Nous aurons le plaisir d’écouter Francesco Bronzino et Loïc Desgeorges jeudi 11 avril à 15h00. Les exposés auront lieu en mode hybride, physiquement à l’ENS de Lyon salle M7.315 et en visioconférence  https://bigbluebutton2.ens-lyon.fr/b/fre-ek1-dfk-tzr  .

Loïc Desgeorges : Détection d’anomalies dans un contrôle de réseau centralisé et perspectives

L’architecture Software-Defined Networking (SDN) a été introduite dans l’objectif de proposer un contrôle centralisé. En conséquence, une seule entité est en charge du contrôle ce qui rend indispensable de garantir un contrôle sûr et sécurisé. On peut trouver dans la littérature des solutions multicontrôleurs renforçant la couche contrôle contre ces menaces. Cependant une telle architecture amène de nouvelles spécificités et pour assurer la cohérence entre les contrôleurs, une interface de communication entre eux est nécessaire. Cette interface constitue une menace pour la sécurité puisqu’un attaquant peut propager des informations malveillantes et erronées sur le réseau aux autres contrôleurs. Dans cet objectif, ces travaux visent à introduire une architecture de contrôle. Cette architecture est composée d’un contrôleur nominal et un observateur en charge de la détection d’anomalies dans les décisions prises par le contrôleur. Pour cela, seule l’activité de la commande est étudiée. Des spécifications, des propriétés temporelles et structurelles et enfin des modèles d’analyse de la vraisemblance des solutions sont proposés et comparés. Pour cela, un score de vraisemblance est associé aux observations et est déterminé selon une approche multicritères. Ici, deux critères ont été proposés : la performance des plans et la vraisemblance des routes. Les performances obtenues montrent que les méthodes proposées sont applicables, mais présentent des limites.


Francesco Bronzino: LEAF: Navigating Concept Drift in Cellular Networks

Operational networks commonly rely on machine learning models for many tasks, including detecting anomalies, inferring application performance, and forecasting demand. Yet, model accuracy can degrade due to concept drift, whereby the relationship between the features and the target to be predicted changes. Mitigating concept drift is an essential part of operationalizing machine learning models in general, but is of particular importance in networking’s highly dynamic deployment environments. In this work, we first characterize concept drift in a large cellular network for a major metropolitan area in the United States. We find that concept drift occurs across many important key performance indicators (KPIs), independently of the model, training set size, and time interval—thus necessitating practical approaches to detect, explain, and mitigate it. We then show that frequent model retraining with newly available data is not sufficient to mitigate concept drift, and can even degrade model accuracy further. Finally, we develop a new methodology for concept drift mitigation, Local Error Approximation of Features (LEAF). LEAF works by detecting drift; explaining the features and time intervals that contribute the most to drift; and mitigates it using forgetting and over-sampling. We evaluate LEAF against industry-standard mitigation approaches (notably, periodic retraining) with more than four years of cellular KPI data. Our initial tests with a major cellular provider in the US show that LEAF consistently outperforms periodic and triggered retraining on complex, real-world data while reducing costly retraining operations.