Fault and performance management in multi-cloud virtual network services using AI: A tutorial and a case study
Fault and performance management in multi-cloud virtual network services using AI: A tutorial and a case study
复制标题
使用 AI 进行多云虚拟网络服务中的故障和性能管理：教程和案例研究
DOI：
10.1016/j.comnet.2019.106950
复制
发表时间：
2019
影响因子：
5.6
通讯作者：
Jain, Raj
中科院分区：
文献类型：
--
作者：
Gupta, Lav;Salman, Tara;Zolanvari, Maede;Erbad, Aiman;Jain, Raj
运营商发现网络功能虚拟化（NFV）和多云计算是部署其网络服务的有效组合。由此产生的虚拟网络服务（VNS）为它们提供了极大的灵活性和成本优势。然而，赋予这样的服务与传统网络的性能和可用性水平类似，已被证明是一个困难的问题，学者和从业者一样。造成这种复杂性的原因有很多。NFV和基于多云的VNS的故障和性能问题管理的挑战性是一个重要原因。传统物理网络中使用的基于规则的技术在虚拟环境中不能很好地工作。幸运的是，人工智能（AI）的机器和深度学习技术在这种情况下被证明是有效的。本教程的主要目标是了解基于AI的技术如何帮助进行故障检测和定位，以使此类服务更接近传统网络的性能和可用性。为了更好地理解这些概念，还包括了一项基于我们在这一领域工作的案例研究。
Carriers find Network Function Virtualization (NFV) and multi-cloud computing a potent combination for deploying their network services. The resulting virtual network services (VNS) offer great flexibility and cost advantages to them. However, vesting such services with a level of performance and availability akin to traditional networks has proved to be a difficult problem for academics and practitioners alike. There are a number of reasons for this complexity. The challenging nature of management of fault and performance issues of NFV and multi-cloud based VNSs is an important reason. Rule-based techniques that are used in the traditional physical networks do not work well in the virtual environments. Fortunately, machine and deep learning techniques of Artificial Intelligence (AI) are proving to be effective in this scenario. The main objective of this tutorial is to understand how AI-based techniques can help in fault detection and localization to take such services closer to the performance and availability of the traditional networks. A case study, based on our work in this area, has been included for a better understanding of the concepts.
登录
查看更多内容
vNMF：使用集群方法进行网络功能虚拟化的分布式故障检测
DOI：
10.1109/inm.2015.7140349
发表时间：
2015
期刊：
2015 IFIP/IEEE International Symposium on Integrated Network Management (IM)
影响因子：
--
作者：
M. Miyazawa;M. Hayashi;R. Stadler
通讯作者：
R. Stadler
智能集成的网络故障管理系统：人工智能技术和混合架构
DOI：
10.1109/sicon.1995.526059
发表时间：
1995
期刊：
Proceedings of IEEE Singapore International Conference on Networks and International Conference on Information Engineering '95
影响因子：
--
作者：
S. Jiang;D. Siboni;A. A. Rhissa;G. Beuchot
通讯作者：
G. Beuchot
电信网络中多种告警识别的比较研究
DOI：
10.3906/elk-1503-118
发表时间：
2017
期刊：
Turkish J. Electr. Eng. Comput. Sci.
影响因子：
--
作者：
A. Yilmaz
通讯作者：
A. Yilmaz
NFV框架中的故障定位
DOI：
10.1109/icact.2016.7423388
发表时间：
2016
期刊：
2016 18th International Conference on Advanced Communication Technology (ICACT)
影响因子：
--
作者：
B. Lee;B. Lee
通讯作者：
B. Lee
使用数据挖掘分类器进行网络故障诊断
DOI：
10.5121/csit.2015.50703
发表时间：
2015
期刊：
Proceedings of IEEE Singapore International Conference on Networks and International Conference on Information Engineering '95
影响因子：
--
作者：
E. Rozaki
通讯作者：
E. Rozaki