答辩公告
我的位置在: 首页 > 答辩公告 > 正文
李晓灿博士预答辩公告
浏览次数:日期:2020-03-13编辑:院教务办

题目: 大规模网络测量与异常检测          预答辩人: 李晓灿

指导教师

谢鲲 教授

预答辩组长

杨金民 教授

学科专业

计算机科学与技术

学院

信息科学与工程学院

预答辩地点

在线

预答辩时间

20203131900

学位论文简介

网络测量与网络异常检测对于大规模网络运维十分关键,本项目拟研究稀疏表征技术以提高网络测量与异常检测的精度与速度,主要研究工作与贡献包括:

1.在实际的大规模网络测量任务中,对所有网络路径进行测量耗时耗力,而且数据传输丢失等原因会导致数据缺失。因此高精度的数据推测算法成为关键问题,本文提出了一种基于张量填充的测量调度算法,通过将张量分解中的三个因子矩阵训练过程转化为三分图的连通问题,进而将三分图中节点的度、网络实际测量代价、张量填充中病态问题等相互结合。挑选出需要采集的路径,并进行测量调度,最后高精度地恢复网络测量数据。

2.在实际的网络应用中,网络拓扑结构经常随着时间的变化而变化。因此,通过网络性能数据建模形成的张量模型也将随着时间的变化而变化,这给张量填充算法带来了很多麻烦,尽管可以直接将变化的张量模型切分成为多个子张量进行恢复,但是通过分析发现,这种切分方法会破坏数据之间的空间相关性与时间相关性。因此,本文提出了一种动态张量填充算法以解决动态变化的网络拓扑结构下的数据推测问题。

3.由于传统的异常检测算法通常针对离线网络数据进行分析以及异常定位,而缺乏在线的时效性,同时造成了较高的计算开销。因此本文提出了一种在线的张量填充算法来对网络性能数据进行在线异常检测,从而使得网络管理者能够实时定位网络异常。

4.现有的大部分张量恢复算法仅仅利用了数据内部的线性关系来进行张量填充,往往忽略了数据内部的非线性关系,如上班时间网络流量相对较高,而下班时间网络流量相对较低的点。为了利用数据内部的非线性关系,本文提出了一种基于流形学习的异常检测算法来利用网络数据内部的非线性关系以提高异常检测精度。

5.现有的张量恢复算法中,张量分解的计算开销较大,为了减少张量恢复算法在网络异常检测中的计算开销,本文提出了一种轻量级的张量恢复算法,通过在异常检测的过程中重用上一轮的计算结果来降低计算开销。

6.传统的张量分解算法(如TuckerHOSVD),由于SVD过程的存在,使得整个分解过程的时间开销非常大,这使其无法适用于异常检测算法,为了解决这一问题,本文拟提出一种连续截断的方法,来减少SVD过程中的计算规模的而不影响张量分解算法的精度。

 

 

主要学术成果

[1] Kun Xie, Xiaocan Li, Xin Wang, Gaogang Xie, Jigang Wen, Dafang Zhang, Active

Sparse Mobile Crowd Sensing Based on Matrix Completion, ACM SIGMOD 2019 (CCF A)

[2] Kun Xie, Xiaocan Li, Xin Wang, Gaogang Xie, Jigang Wen, Dafang Zhang, Graph based Tensor Recovery For Accurate Internet Anomaly Detection, IEEE INFOCOM 2018 (CCF A, acceptance rate of 19.2%)

[3] Kun Xie, Xiaocan Li, Xin Wang, Gaogang Xie, Jigang Wen, Jiannong Cao, Dafang

Zhang, Fast Tensor Factorization for Accurate Internet Anomaly Detection, IEEE/ACM Transactions on Networking, 2017, 25(6):3794 - 3807(CCF A)

[4] Kun Xie, Xiaocan Li, Xin Wang, Gaogang Xie, Jiannong Cao, Dafang Zhang, On

line Anomaly Detection with High Accuracy, IEEE/ACM Transactions on Networking, 2018, 26(3): 1222-1235 (CCF A)

[5] Kun Xie, Xiaocan Li, Xin Wang, Gaogang Xie, Dongliang Xie, Zhenyu Li, Jigang

Wen, Zulong Diao, Quick and Accurate False Data Detection in Mobile Crowd Sensing, IEEE INFOCOM 2019 (CCF A, acceptance rate of 19.7%)

[6] Xiaocan Li, Kun Xie, Xin Wang, Gaogang Xie, JigangWen, Guangxing Zhang,

Zheng Qin, Online Internet Anomaly Detection With High Accuracy: A Fast Tensor

Factorization Solution, IEEE INFOCOM 2019 (CCF A, acceptance rate of 19.7%)

[7] Xiaocan Li; Kun Xie, Xin Wang, Gaogang Xie, Dongliang Xie; , Zhenyu Li; jigang wen ; Zulong Diao; Tian Wang, Quick and Accurate False Data Detection in Mobile Crowd Sensing, , IEEE/ACM Transactions on Networking, 2020, (CCF A)