Une nouvelle architecture d'automatisation des réseaux : de la détection d'anomalie à la reconfiguration dynamique

A novel network automation architecture : from anomaly detection to dynamic reconfiguration

• Auteur / Autrice : Alessio Diamanti
• Direction : Stefano Secci, José Manuel Sánchez Vílchez
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 21/12/2021
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Centre d'études et de recherche en informatique et communications (Paris) - Centre d'études et de recherche en informatique et communications (Paris)
• Partenaire(s) de recherche : établissement de préparation de la thèse : Conservatoire national des arts et métiers (France ; 1794-....)
• Jury : Président / Présidente : Thi-Mai-Trang Nguyen
• Jury : Examinateurs / Examinatrices : Stefano Secci, José Manuel Sánchez Vílchez, Thi-Mai-Trang Nguyen, Adrien Lebre, Philippe Owezarski, Keun-Woo LIM, Roberto Riggio, Navid Nikaein
• Jury : Rapporteurs / Rapporteuses : Adrien Lebre, Philippe Owezarski

Mots clés

Mots clés contrôlés

Apprentissage supervisé (intelligence artificielle)

Ressource Description Framework (informatique)

Résolution de problème -- Informatique

Mots clés libres

Automatisation des réseaux

Détection d'anomalies

Reconfiguration

NFV

Machine learning

Network automation

Anomaly detection

Reconfiguration

NFV

Machine learning

Résumé

Les technologies de softwarisation des réseaux entraînent de nouvelles architectures de réseau qui remettent en question les systèmes de gestion des défaillance existants et la caractérisation de la résilience. En effet, la coordination entre les différents composants logiciels pour, par exemple, l’orchestration, la commutation et la gestion des machines virtuelles et des conteneurs, implique différents points de supervision et de nouvelles sources de défaillance et de bogues. Dans cette thèse, nous proposons un framework d’automatisation de réseau qui détecte les anomalies et caractérise l’état de résilience d’un service de réseau virtualisé. Un algorithme bas´e sur les Long Short Term Memory Autoencoder analyse une série temporelle multidimensionnelle construite à partir de centaines de métriques collectées au niveau des couches physique, virtuelle et de service. Il apprend les conditions de fonctionnement nominales de l’infrastructure, sur la base desquelles les déviations (anomalies) par rapport à la référence apprise sont détectées et analysées. Le framework produit une caractérisation des déviations utilisée pour élaborer le graphe d’état et la visualisation sous forme de radiographie. Tandis que cette dernière visualise de manière compacte la propagation des anomalies à travers les trois couches composant un réseau virtualisé, le graphe d’état vise à établir l’état de résilience de la plateforme comme base d’un algorithme de réorchestration qui s’appuie sur une nouvelle technique de gestion de la résilience basée sur la réputation. Le framework est implémenté et validé par des tests expérimentaux sur la plateforme Kubernetes hébergeant un services de coeur de réseau virtualisé conteneurisé et open-source.

Legacy and novel network services are expected to be migrated and designedto be deployed in fully virtualized environments which lead to novel network architecturesthat challenge legacy fault management systems and resilience characterization. Indeed, thecoordination among the different software components for, e.g., orchestration, switching, andvirtual machine and container management creates different monitoring points, besides novelsources of faults and bugs. In this thesis, we propose a network automation framework thatdetects anomalies and characterizes the resiliency state of a virtualized network service. ALong-Short-Term-Memory-Autoencoder-based algorithm analyzes a multidimensional timeseriesbuilt from hundreds of metrics collected at the physical, virtual, and service layers.It learns the nominal working conditions of both the infrastructure and the service, and foreach type of resource (i.e., CPU, network, memory, and disk); it then detects and analyzesdeviations (anomalies) from the learned reference. The produced deviations characterizationis finally used to generate both the transition state graph and the innovative radiographyvisualization. The latter compactly visualizes the propagation of anomalies across all thelayers down from the physical and up to the service, highlighting the temporal evolutionas well. The former aims at establishing the virtualized platform state as the basis for are-orchestration algorithm that leverages a novel reputation-based resiliency managementtechnique. We implement and validate the proposed framework through experimental tests onthe Kubernetes platform hosting a containerized, open-source, and virtualized network core service.