王兆堃，陈前斌，唐 伦，王威丽

(1.重庆邮电大学 通信与信息工程学院，重庆 400065；2.重庆邮电大学 移动通信重点实验室，重庆 400065)

0 引 言

网络切片将一个物理网络划分为多个虚拟网络，每个虚拟网络都可以针对特定类型的应用程序或用户进行定制和优化，根据不断变化的用户需求将共享的物理网络资源动态高效地分配给各逻辑网络切片[1]。软件定义网络(software defined network, SDN)和网络功能虚拟化(network function virtualization, NFV)等技术，可以为运营商提供创建多个虚拟网络切片所需的可编程、灵活和模块化特性[2]。网络切片由虚拟网络功能(virtual network function, VNF)根据用户场景或业务模型进行组合，形成有序的VNF集合，即服务功能链(service function chain, SFC)。

网络切片增加了网络管理的复杂性，尤其是在大量网络切片的情况下，因此，对网络切片的自动化管理至关重要。实现网络切片的自动化管理，首先要能够迅速检测到网络切片中的异常。

文献[3]对比了基于机器学习的异常检测算法在NFV场景下的性能，证明了算法对VNF异常检测的有效性，但算法易受老化效应影响，模型不能及时更新会导致算法检测准确率出现明显的恶化。文献[4]通过分析服务功能链中相邻VNF各项观测数据的相关性，来推断SFC的运行状态。文献[5]提出了一种基于反馈告知机制的主动探测方法，通过探测包与VNF节点的告知信息判断SFC中异常发生的位置。文献[6]将基于多元线性回归和马氏距离的异常检测方法应用于NFV场景下的VNF异常检测，但该方法对特征指标的选择有较高要求，同时需要设定检测阈值。……