Anomaly-Detection and Health-Analysis Techniques for Core Router Systems

این کتاب به مشکلات مهم تشخیص ناهنجاری و تجزیه و تحلیل وضعیت سلامت در سیستم‌های روتر هسته‌ای پیچیده می‌پردازد که در شبکه‌های پروتکل اینترنت (IP) امروزی یکپارچه است. تکنیک های توصیف شده اولین مجموعه جامع از راه حل های انعطاف پذیری مبتنی بر داده را برای سیستم های روتر اصلی ارائه می دهند. نویسندگان یک آشکارساز ناهنجاری را برای سیستم‌های روتر اصلی با استفاده از تحلیل سری‌های زمانی مبتنی بر همبستگی ارائه می‌کنند که مجموعه‌ای از ویژگی‌های یک سیستم مسیریاب هسته پیچیده را نظارت می‌کند. آنها همچنین طراحی یک آشکارساز ناهنجاری مبتنی بر نقطه تغییر را به گونه‌ای توصیف می‌کنند که تشخیص ناهنجاری می‌تواند با تغییرات در ویژگی‌های آماری جریان‌های داده سازگار باشد. این ارائه همچنین شامل یک تحلیلگر وضعیت سلامت مبتنی بر نماد است که ابتدا به عنوان یک دنباله نماد، سری زمانی پیچیده بلندمدت جمع آوری شده از تعدادی مسیریاب اصلی را رمزگذاری می کند و سپس از دنباله نماد برای تجزیه و تحلیل سلامت استفاده می کند. در نهایت، نویسندگان یک روش تکراری و خودآموز برای ارزیابی وضعیت سلامتی را توصیف می‌کنند.

• تشخیص ناهنجاری دقیق را با استفاده از تحلیل سری‌های زمانی مبتنی بر همبستگی فعال می‌کند.
• طراحی یک آشکارساز ناهنجاری مبتنی بر نقطه تغییر را ارائه می‌دهد؛
• شامل تجزیه و تحلیل وضعیت سلامت مبتنی بر نماد سلسله مراتبی است؛
• روشی تکراری و خودآموز برای ارزیابی وضعیت سلامتی.

This book tackles important problems of anomaly detection and health status analysis in complex core router systems, integral to today’s Internet Protocol (IP) networks. The techniques described provide the first comprehensive set of data-driven resiliency solutions for core router systems. The authors present an anomaly detector for core router systems using correlation-based time series analysis, which monitors a set of features of a complex core router system. They also describe the design of a changepoint-based anomaly detector such that anomaly detection can be adaptive to changes in the statistical features of data streams. The presentation also includes a symbol-based health status analyzer that first encodes, as a symbol sequence, the long-term complex time series collected from a number of core routers, and then utilizes the symbol sequence for health analysis. Finally, the authors describe an iterative, self-learning procedure for assessing the health status.

• Enables Accurate Anomaly Detection Using Correlation-Based Time-Series Analysis;
• Presents the design of a changepoint-based anomaly detector;
• Includes Hierarchical Symbol-based Health-Status Analysis;
• Describes an iterative, self-learning procedure for assessing the health status.