[論文レビュー] An AI-driven Malfunction Detection Concept for NFV Instances in 5G

Julian Ahrens, Mathias Strufe+2 more|arXiv (Cornell University)|Apr 16, 2018

Software-Defined Networks and 5G参考文献 4被引用数 6

ひとこと要約

本論文は、自己符号化器と正規化特徴変換を用いて、5GネットワークにおけるNFVインスタンスの不具合（メモリリークなど）を検出する半教師ありAI駆動の異常検出フレームワークを提示する。システムは正常動作をプロファイルし、偏差を検出すると自動的にロールバックを実行する。制御されたテストベッドで合成故障を用いて検証した結果、堅牢な検出が達成された。

ABSTRACT

Efficient network management is one of the key challenges of the constantly growing and increasingly complex wide area networks (WAN). The paradigm shift towards virtualized (NFV) and software defined networks (SDN) in the next generation of mobile networks (5G), as well as the latest scientific insights in the field of Artificial Intelligence (AI) enable the transition from manually managed networks nowadays to fully autonomic and dynamic self-organized networks (SON). This helps to meet the KPIs and reduce at the same time operational costs (OPEX). In this paper, an AI driven concept is presented for the malfunction detection in NFV applications with the help of semi-supervised learning. For this purpose, a profile of the application under test is created. This profile then is used as a reference to detect abnormal behaviour. For example, if there is a bug in the updated version of the app, it is now possible to react autonomously and roll-back the NFV app to a previous version in order to avoid network outages.

研究の動機と目的

• 手動でのネットワーク保守と複雑化が進むことによる5Gネットワークにおける運用コスト（OPEX）の増加に対処する。
• 完全な監視なしにアプリケーションレベルの不具合を検出することで、NFVベースの5Gネットワークにおける自律的自己修復を実現する。
• 半教師あり学習を用いてスケーラブルで適応可能な異常検出システムを開発し、誤検出を低減するとともに検出精度を向上させる。
• 検出メカニズムをリアルタイム対応が可能なSELFNET自己組織的ネットワーク管理フレームワークに統合する。
• AIベースのロールバックが、仮想化ファイアウォールにおけるメモリリークなどの検出された異常に対して実現可能であることを実証する。

提案手法

• NFVインスタンスの正常な運用メトリクスからなる訓練データセットを用いて半教師あり学習を実施する。
• 各特徴量を標準正規分布にマッピングする特殊な正規化技術を適用し、修正済みの経験的累積分布関数と逆誤差関数を用いる。
• 異なるアーキテクチャと学習率を有する自己符号化器のアンサンブルを訓練し、正常動作をモデル化し、入力データを再構築する。
• 各データポイントの再構築誤差（二乗ユークリッド距離）を異常スコアとして計算する。
• しきい値戦略を適用：エンコーダの平均検証コストのβ倍を超える再構築コストを持つデータポイントを懸念すべきものとしてマークする。
• 選択された自己符号化器のうちαを超える数がそのデータポイントを懸念すべきものとマークした場合、異常と分類する。

実験結果

リサーチクエスチョン

• RQ1 完全にラベル付けされた異常データが不要な状況下でも、半教師あり学習がNFVインスタンスにおける異常を効果的に検出できるか？
• RQ2 正規化された入力特徴量を用いた自己符号化器は、仮想化ネットワーク関数における合成メモリリークをどの程度正確に検出できるか？
• RQ3 誤検出率を低く抑えつつ高い異常検出感度を維持するためのしきい値戦略は何か？
• RQ4 システムはリアルタイムで不具合を示すNFVインスタンスを特定することで、自動的なロールバックを支援できるか？
• RQ5 アンサンブルによる自己符号化器は、単一モデルと比較してどのように耐性を高めるか？

主な発見

• 提案された半教師ありアプローチは、数分間の動作後、仮想化ファイアウォールにおける合成メモリリークを正常に検出できた。メモリ使用率は数分でほぼ100％に達した。
• 正規化技術により、非正規分布を示す特徴量の分布が標準正規分布にうまく変換され、モデルの安定性と再構築精度が向上した。
• アンサンブルによる自己符号化器は、ノイズへの感受性を低減し、未知のデータに対する一般化性能を向上させることで、個々のモデルを上回った。
• 相対的再構築コスト（検証平均のβ倍）に基づくしきい値機構により、誤検出率が低く安定した異常検出が可能になった。
• システムは、制御された5G NFVテストベッド環境において、自律的不具合検出と潜在的なロールバックの実現可能性を示した。
• フレームワークは拡張可能である：検出後、新たな正常動作パターンを訓練セットに追加することで誤検出を低減し、進化するネットワーク状態に適応できる。