Анализ состояния телекоммуникационных сетей с использованием графов знаний и управляемого автоматического машинного обучения

В последнее время в качестве модели телекоммуникационных сетей и для хранения данных об их состоянии используются графы знаний. Графы знаний позволяют объединить в рамках одной модели множество частных моделей информационных систем, эксплуатируемых операторами, что делает возможным совместный анализ данных из разных источников и, как следствие, обеспечивает повышение эффективности решения задач управления сетью. Граф знаний дает возможность решать сложные прикладные задачи. Наполнение графа знаний требует обработки больших объемов сырых данных. Для их обработки требуется использовать алгоритмы машинного обучения, что при построении таких моделей затруднено ввиду изменений конфигураций современных сетей во времени, что требует частой перенастройки алгоритмов машинного обучения. Кроме того, сами по себе алгоритмы автоматизированного машинного обучения имеют высокую вычислительную сложность. Цель исследования – разработать подход, обеспечивающий возможность использования автоматизированного машинного обучения (AutoML) для анализа поступающих от сети оперативных данных за счет использования возможностей мета-майнинга для управления выбором алгоритмов машинного обучения и подбором гиперпараметров. Был использован метод определения состояния телекоммуникационной сети с использованием управляемого машинного обучения и мета-майнинга с последующим построением модели сети в виде графа знаний. Был разработан подход, позволяющий обеспечить управляемое машинное обучение при построении моделей телекоммуникационных сетей в виде графа знаний, обладающий сниженной вычислительной сложностью за счет уменьшения числа алгоритмов-кандидатов, подаваемых на вход AutoML. Приведены постановка и решение задачи обработки данных, поступающих от телекоммуникационной сети, представлено описание системы мониторинга, основанной на использовании предлагаемого подхода. Применение подхода проиллюстрировано на примере решения задачи определения состояния сети оператора кабельного ТВ.

1. Krinkin K., Vodyaho A., Kulikov I., Zhukova N. Models of Telecommunications Network Monitoring Based on Knowledge Graphs. 9th Mediterranean Conference on Embedded Computing (MECO). 2020;1–7. DOI: 10.1109/MECO49872.2020.9134148.

2. Krinkin K., Kulikov I., Vodyaho A., Zhukova N. Architecture of a Telecommunications Network Monitoring System Based on a Knowledge Graph. 26th Conference of Open Innovations Association (FRUCT). 2020;231–239. DOI: 10.23919/FRUCT48808.2020.9087429.

3. Wählisch M. Modeling the network topology. In: Wehrle K., Güneş M., Gross J. (eds) Modeling and Tools for Network Simulation. Berlin, Springer; 2010. 565 p. DOI: 10.1007/978-3-642-12331-3_22.

4. Lallie H.S., Debattista K., Bal J. A review of attack graph and attack tree visual syntax in cyber security. Computer Science Review. 2020;35. DOI: 10.1016/j.cosrev.2019.100219.

5. Barik M., Sengupta A., Mazumdar C. Attack graph generation and analysis techniques. Defence Science Journal. 2016;66(6):559–567. DOI: 10.14429/dsj.66.10795.

6. Ou X., Singhal A. Attack graph techniques. In: Quantitative Security Risk Assessment of Enterprise Networks. SpringerBriefs in Computer Science. New York, Springer; 2012. 41 p. DOI: 10.1007/978-1-4614-1860-3_2.

7. Sandhu R. A perspective on graphs and access control models. Graph Transformations, ICGT 2004. Lecture Notes in Computer Science. 2004;3256. DOI: 10.1007/978-3-540-30203-2_2.

8. Lawall A., Schaller T., Reichelt D. Resource management and authorization for cloud services. Proceedings of the 7th International Conference on Subject-Oriented Business Process Management. ACM. 2015;18:1–8. DOI: 10.1145/2723839.2723864

9. Ionita C., Osborn S. Privilege administration for the Role Graph Model. Research Directions in Data and Applications Security. IFIP – The International Federation for Information Processing. 2003;128. DOI: 10.1007/978-0-387-35697-6_2.

10. Lumertz P.R., Ribeiro L., Duarte L.M. User interfaces metamodel based on graphs Journal of Visual Languages & Computing. 2016;32:1–34. DOI: 10.1016/j.jvlc.2015.10.026.

11. Arrue M., Vigo M., Abascal J. Including heterogeneous web accessibility guidelines in the development process. Engineering Interactive Systems. EHCI 2007. Lecture Notes in Computer Science. 2008;4940. DOI: 10.1007/978-3-540-92698-6_37.

12. Bizer C., Schultz A. The Berlin SPARQL benchmark. Int. J. Semantic Web Inf. Syst. 2009;5(2):1–24. DOI: 10.4018/jswis.2009040101.

13. Manna A., Alkasassbeh M. Detecting network anomalies using machine learning and SNMP-MIB dataset with IP group. 2nd International Conference on new Trends in Computing Sciences (ICTCS). 2019;1–5. DOI: 10.1109/ICTCS.2019.8923043.

14. Hutter F., Kotthoff L., Vanschoren J. (eds) Automated machine learning. The Springer Series on Challenges in Machine Learning. Cham, Springer; 2019. 220 p. DOI: 10.1007/978-3-030-05318-5.

15. Vanschoren J. Meta-Learning. In: Hutter, F., Kotthoff, L., Vanschoren, J. (eds) Automated Machine Learning. The Springer Series on Challenges in Machine Learning. Springer, Cham; 2019. 220 p. DOI: 10.1007/978-3-030-05318-5_2.

16. Wirth R., Hipp J. CRISP-DM: Towards a standard process model for data mining. Proc. of the 4th int. conf. PAKDD. 2000;1:29–39.

17. Thornton C., Hutter F., Hoos H., Leyton-Brown K. Auto-WEKA: Combined selection and hyperparameter optimization of classification algorithms. KDD. 2012. DOI: 10.1145/2487575.2487629.

18. Feurer M., Klein A., Eggensperger K., Springenberg J., Blum M., Hutter F. Auto-sklearn: efficient and robust automated machine learning. In: Hutter, F., Kotthoff, L., Vanschoren, J. (eds) Automated Machine Learning. The Springer Series on Challenges in Machine Learning. Cham, Springer; 2019. 220 p. DOI: 10.1007/978-3-030-05318-5_6.

19. LeDell E. H2O AutoML: scalable automatic machine learning. 7th ICML Workshop on Automated Machine Learning. 2020.

20. Hutter, F., Kotthoff, L., Vanschoren, J. (eds) Automated Machine Learning. The Springer Series on Challenges in Machine Learning. Cham, Springer; 2019. DOI: 10.1007/978-3-030-05318-5_2.

21. Wirth R., Hipp J. CRISP-DM: Towards a standard process model for data mining. Proc. of the 4th int. conf. PAKDD. 2000;1:29–39.

22. Krinkin K., Vodyaho A., Kulikov I., Zhukova N. Method of multilevel adaptive synthesis of monitoring object knowledge graphs. Applied Sciences. 2021;11(14):6251. DOI: 10.3390/app11146251.

23. Krinkin K., Vodyaho A. Kulikov I., Zhukova N. Deductive synthesis of networks hierarchical knowledge graphs. International Journal of Embedded and Real-Time Communication Systems (IJERTCS). 2021;12(3):32–48. DOI: 10.4018/IJERTCS.2021070103.

24. van der Ham J.J. A semantic model for complex computer networks: the network description language. Thesis. Citeseer; 2010. 154 p.

25. Qiao X., Li X., Fensel A., Su F.. Applying semantics to Parlay-based services for telecommunication and Internet networks. Open Computer Science. 2011;l(4):406–429. DOI: 10.2478/s13537-011-0029-6.

26. Cleary D., Danev B., O’Donoghue D. Using ontologies to simplify wireless network configuration. FOMI; 2005.

27. Villalonga C., Strohbach M., Snoeck N., Sutterer M., Belaunde M., Kovacs E., Zhdanova A.V., Goix L.W., Droegehorn O. Mobile ontology: Towards a standardized semantic model for the mobile domain. International Conference on Service-Oriented Computing. 2007;248–257. DOI 10.1007/978-3-540-93851-4_25.

28. Barcelos P.P.F., Monteiro M.E., Simoes R. de M., Garcia A.S., Segatto M.E.V. Ootn-an ontology proposal for optical transport networks. IEEE ICUMT. 2009;1–7. DOI: 10.1109/ICUMT.2009.5345459.

29. Uzun A., Kupper A. OpenMobileNetwork: extending the web of data by a dataset for mobile networks and devices. ACM ICSS. 2012;17–24. DOI: 10.1145/2362499.2362503.

30. Zhou Q., Gray A.J.G., McLaughlin S. ToCo: An ontology for representing hybrid telecommunication networks. The Semantic Web. ESWC 2019. Lecture Notes in Computer Science. 2019;11503. DOI: 10.1007/978-3-030-21348-0_33.

31. Wirth R., Hipp J. Crisp-dm: Towards a standard process model for data mining. Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining. 2000;1:29–39.

32. Panov P., Soldatova L., Dzeroski S. Ontodm-kdd: ontology for representing the knowledge discovery process. Int. Conf. on Discovery Science. 2013;126–140. DOI: 10.1007/978-3-642-40897-7_9.

33. Alkasassbeh M. AN-SNMP Dataset. 2016. DOI: 10.13140/RG.2.2.26384.30721.

34. Kulikov I., Vodyaho A., Stankova E., Zhukova N. Ontology for knowledge graphs of telecommunication network Monitoring systems. Computational Science and Its Applications – ICCSA 2021. ICCSA 2021. Lecture Notes in Computer Science. 2021;12956. DOI: 10.1007/978-3-030-87010-2_32.