E03

ネットワーク・セキュリティ/安心につながる

Network, security

機械学習のネットワークへの応用

Application of Machine Learning on Networking

時空間深層学習モデルによるネットワークトラフィックの補間推定

Spatio-Temporal Deep Learning Model for Network Traffic Imputation

代表者名

レ・ティエン・タイン

Le Tien Thanh

共同発表者名

レ・バン・アン、計 宇生

Le Van An, Yusheng Ji

所属分野

アーキテクチャ科学研究系

Information Systems Architecture Science Research Division

pdf-image

要旨

多くの多変量時系列データに欠損があるように、ネットワークトラフィックデータも測量の制限により一部のデータが欠けている場合が多い。トラフィックデータに欠損が生じると、それらのデータを用いたネットワーク制御の性能に悪影響を与える。これまでの研究では時間的特性と多変量間の相互作用を正確に捉えることに限界があった。本発表では、CRINDと呼ばれる深層学習モデルを用いて、ネットワークトラフィックにおける欠損データの補間を行う研究について紹介する。テンソル階数分解から着想を得たCRINDは双方向LSTMと畳込み操作の2つの部分から構成され、部分的に得られたデータから時空間相関関係を抽出することが可能である。実際のネットワークトラフィックデータを使った実験では、CRINDモデルは既存の方法よりも低い推定誤差が得られている。

Missing values appear in most of multivariate time series especially in the monitored network traffic data due to high measurement cost. In the networking fields, the problem of missing values prevents the advanced analysis and downgrades the performance of downstream applications such as traffic engineering or abnormally detection. Despite the great potential, existing data recovery approaches based on tensor decomposition and deep learning techniques have shown limitations in addressing missing values of traffic data due to its dynamic behavior.

In this poster, we presents our proposed method for filling the missing values of the network traffic data and multivariate time series in general called CRIND. Inspired by the tensor decomposition, CRIND includes a neural network models, which is constructed by bidirectional long short-term memory blocks and 1D convolutional blocks placed in parallel. Thus, CRIND can efficiently leverage both the temporal and spatial correlation in the partial observed data concurrently. We have conducted extensive experiments to evaluate our model by using four different datasets, various missing ratios and scenarios. The experiment results show that CRIND achieves significantly low recovery error compared to recently proposed methods.

関連動画