Cooperative Anomaly Detection With Transfer Learning-Based Hidden Markov Model in Virtualized Network Slicing
Cooperative Anomaly Detection With Transfer Learning-Based Hidden Markov Model in Virtualized Network Slicing
复制标题
虚拟化网络切片中基于迁移学习的隐马尔可夫模型的协同异常检测
DOI：
10.1109/lcomm.2019.2923913
复制
发表时间：
2019-06
期刊：
影响因子：
--
通讯作者：
Tang Lun
中科院分区：
文献类型：
--
作者：
Wang Weili;Chen Qianbin;He Xiaoqiang;Tang Lun
网络切片可以将共享底层网络划分为多个逻辑隔离的虚拟网络，以支持不同的业务需求。然而，底层网络中的一个异常物理节点(PN)会导致多个网络切片的性能下降。为了实现对网络切片的自组织管理，利用基于转移学习的隐马尔可夫模型(TLHMM)设计了一种协作式异常检测方案。PNS首先被分为四个不同的州。然后，利用隐马尔可夫模型(HMM)根据虚拟节点(VNS)的测量结果来获取PNS的当前状态。最后，根据学习到的网络知识和概率神经网络之间的相似性，将转移学习的概念引入到隐马尔可夫模型中，提出了一种协作式异常检测算法。仿真结果表明，基于TLHMM的协同异常检测算法不仅加快了学习速度，而且平均检测正确率达到90%以上。
Network slicing can partition a shared substrate network into multiple logically isolated virtual networks to support diverse service requirements. However, one anomaly physical node (PN) in substrate networks will cause performance degradation of multiple network slices. To realize the self-organizing management of network slices, a cooperative anomaly detection scheme is designed in this letter through utilizing the transfer learning-based hidden Markov model (TLHMM). The PNs are first classified into four different states. Then, the hidden Markov model (HMM) is used to capture the current states of PNs based on the measurements of virtual nodes (VNs). Finally, according to the learned knowledge of networks and the similarity between PNs, the concept of transfer learning is introduced into HMM to propose a cooperative anomaly detection algorithm. Simulation results demonstrate that the proposed TLHMM-based cooperative anomaly detection algorithm cannot only speed up the learning process, but also achieve an average detection accuracy of more than 90%.
登录
查看更多内容
DOI：
10.1109/glocom.2017.8254685
发表时间：
2017-12
期刊：
GLOBECOM 2017 - 2017 IEEE Global Communications Conference
影响因子：
--
作者：
Ruihan Wen;Jianhua Tang;Tony Q. S. Quek;G. Feng;G. Wang;W. Tan
通讯作者：
Ruihan Wen;Jianhua Tang;Tony Q. S. Quek;G. Feng;G. Wang;W. Tan
DOI：
10.1109/glocom.2014.7416993
发表时间：
2014-12
期刊：
2015 IEEE Global Communications Conference (GLOBECOM)
影响因子：
--
作者：
Aiko Oi;Daiki Endou;T. Moriya;H. Ohnishi
通讯作者：
Aiko Oi;Daiki Endou;T. Moriya;H. Ohnishi
DOI：
10.1109/lcomm.2016.2517070
发表时间：
2016-01
期刊：
IEEE Communications Letters
影响因子：
--
作者：
Multazamah Alias;N. Saxena;A. Roy
通讯作者：
Multazamah Alias;N. Saxena;A. Roy
影响因子：
6.8
作者：
Onireti, Oluwakayode;Zoha, Ahmed;Abu-Dayya, Adnan
通讯作者：
Abu-Dayya, Adnan
DOI：
10.1109/twc.2014.022014.130840
发表时间：
2014-04-01
影响因子：
10.4
作者：
Li, Rongpeng;Zhao, Zhifeng;Zhang, Honggang
通讯作者：
Zhang, Honggang