le comparant à d'autres méthodes basées sur NN en utilisant des ensembles de données synthétiques et réels. Pour les deux ensembles de données, les résultats montrent que DeepSIP a surpassé les références.

Publication
IEICE TRANSACTIONS on Communications Vol.E104-B No.10 pp.1288-1298
Date de publication
2021/10/01
Publicisé
2021/04/01
ISSN en ligne
1745-1345
DOI
10.1587/transcom.2020EBP3177
Type de manuscrit
PAPER
Catégories
Gestion/Exploitation du réseau

Auteurs

Yoichi MATSUO
  NTT Corp.
Tatsuaki KIMURA
  Osaka University
Ken NISHIMATSU
  NTT Corp.

Mots-clés

Table des matières