CN111371742B - 一种基于svdd的网络切片物理节点异常检测方法 - Google Patents
一种基于svdd的网络切片物理节点异常检测方法 Download PDFInfo
- Publication number
- CN111371742B CN111371742B CN202010107298.1A CN202010107298A CN111371742B CN 111371742 B CN111371742 B CN 111371742B CN 202010107298 A CN202010107298 A CN 202010107298A CN 111371742 B CN111371742 B CN 111371742B
- Authority
- CN
- China
- Prior art keywords
- network slice
- physical node
- vnf
- observation data
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000354 decomposition reaction Methods 0.000 title description 5
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000011478 gradient descent method Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000013499 data model Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 1
- 238000010295 mobile communication Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003679 aging effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于SVDD的网络切片物理节点异常检测方法，属于移动通信技术领域。该方法在网络切片场景下，采用网络切片部署和VNF产生观测数据的模型，结合考虑无监督异常检测和VNF观测数据网络切片间共享，构建分布式部署于各网络切片管理器上的网络切片物理节点异常检测模型，通过随机近似函数实现在各切片内分布式处理VNF观测数据，最后采用随机梯度下降法实现分布式在线的物理节点异常检测。本发明能够在利用虚拟网络功能观测数据实现物理节点异常检测的同时，保证观测数据在切片内处理，从而解决VNF运营方担忧的信息泄露问题。
Description
技术领域
本发明属于移动通信技术领域，涉及一种网络切片场景下的物理节点异常检测方法。
背景技术
随着移动互联网技术的快速发展，如今正在研究下一代通信***，以满足更加多样化的业务需求。移动通信***发展的主要推动力之一是需要支持各种垂直行业，这些垂直行业有着截然不同的业务需求，业务场景更加多样化。传统网络采用的架构方法，无法满足垂直市场在延迟，可扩展性，可用性和可靠性方面提出的多样化性能需求。如何在同一个底层物理网络上服务多种性能需求不同的业务，网络切片技术应运而生。
网络切片将一个物理网络划分为多个虚拟网络，每个虚拟网络都可以针对特定类型的应用程序或用户进行定制和优化，根据不断变化的用户需求将共享的物理网络资源动态高效地分配给各逻辑网络切片。软件定义网络(Software Defined Network,SDN)和网络功能虚拟化(Network Function Virtualization,NFV)等技术，可以为运营商提供创建多个虚拟网络切片所需的可编程、灵活和模块化特性。网络切片由虚拟网络功能(Virtualnetwork function,VNF)根据用户场景或业务模型进行组合，形成有序的VNF集合，即服务功能链(Service Function Chain,SFC)。
网络切片增加了网络管理的复杂性，尤其是在部署有大量网络切片的情况下，因此对网络切片的自动化管理至关重要。实现网络切片的自动化管理，首先要能够迅速检测到网络切片中的异常。
针对现有技术，发现其存在如下缺点：现有网络切片研究大都针对服务功能链的部署和迁移问题，有部分研究针对VNF的异常检测问题。尽管网络切片中底层物理节点的异常会导致在它上面部署的所有网络切片的性能下降，但少有研究针对底层物理节点进行异常检测；现有的网络切片异常检测研究多采用网络中观测数据集中处理的方式，有研究在网络中引入了额外的通信开销，此类通信会占用网络中的带宽资源，同时带来了更多的时间成本；网络切片异常检测中机器学习类的研究常采取的离线训练方式，与VNF的动态部署特性相冲突，检测模型在不能实现动态更新的情况下会出现明显的老化效应，即检测性能的下降。
发明内容
有鉴于此，本发明的目的在于提供一种分布式在线的网络切片中物理节点异常检测方法，该方法能够在有效利用VNF观测信息实现底层物理节点异常检测的同时，避免VNF观测数据在切片间的共享，动态更新检测模型。
为达到上述目的，本发明提供如下技术方案：
一种基于SVDD的网络切片物理节点异常检测方法，在网络切片场景下，采用网络切片部署和虚拟网络功能(Virtual network function,VNF)产生观测数据的模型，结合考虑无监督异常检测和VNF观测数据网络切片间共享，构建分布式部署于各网络切片管理器上的网络切片物理异常检测模型，通过随机近似函数实现在各切片内分布式处理VNF观测数据，最后采用随机梯度下降法实现分布式在线的物理节点异常检测。
进一步，所述网络切片部署和VNF产生观测数据的模型，具体包括：底层物理网络由M个相互联通的物理节点组成，网络中映射到物理节点m上的VNF共有N个；部署到物理网络上的网络切片有三种：增强型移动宽带(Enhanced Mobile Broadband,EMBB)网络切片对应的SFC由6个VNF组成，超可靠低时延(Ultra Reliable Low Latency Communication,URLLC)网络切片对应的SFC由5个VNF组成，海量机器类型通信(Massive Machine TypeCommunication,MMTC)网络切片对应的SFC由4个VNF组成；各网络切片管理器采集本切片内VNF的观测数据，在t时刻对物理节点m的观测数据为s(t)＝(x1(t),x2(t),…,xN(t))T，其中，xn(t),n＝1,2,…,N为部署在物理节点m上的第n个VNF在t时刻的观测数据向量，由流速率、排队时延、处理时延和协议类型组成。
进一步，所所述构建分布式部署于各网络切片管理器上的网络切片物理节点异常检测模型，具体包括：将网络切片部署和VNF产生观测数据的模型进行分布式的参数更新，经过多次迭代，得到一个以a*＝a1(t)＝a2(t)＝…＝aN(t)为球心，R*＝R1(t)＝R2(t)＝…＝RN(t)为半径，ξ*＝ξ1(t)＝ξ2(t)＝…＝ξn(t)为松弛变量的随机特征空间中的超球面；其中，an(t)、Rn(t)、ξn(t)分别为t时刻第n个VNF对应网络切片内参数更新所得随机特征空间中超球面的球心、半径和松弛变量；a*、R*和ξ*为经过多次迭代后，各网络切片内分布式更新的超球面球心an(t)、半径Rn(t)和松弛变量ξn(t)收敛所得的值，这个过程中各网络切片中更新的参数所定义的超球面逐渐重合为同一个超球面。
更进一步，所所述随机特征空间是指通过随机近似函数z(·)将原始VNF观测数据xn(t)映射到的高维空间，在高维空间中原始观测数据xn(t)的映射为z(xn(t))＝{z1(xn(t)),…，zD(xn(t))]T，其中，D为随机特征空间的维度；
所述超球面为各网络切片管理器对VNF观测数据采用支持向量数据描述模型更新参数an(t),Rn(t),ξn(t),n＝1,2,…,N所定义的超球面，各个网络切片管理器上的超球面参数在初始阶段可能不同；
松弛变量ξn(t)是为允许特征空间中xn(t)的映射z(xn(t))与超球面球心an(t)的距离大于超球面半径Rn(t)而定义的，本发明中规定ξn(t)＞0。
所述分布式是指VNF观测数据由VNF所属网络切片管理器分布式收集，分布式存储，并在各网络切片管理器中分布式处理，不存在切片间的VNF原始观测数据传输。
更进一步，所述参数更新，具体包括：各网络切片内的参数an(t)、Rn(t)、ξn(t)更新均采用随机梯度下降法，但对松弛变量ξn(t)更新时，每次更新后需要保证其值为正，因此在每步更新后对结果取正；为了保证各切片内更新的an(t)、Rn(t)和ξn(t)最终收敛为共同的超球面参数a*、R*和ξ*，物理节点运行状态正常时，各网络切片间需要共享参数an(t),Rn(t),ξn(t)，各网络切片内的分布式参数更新都需要其他所有切片管理器中上一时刻分布式参数更新的结果。
进一步，所述随机梯度下降法具体包括：在各网络切片管理器内先由随机梯度下降法，更新超球面半径Rn(t)和球心an(t)以及松弛变量ξn(t)，更新完成后，计算分布式判别函数：
其中，sgn为符号函数；若g(xn(t))＝1，则t时刻VNFn观测数据xn(t)在随机特征空间中位于参数更新所得超球面内；若g(xn(t))＝-1，则xn(t)位于超球面以外。
更进一步，所述分布式在线物理节点异常检测具体包括：在各VNF对应的网络切片管理器上完成分布式参数更新，实时决策模块根据分布式判别函数，对当前时刻物理节点运行状态的判决，考虑到异常数据对模型训练的负面影响，丢弃物理节点运行状态异常时观测数据更新的参数。
更进一步，所述实时决策模块具体包括：根据各网络切片管理器分布式更新所得参数g(xn(t))判断
是否等于N，若
则t时刻物理节点运行状态正常，若
则t时刻物理节点运行状态异常；其中，N为部署在目标物理节点上的VNF数量，目标物理节点为本方法所检测的物理节点；
如果物理节点运行状态正常，以当前时刻各分布式参数an(t),Rn(t),ξn(t)继续下一时刻的随机梯度下降法参数更新；如果当前物理节点运行状态异常，丢弃t时刻参数an(t),Rn(t),ξn(t)，令an(t)＝an(t-1),Rn(t)＝Rn(t-1),ξn(t)＝ξn(t-1)，继续下一时刻的随机梯度下降法参数更新。
本发明的有益效果在于：本发明根据考虑网络切片的底层网络共享特性，关注物理节点运行状态异常对整体切片网络性能的影响，提出了基于支持向量数据描述的物理节点异常检测模型；为了解决虚拟网络功能(VNF：Virtual Network Function)原始观测数据切片间共享面临的技术保密和安全保护难题，提出了分布式的异常检测模型，通过随机近似函数实现在各切片内分布式处理VNF观测数据，最后采用随机梯度下降提出了一种分布式在线的物理节点异常检测方法。因此，本发明能够在利用虚拟网络功能观测数据实现物理节点异常检测的同时，保证观测数据在切片内处理，从而解决VNF运营方担忧的信息泄露问题。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明中网络切片部署场景示意图；
图2为本发明中的观测数据采集方式示意图；
图3为本发明中分布式在线异常检测方法示意框图；
图4为本发明中分布式在线异常检测方法流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1～图4，为一种基于SVDD的网络切片物理节点异常检测方法，该方法针对网络切片场景下的异常检测问题，给出了网络切片部署和VNF产生观测数据的模型；结合考虑无监督异常检测、VNF观测数据网络切片间共享，提出了一种分布式部署于各网络切片管理器上的网络切片物理异常检测模型；进一步地，提出了一种基于随机梯度下降的分布式在线物理节点异常检测方法。
图1位本实施例中网络切片部署场景示意图。参见图1，网络切片管理与编排器在收到业务请求后，根据不同的服务需求，可以灵活的在底层物理网络上部署网络切片。基础设施管理模块负责管理网络切片部署所需的底层物理资源。
图2是本实施例中所用到VNF观测数据的采集方式示意图，参见图2，基础设施级观测数据可以从基础设施管理模块中获得，包括物理节点CPU占用率、内存占用率、磁盘吞吐量、网络吞吐量等。但同时，VNF运行状态与物理节点的运行状态密切相关，可以通过VNF观测数据如流速率、排队时延、处理时延、协议类型等信息，但由于各VNF可能分属不同厂商，出于技术保密和安全隐私等原因，厂商不愿共享此类信息。
图3是本实施例中分布式在线异常检测方法示意框图，方法主要分为三个部分：
第一部分：各网络切片管理器实现VNF观测数据的实时收集
第二部分：分布式部署在各网络切片管理器上的异常检测参数更新模块在切片内实现本地参数更新。
第三部分：基础设施管理器中的物理节点管理模块根据各分布式参数更新模块传递的参数实现实时异常决策，判断物理节点运行状态并据此做出下一步参数更新的方式选择。
图4是本发明中分布式在线异常检测方法流程示意图，步骤如下：
步骤401：初始化t＝0时刻分布式模型参数；
步骤402：t＝t+1；
步骤403：分布式收集t时刻目标物理节点上所有VNF的观测数据；
步骤404：各网络切片管理器内的分布式参数更新模块根据随机近似函数计算VNF观测数据的随机近似值；
步骤405：各网络切片管理器内的分布式参数更新模块计算当前时刻各参数的梯度；
步骤406：各网络切片管理器根据随机梯度下降计算当前时刻模型参数；
步骤407：各网络切片管理器计算g(xn(t))；
步骤408：物理节点管理模块根据各网络切片管理器更新所得g(xn(t))判决物理节点运行状态；
步骤409：若物理节点运行状态正常，则直接返回步骤401，否则先丢弃当前时刻参数，再返回步骤401。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于SVDD的网络切片物理节点异常检测方法，其特征在于，该方法在网络切片场景下，采用网络切片部署和虚拟网络功能(Virtual network function,VNF)产生观测数据的模型，结合考虑无监督异常检测和VNF观测数据网络切片间共享，构建分布式部署于各网络切片管理器上的网络切片物理节点异常检测模型，通过随机近似函数实现在各切片内分布式处理VNF观测数据，最后采用随机梯度下降法实现分布式在线的物理节点异常检测；
该检测方法具体包括以下步骤：
步骤401：初始化t＝0时刻各网络切片管理器上的网络切片物理节点异常检测模型参数；
步骤402：t＝t+1；
步骤403：分布式收集t时刻目标物理节点上所有VNF的观测数据；
步骤404：各网络切片管理器上的网络切片物理节点异常检测模型参数更新模块根据随机近似函数计算VNF观测数据的随机近似值；
其中，随机近似函数为z(xn(t))＝[z1(xn(t)),…,zD(xn(t))]T，其中，zD(xn(t)) 为原始VNF观测数据xn(t)的映射，xn(t)为部署在物理节点m上的第n个VNF在t时刻的观测数据向量，n＝1,2,…,N，N为部署在目标物理节点上的VNF数量；D为随机特征空间的维度；
步骤405：各网络切片管理器内的分布式参数更新模块计算当前时刻各参数的梯度；
步骤406：各网络切片管理器根据随机梯度下降法更新当前时刻网络切片物理节点异常检测模型参数，包括Rn(t)、an(t)以及ξn(t)，其中an(t)、Rn(t)、ξn(t)分别为t时刻第n个VNF对应网络切片内参数更新所得随机特征空间中超球面的球心、半径和松弛变量；
步骤407：各网络切片管理器计算分布式判别函数g(xn(t))：
其中，sgn为符号函数；若g(xn(t))＝1，则t时刻第n个VNF观测数据xn(t)在随机特征空间中位于参数更新所得超球面内；若g(xn(t))＝-1，则xn(t)位于超球面以外；
步骤408：物理节点管理模块根据各网络切片管理器更新所得g(xn(t))判决物理节点运行状态；
步骤409：若物理节点运行状态正常，则直接返回步骤401，否则先丢弃当前时刻参数，再返回步骤401。
2.根据权利要求1所述的一种基于SVDD的网络切片物理节点异常检测方法，其特征在于，所述网络切片部署和VNF产生观测数据的模型，具体包括：底层物理网络由M个相互联通的物理节点组成，网络中映射到物理节点m上的VNF共有N个；部署到物理网络上的网络切片有三种：增强型移动宽带(Enhanced Mobile Broadband,EMBB)网络切片对应的SFC由6个VNF组成，超可靠低时延(Ultra Reliable Low Latency Communication,URLLC)网络切片对应的SFC由5个VNF组成，海量机器类型通信(Massive Machine Type Communication,MMTC)网络切片对应的SFC由4个VNF组成；各网络切片管理器采集本切片内VNF的观测数据，在t时刻对物理节点m的观测数据为s(t)＝(x1(t),x2(t),…,xn(t),…,xN(t))T，其中，xn(t),n＝1,2,…,N为部署在物理节点m上的第n个VNF在t时刻的观测数据向量，由流速率、排队时延、处理时延和协议类型组成。
3.根据权利要求1所述的一种基于SVDD的网络切片物理节点异常检测方法，其特征在于，所述构建分布式部署于各网络切片管理器上的网络切片物理节点异常检测模型，具体包括：将网络切片部署和VNF产生观测数据的模型进行分布式网络切片物理节点异常检测模型参数更新，经过多次迭代，得到一个以a*＝a1(t)＝a2(t)＝…＝an(t)＝…＝aN(t)为球心，R*＝R1(t)＝R2(t)＝…＝Rn(t)＝…＝RN(t)为半径，ξ*＝ξ1(t)＝ξ2(t)＝…＝ξn(t)为松弛变量的随机特征空间中的超球面；其中，an(t)、Rn(t)、ξn(t)分别为t时刻第n个VNF对应网络切片内参数更新所得随机特征空间中超球面的球心、半径和松弛变量；a*、R*和ξ*为经过多次迭代后，各网络切片内分布式更新的超球面球心an(t)、半径Rn(t)和松弛变量ξn(t)收敛所得的值，这个过程中各网络切片中更新的参数所定义的超球面逐渐重合为同一个超球面。
4.根据权利要求3所述的一种基于SVDD的网络切片物理节点异常检测方法，其特征在于，所述随机特征空间是指通过随机近似函数z(·)将原始VNF观测数据xn(t)映射到的高维空间，在高维空间中原始观测数据xn(t)的映射为z(xn(t))＝[z1(xn(t)),…,zD(xn(t))]T，其中，D为随机特征空间的维度；
所述超球面为各网络切片管理器对VNF观测数据采用支持向量数据描述网络切片物理节点异常检测模型更新参数an(t),Rn(t),ξn(t),n＝1,2,…,N所定义的超球面，各个网络切片管理器上的超球面参数在初始阶段不同；
所述分布式是指VNF观测数据由VNF所属网络切片管理器分布式收集，分布式存储，并在各网络切片管理器中分布式处理，不存在切片间的VNF原始观测数据传输。
5.根据权利要求3所述的一种基于SVDD的网络切片物理节点异常检测方法，其特征在于，所述参数更新，具体包括：各网络切片内的参数an(t)、Rn(t)、ξn(t)更新均采用随机梯度下降法，对松弛变量ξn(t)更新时，每次更新后需要保证其值为正；物理节点运行状态正常时，各网络切片间需要共享参数an(t),Rn(t),ξn(t)，各网络切片内的分布式参数更新都需要其他所有切片管理器中上一时刻分布式参数更新的结果。
6.根据权利要求1所述的一种基于SVDD的网络切片物理节点异常检测方法，其特征在于，所述分布式在线物理节点异常检测具体包括：在各VNF对应的网络切片管理器上完成分布式网络切片物理节点异常检测模型参数更新，实时决策模块根据分布式判别函数，对当前时刻物理节点运行状态的判决，丢弃物理节点运行状态异常时观测数据更新的参数。
7.根据权利要求6所述的一种基于SVDD的网络切片物理节点异常检测方法，其特征在于，所述实时决策模块具体包括：根据各网络切片管理器分布式更新所得参数g(xn(t))判断
是否等于N，若
则t时刻物理节点运行状态正常，若
则t时刻物理节点运行状态异常；
如果物理节点运行状态正常，以当前时刻各分布式参数an(t),Rn(t),ξn(t)继续下一时刻的随机梯度下降法参数更新；如果当前物理节点运行状态异常，丢弃t时刻参数an(t),Rn(t),ξn(t)，令an(t)＝an(t-1),Rn(t)＝Rn(t-1),ξn(t)＝ξn(t-1)，继续下一时刻的随机梯度下降法参数更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010107298.1A CN111371742B (zh) | 2020-02-21 | 2020-02-21 | 一种基于svdd的网络切片物理节点异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010107298.1A CN111371742B (zh) | 2020-02-21 | 2020-02-21 | 一种基于svdd的网络切片物理节点异常检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111371742A CN111371742A (zh) | 2020-07-03 |
| CN111371742B true CN111371742B (zh) | 2022-04-29 |
Family
ID=71212438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010107298.1A Active CN111371742B (zh) | 2020-02-21 | 2020-02-21 | 一种基于svdd的网络切片物理节点异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111371742B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112887145B (zh) * | 2021-01-27 | 2022-04-29 | 重庆邮电大学 | 一种基于分布式的网络切片故障检测方法 |
| CN115348192A (zh) * | 2021-05-10 | 2022-11-15 | 华为技术有限公司 | 异常检测的方法、通信装置及通信*** |
| CN114423035B (zh) * | 2022-01-12 | 2023-09-19 | 北京宇卫科技有限公司 | 一种网络切片场景下服务功能链异常检测方法 |
| CN116506327B (zh) * | 2023-06-26 | 2023-11-24 | 中航金网(北京)电子商务有限公司 | 物理节点监测方法、装置、计算机设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107231384A (zh) * | 2017-08-10 | 2017-10-03 | 北京科技大学 | 一种面向5g网络切片的DDoS攻击检测防御方法及*** |
| CN108173708A (zh) * | 2017-12-18 | 2018-06-15 | 北京天融信网络安全技术有限公司 | 基于增量学习的异常流量检测方法、装置及存储介质 |
| CN110275758A (zh) * | 2019-05-09 | 2019-09-24 | 重庆邮电大学 | 一种虚拟网络功能智能迁移方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102105683B1 (ko) * | 2017-04-28 | 2020-05-29 | 한국전자통신연구원 | 유선 및 이동 통신 서비스의 통합 플랫폼 관리 장치 및 방법 |
| US11362910B2 (en) * | 2018-07-17 | 2022-06-14 | International Business Machines Corporation | Distributed machine learning for anomaly detection |
-
2020
- 2020-02-21 CN CN202010107298.1A patent/CN111371742B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107231384A (zh) * | 2017-08-10 | 2017-10-03 | 北京科技大学 | 一种面向5g网络切片的DDoS攻击检测防御方法及*** |
| CN108173708A (zh) * | 2017-12-18 | 2018-06-15 | 北京天融信网络安全技术有限公司 | 基于增量学习的异常流量检测方法、装置及存储介质 |
| CN110275758A (zh) * | 2019-05-09 | 2019-09-24 | 重庆邮电大学 | 一种虚拟网络功能智能迁移方法 |
Non-Patent Citations (1)
| Title |
|---|
| "软件定义网络及安全防御技术研究";王涛等;《通信学报》;20171125;第133-157页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111371742A (zh) | 2020-07-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111371742B (zh) | 一种基于svdd的网络切片物理节点异常检测方法 | |
| Yan et al. | Automatic virtual network embedding: A deep reinforcement learning approach with graph convolutional networks | |
| Pei et al. | Optimal VNF placement via deep reinforcement learning in SDN/NFV-enabled networks | |
| CN111368888B (zh) | 基于深度动态贝叶斯网络的服务功能链故障诊断方法 | |
| WO2020258920A1 (zh) | 一种网络切片资源管理方法及设备 | |
| CN108684046B (zh) | 一种基于随机学习的接入网服务功能链部署方法 | |
| Amiri et al. | Controller selection in software defined networks using best-worst multi-criteria decision-making | |
| Lombardo et al. | An analytical tool for performance evaluation of software defined networking services | |
| US20230306311A1 (en) | Federated Learning Method and Apparatus, Device, System, and Computer-Readable Storage Medium | |
| CN115510936A (zh) | 基于联邦学习的模型训练方法及聚类分析器 | |
| WO2021169294A1 (zh) | 更新应用识别模型的方法、装置及存储介质 | |
| Kafle et al. | Automation of 5G network slice control functions with machine learning | |
| CN115358487A (zh) | 面向电力数据共享的联邦学习聚合优化***及方法 | |
| Zhang et al. | Toward online virtual network function placement in software defined networks | |
| CN108459908A (zh) | 对云计算中的不兼容的共同租户对的识别 | |
| WO2021008675A1 (en) | Dynamic network configuration | |
| Xu et al. | Decentralized machine learning through experience-driven method in edge networks | |
| Shen et al. | AI empowered resource management for future wireless networks | |
| EP3560145B1 (en) | Apparatus and method for identifying network object groups | |
| Wang et al. | LRA-3C: Learning based resource allocation for communication-computing-caching systems | |
| WO2021180145A1 (en) | Methods and systems for data management in communication network | |
| CN113420791A (zh) | 边缘网络设备接入控制方法、装置及终端设备 | |
| CN117479306B (zh) | 一种数字孪生的数据处理方法及*** | |
| Abdel-Basset et al. | Digital Twin for Optimization of Slicing-enabled Communication Networks: A Federated Graph Learning Approach | |
| CN114844666B (zh) | 网络流量分析与重构方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240402 Address after: 1003, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Henglang Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000 Patentee after: Shenzhen Wanzhida Technology Transfer Center Co.,Ltd. Country or region after: China Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2 Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Country or region before: China |
|
| TR01 | Transfer of patent right |