[论文解读] Neural Network Tomography

Liang Ma, Ziyao Zhang+1 more|arXiv (Cornell University)|Jan 9, 2020

Internet Traffic Analysis and Secure E-voting参考文献 79被引用 10

一句话总结

NeuTomography 提出了一种通用的、基于深度学习的网络探伤框架，仅通过采样节点对的端到端测量，即可推断未测量路径的性能指标并重建网络拓扑，无需依赖拓扑知识、协议支持或特定指标的假设。在最优采样条件下，其在性能预测和拓扑重建方面均达到最先进水平，FNR 和 FPR 均低于 4%。

ABSTRACT

Network tomography, a classic research problem in the realm of network monitoring, refers to the methodology of inferring unmeasured network attributes using selected end-to-end path measurements. In the research community, network tomography is generally investigated under the assumptions of known network topology, correlated path measurements, bounded number of faulty nodes/links, or even special network protocol support. The applicability of network tomography is considerably constrained by these strong assumptions, which therefore frequently position it in the theoretical world. In this regard, we revisit network tomography from the practical perspective by establishing a generic framework that does not rely on any of these assumptions or the types of performance metrics. Given only the end-to-end path performance metrics of sampled node pairs, the proposed framework, NeuTomography, utilizes deep neural network and data augmentation to predict the unmeasured performance metrics via learning non-linear relationships between node pairs and underlying unknown topological/routing properties. In addition, NeuTomography can be employed to reconstruct the original network topology, which is critical to most network planning tasks. Extensive experiments using real network data show that comparing to baseline solutions, NeuTomography can predict network characteristics and reconstruct network topologies with significantly higher accuracy and robustness using only limited measurement data.

研究动机与目标

• 解决现有网络探伤方法在强假设下（如已知拓扑、协议支持或可加性指标）的实际局限性。
• 开发一种通用框架，适用于可加性和非可加性性能指标，无需专用路由或测量工具。
• 仅通过少量节点对之间的端到端测量，实现对未测量路径性能指标的准确预测。
• 通过学习节点对与底层网络结构之间的非线性关系，从有限测量中重建网络拓扑。
• 通过主动性能边界估计实现的数据增强，提升模型的鲁棒性和泛化能力。

提出的方法

• NeuTomography 使用深度神经网络学习节点对与其端到端性能指标之间的非线性关系，从而实现对未测量路径的推断。
• 通过主动性能边界估计实现的数据增强，提升模型在有限训练数据下的泛化能力并减少过拟合。
• 通过从端到端测量中预测扩展的邻接矩阵来重建网络拓扑，无需事先了解网络结构。
• 模型仅基于源-目的节点对及其测量路径性能指标的输入-输出对进行训练，无需链路级或逐跳数据。
• 评估使用 FPR 和 FNR 作为拓扑重建准确性的指标，其中 FPR 衡量邻接矩阵中的假阳性，FNR 衡量假阴性。
• 该方法对指标类型（可加性或非可加性）保持无感知，可统一处理延迟、丢包和拥塞等多种性能特征。

实验结果

研究问题

• RQ1 能否在不依赖已知拓扑、协议支持或特定指标假设的前提下，通过深度学习框架推断未测量的网络性能指标？
• RQ2 仅使用少量端到端测量子集时，NeuTomography 能在多大程度上准确预测路径性能指标？
• RQ3 在有限测量条件下，NeuTomography 能在多大程度上重建原始网络拓扑？
• RQ4 在不同采样策略（如随机采样或基于监测器的选择）下，该框架的性能表现如何？
• RQ5 通过性能边界估计实现的数据增强对模型鲁棒性和预测准确性的提升效果如何？

主要发现

• 在随机采样条件下，当 30% 的节点对被测量时，NeuTomography 的拓扑重建 FNR 和 FPR 均低于 4%，表明重建精度极高。
• 对于 AS15706 等密集网络，即使仅使用一个测量集（m=1），也能实现准确的拓扑重建，表明在密集拓扑中具有更高的鲁棒性。
• 与 NMF 和 NeuMF 等基线方法相比，NeuTomography 在性能预测和拓扑重建方面均显著更优，准确率提升达数量级。
• 在使用监测器采样时，PAT（路径感知采样）策略在 m≥2 时可将 FNR 降低至 15% 以下，表明在真实测量约束下性能更优。
• 通过主动性能边界估计实现的数据增强显著提升了模型泛化能力并减少了过拟合，尤其在测量数据有限时效果明显。
• NeuTomography 对网络参数误差具有鲁棒性，并在可加性和非可加性性能指标上均保持高精度。