Machine learning to detect and locate configuration errors in network service providers
Apprentissage automatique pour la détection et la localisation d'erreurs de configuration dans un réseau d'opérateur
Résumé
Configuration verification in network operators is crucial for ensuring the quality and continuity of services provided to customers, such as virtual private networks (VPN) services. Traditional configuration verification methods have several limitations, particularly in terms of complexity and scalability. They generally rely on rules and constraints that need to be manually updated. These manual updates are time-consuming and do not guarantee completeness with respect to all possible configuration errors. Furthermore, these traditional methods struggle to adapt to network evolutions and specific customer needs. This thesis explores the use of machine learning methods to improve configuration verification in network service providers. The work presented in this thesis is divided into two main parts. The first part involves the application of supervised learning methods to detect and locate incidents related to configuration errors. The work carried out in this part allowed us to study the modeling of configuration data and to compare the performances of three different machine learning models: a classic decision tree model (DT), an ensemble method model (RF), and a neural network model (MLP). The second part addresses the issue of configuration verification. We proposed a graph neural network (GNN) approach to detect and locate routing configuration errors in BGP/MPLS layer 3 VPN networks. The results obtained demonstrate the potential of machine learning methods, particularly Graph Neural Networks, for improving configuration verification in network operators. They also underline some limitations and open up opportunities for improvement in future work.
La vérification de configuration dans les réseaux d'opérateurs constitue un enjeu crucial pour garantir la qualité et la continuité des services fournis aux clients, tels que le service de réseaux privés virtuels (VPN). Les méthodes classiques de vérification de configuration présentent plusieurs limites, notamment en termes de complexité et de passage à l'échelle. Elles sont généralement basées sur des règles et des contraintes qui doivent être mises à jour manuellement. La mise à jour manuelle de cette base de règles est très chronophage et ne garantit pas sa complétude par rapport à toutes les erreurs de configuration possibles. De plus, ces méthodes classiques ont des difficultés à s'adapter aux évolutions des réseaux et aux besoins spécifiques des clients. Cette thèse, intitulée "Apprentissage automatique pour la détection et la localisation d'erreurs de configuration dans un réseau d'opérateur", explore l'utilisation des méthodes d'apprentissage automatique pour améliorer la vérification de configuration des réseaux d'opérateurs. Le travail présenté dans cette thèse se divise en deux parties principales. La première partie consiste en l'application de méthodes d'apprentissage supervisé pour détecter et localiser les incidents liés à des erreurs de configuration. Le travail réalisé dans cette partie nous a permis d'étudier la modélisation des données de configuration et de comparer les performances de trois modèles d'apprentissage automatique différents : un modèle classique d'arbres de décision (DT), un modèle de méthodes d'ensemble (RF) et un modèle de réseaux de neurones (MLP). La seconde partie aborde la problématique de vérification de configuration. Nous avons proposé une approche basée sur les réseaux de neurones de graphes (GNN) pour détecter et localiser les erreurs de configuration de routage dans les réseaux VPN BGP/MPLS de niveau 3. Les résultats obtenus démontrent le potentiel des méthodes d'apprentissage automatique, en particulier les réseaux de neurones de graphes, pour améliorer la vérification de configuration dans les réseaux d'opérateurs. Ils soulignent également certaines limites et ouvrent des perspectives d'amélioration pour les travaux futurs.
| Origine | Version validée par le jury (STAR) |
|---|