Self-driving networks represent the next step of network management techniques in the close future. A fundamental point for such an evolution is the use of Machine Learning based solutions to extract information from data coming from network devices during their activity. In this work we focus on a new type of data, available thanks to the definition of the novel SRv6 paradigm, referred to as SRv6 Traffic Counters (SRTCs). SRTCs provide aggregated measurements related to forwarding operations performed by SRv6 routers. In this work a detailed description of different SRTCs types (SR.INT, PISD, PSID.TM and POL) is provided and their relationships is formalized. The theoretical framework deployed is used to identify, on the basis of network configuration parameters of both SRv6 and IGP protocols, the minimum set of independent SRTCs to characterize the Network Status: we show that about the 80% of counters can be neglected with no information loss. We also apply our framework to two use cases: i) Traffic Matrix (TM) Assessment and ii) Traffic Anomaly Detection. For the TM assessment, we show that in a partially deployed SRv6 scenario a specific type of SRTCs, i.e., PSID, is more reliable than other ones; on the contrary, in a fully deployed scenario POL and PSID.TM counters provide the full TM knowledge. For the Traffic Anomaly Detection case, we show that known solutions based on link load measurements can be improved when integrating SRTCs information.

中文翻译：

---

利用分段路由计数器进行网络监控的理论框架

自动驾驶网络代表了不久的将来网络管理技术的下一步。这种演变的一个基本点是使用基于机器学习的解决方案从网络设备活动期间的数据中提取信息。在这项工作中，我们专注于一种新型数据，这要归功于新型 SRv6 范式的定义，称为 SRv6 流量计数器 (SRTC)。SRTC 提供与 SRv6 路由器执行的转发操作相关的聚合测量。在这项工作中，提供了不同 SRTC 类型（SR.INT、PISD、PSID.TM 和 POL）的详细描述，并正式确定了它们的关系。部署的理论框架用于根据 SRv6 和 IGP 协议的网络配置参数识别，表征网络状态的独立 SRTC 的最小集合：我们表明大约 80% 的计数器可以被忽略而不会丢失信息。我们还将我们的框架应用于两个用例：i) 交通矩阵 (TM) 评估和 ii) 交通异常检测。对于 TM 评估，我们表明在部分部署的 SRv6 场景中，特定类型的 SRTC，即 PSID，比其他类型更可靠；相反，在完全部署的场景中，POL 和 PSID.TM 计数器提供完整的 TM 知识。对于流量异常检测案例，我们展示了在集成 SRTC 信息时可以改进基于链路负载测量的已知解决方案。i) 交通矩阵 (TM) 评估和 ii) 交通异常检测。对于 TM 评估，我们表明在部分部署的 SRv6 场景中，特定类型的 SRTC，即 PSID，比其他类型更可靠；相反，在完全部署的场景中，POL 和 PSID.TM 计数器提供完整的 TM 知识。对于流量异常检测案例，我们展示了在集成 SRTC 信息时可以改进基于链路负载测量的已知解决方案。i) 交通矩阵 (TM) 评估和 ii) 交通异常检测。对于 TM 评估，我们表明在部分部署的 SRv6 场景中，特定类型的 SRTC，即 PSID，比其他类型更可靠；相反，在完全部署的场景中，POL 和 PSID.TM 计数器提供完整的 TM 知识。对于流量异常检测案例，我们展示了在集成 SRTC 信息时可以改进基于链路负载测量的已知解决方案。