Emprego de NFV e aprendizagem de máquina para detectar e mitigar anomalias em redes definidas por software

Abstract

Uma rede de computadores é dita resiliente quando consegue manter níveis adequados de operação mesmo frente a anomalias, minimizando prejuízos aos usuários. Este trabalho propõe uma coordenação harmônica de diferentes técnicas a fim de promover resiliência para diferentes tipos de anomalias em redes definidas por software (SDN). Em especial, propõe-se que métricas de rede sejam coletadas e agrupadas em perfis, e cada perfil tenha um conjunto de ações que trate os problemas encontrados usando aprendizagem de máquina, virtualização de funções de rede (NFV) e controlador SDN. São abordadas anomalias tipicamente maliciosas, como ataques de negação de serviço, mas também benignas, como balanceamento de tráfego legítimo.

A computer network is said to be resilient when it is able to keep appropriate levels of operation even against anomalies, minimising damage to users. This work proposes a harmonic coordination of different techniques in order to promote resilience for different kinds of anomalies in software-defined networks (SDN). In particular, it is proposed the gathering of network metrics and their grouping into profiles, each one having a set of actions to handle the encountered problems using machine learning, network functions virtualisation (NFV) and the SDN controller. Typically malicious anomalies are addressed, like denial of service attacks, as well as benign anomalies, such as legit traffic load balancing.