Un système adaptatif pour l’autodiagnostic de pannes dans les réseaux de communication dans un contexte de trafic chiffré de données

An adaptive system for troubleshooting network issues in the context of encrypted data traffic

• Auteur / Autrice : Van-Van Tong
• Direction : Abdelhamid Mellouk, Sami Souihi
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 13/12/2021
• Etablissement(s) : Paris 12
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Images, Signaux et Systèmes Intelligents (Créteil) - Laboratoire Images- Signaux et Systèmes Intelligents / LISSI
• Jury : Président / Présidente : Abderrahim Benslimane
• Jury : Examinateurs / Examinatrices : Abdelhamid Mellouk, Sami Souihi, Jean-Philippe Georges, Farid Naït-Abdesselam, Houda Labiod, Djamal Zeghlache
• Jury : Rapporteurs / Rapporteuses : Jean-Philippe Georges, Farid Naït-Abdesselam

Mots clés

Mots clés contrôlés

Intelligence artificielle

SDN (architecture des réseaux d'ordinateurs)

Mots clés libres

Intelligence artificielle

Qualité d’expérience

Services Opérateurs

Protocole QUIC

Sdn

Troubleshooting

Artificial Intelligence

QUIC protocol

Service Operator

Artificial Intelligence

Sdn

Troubleshooting

Résumé

Le réseau Internet est devenu de plus en plus complexe en raison du nombre croissant de périphériques réseau, des divers services multimédias et de la prévalence du trafic chiffré. Dans ce contexte, les solutions de gestion conventionnelles ne sont plus adaptées notamment en raison des problèmes d'évolutivité, de la complexité temporelle élevée et de la présence du trafic chiffré. Dans le cadre de cette thèse, nous proposons une nouvelle architecture de gestion et de dépannage du réseau de transport efficace et adaptée aux problématiques liées au chiffrement du trafic. Cette architecture contient cinq modules principaux: la collecte de données, la détection d'anomalies, la résolution temporaire des problèmes, l’analyse des causes profondes et la résolution graduelle. Le 1er module est composé de deux sous-modules: la mesure des paramètres et la classification du trafic. Ils permettent de collecter des paramètres du réseau en temps réel qui sont ensuite mis à disposition des autres modules. À cet effet, nous avons construit et fourni une base de données libre et publique qui contient un ensemble d’échantillons pouvant servir à la mise en œuvre d’outils de dépannage des réseaux. De même, nous proposons une nouvelle approche de classification du trafic pour identifier des classes d'applications dans le contexte d’un trafic chiffré. Celles-ci sont ensuite analysées pour identifier automatiquement les anomalies du réseau et déclencher ainsi différents modules pour la prise en charge de ces dysfonctionnements:i) Le module de résolution temporaire: construit autour d’un mécanisme de routage par segment basé sur la qualité d'expérience (QoE), il vise à réduire les impacts négatifs des anomalies et utilise une méthode d’apprentissage par renforcement.ii) Le module d'analyse et de résolution des causes profondes : la congestion du réseau est considérée ici comme un cas d’usage. Un algorithme adaptatif est proposé pour sa résolution. L’architecture proposée est mise en œuvre et validée dans des environnements de type SDN (Software-Defined Networking) en utilisant les contrôleurs ONOS.

Nowadays, the Internet network is becoming more and more complex due to an ever-increasing number of network devices, various multimedia services and the prevalence of encrypted traffic. Conventional troubleshooting solutions are no longer adequate due to the scalability issues, the high time complexity, the encrypted traffic, etc. Therefore, we propose a novel efficient troubleshooting architecture adapted to the context of encrypted traffic. This architecture contains five main modules: data collection, anomaly detection, temporary remediation, root cause analysis and definitive remediation. The first module is composed of two submodules: parameter measurement and traffic classification. The parameter measurement submodule allows collecting time-series network parameters that are made available to other modules. For this purpose, we built and publicly provided an open dataset that can be used to implement network troubleshooting approaches. In addition to the network parameters, we propose a novel traffic classification approach to identify application classes in the context of encrypted traffic. The network parameters are analyzed to automatically identify the network anomalies and trigger remediation modules:i) The temporary remediation module: built a Quality of Experience (QoE) based segment routing mechanism using reinforcement learning method, which aims to reduce the negative impacts of anomalies.ii) The root cause analysis and definitive remediation modules: Network congestion is considered here as a use case. An adaptive algorithm is proposed for its remediation.This architecture is implemented and validated in SDN (Software-Defined Networking) environments using ONOS controllers.