A YANG-aided Unified Strategy for Black Hole Detection for Backbone Networks

要約

インターネットのバックボーン ネットワークにおけるブラック ホール障害に対処することは非常に重要であるにもかかわらず、バックボーン ネットワークにおける効果的な検出戦略が不足しています。
これは主に、これまでの研究がモバイル アドホック ネットワーク (MANET) を中心にしていたためです。MANET はまったく異なるダイナミクス、プロトコル、トポロジの下で動作するため、その結果をバックボーン ネットワークに直接転送することはできません。
さらに、バックボーン ネットワークでのブラック ホール障害の検出は特に困難です。
考慮する必要がある条件が多岐にわたるため、包括的なネットワーク データが必要となり、データの収集と分析は決して簡単なものではありません。
このギャップに対処するために、私たちの研究では、ブラック ホール感応メトリック マトリックス (BHMM) 分析を備えた特殊な Yet Another Next Generation (YANG) データ モデルを使用した、バックボーン ネットワークでのブラック ホール検出のための新しいアプローチを導入しています。
このペーパーでは、ルーティング プロトコルと ISP 固有の構成に焦点を当て、ISP ネットワークにおけるブラック ホール検出に関連する 4 つの YANG モデルを選択および分析する方法について詳しく説明します。
これらのモデルから導出された当社の BHMM アプローチは、検出精度が 10% 向上し、パケット配信速度が 13% 向上したことを実証し、当社のアプローチの効率性を強調しています。
さらに、商用 ISP ネットワークと科学研究専用ネットワーク トポロジという 2 つの異なるネットワーク設定で、BHMM 分析を活用した機械学習アプローチを評価します。
この評価は、私たちの方法の実際的な適用性も示しており、両方の環境で大幅に改善された予測結果が得られます。

要約(オリジナル)

Despite the crucial importance of addressing Black Hole failures in Internet backbone networks, effective detection strategies in backbone networks are lacking. This is largely because previous research has been centered on Mobile Ad-hoc Networks (MANETs), which operate under entirely different dynamics, protocols, and topologies, making their findings not directly transferable to backbone networks. Furthermore, detecting Black Hole failures in backbone networks is particularly challenging. It requires a comprehensive range of network data due to the wide variety of conditions that need to be considered, making data collection and analysis far from straightforward. Addressing this gap, our study introduces a novel approach for Black Hole detection in backbone networks using specialized Yet Another Next Generation (YANG) data models with Black Hole-sensitive Metric Matrix (BHMM) analysis. This paper details our method of selecting and analyzing four YANG models relevant to Black Hole detection in ISP networks, focusing on routing protocols and ISP-specific configurations. Our BHMM approach derived from these models demonstrates a 10% improvement in detection accuracy and a 13% increase in packet delivery rate, highlighting the efficiency of our approach. Additionally, we evaluate the Machine Learning approach leveraged with BHMM analysis in two different network settings, a commercial ISP network, and a scientific research-only network topology. This evaluation also demonstrates the practical applicability of our method, yielding significantly improved prediction outcomes in both environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google