We describe and experimentally evaluate the performance of our Network Link Outlier Factor (NLOF) for locating faults in communication networks. The NLOF is a unique outlier score assigned to each link in a network. It is computed using four distinct stages in a data analytics pipeline. The input to the pipeline are flow records (e.g., NetFlow) and network topology data (e.g., Link Layer Discovery Protocol (LLDP)). In the first stage, flow record throughput values are clustered in two sub-stages: using Density-Based Spatial Clustering of Applications with Noise (DBSCAN) and then our novel domain-specific ThroughPut Cluster (TPCluster) technique. In the second stage, flow outlier scores are determined within each cluster using a measure of proximity to a selected performance exemplar. In the third stage, flows are associated with network links using topology data. Finally, in the fourth stage the flow outliers are used to compute the outlier factor or score for each network link. The network link outlier scores are used with a detection rule to locate faults. We present the results of a wide set of Mininet experiments that appraise the fault detection/localization performance of NLOF. We find that NLOF allows for the detection of errors on edge links with a simple detection rule and the detection of errors on core links with a rule that includes topology relationships. NLOF is also compared to an abrupt change detection technique; while both have roughly the same detection power, the precision of NLOF is 42% higher and NLOF required 40% less time to detect failures on average.

中文翻译：

---

用于故障定位的网络链路异常因素（NLOF）

我们描述并实验评估了网络链路异常因素（NLOF）在通信网络中定位故障的性能。NLOF是分配给网络中每个链接的唯一异常值。它是使用数据分析管道中的四个不同阶段来计算的。流水线的输入是流记录（例如NetFlow）和网络拓扑数据（例如链路层发现协议（LLDP））。在第一阶段，流记录吞吐量值分为两个子阶段：使用基于密度的带噪声应用程序空间聚类（DBSCAN），然后使用我们新颖的领域特定的ThroughPut聚类（TPCluster）技术。在第二阶段中，使用对选定绩效样本的接近程度来确定每个聚类中的流量异常值。在第三阶段 流使用拓扑数据与网络链接关联。最后，在第四阶段中，使用流离群值来计算每个网络链路的离群值因子或得分。网络链接异常值与检测规则一起使用以定位故障。我们介绍了评估MiniGUI的故障检测/定位性能的一系列Mininet实验的结果。我们发现NLOF允许使用简单的检测规则来检测边缘链路上的错误，并使用包含拓扑关系的规则来检测核心链路上的错误。NLOF也与突变检测技术进行了比较。虽然两者的检测能力大致相同，但NLOF的精度平均提高了42％，NLOF所需的时间平均减少了40％。在第四阶段，流量离群值用于计算每个网络链路的离群值因子或得分。网络链接异常值与检测规则一起使用以定位故障。我们介绍了评估MiniGUI的故障检测/定位性能的一系列Mininet实验的结果。我们发现NLOF允许使用简单的检测规则来检测边缘链路上的错误，并使用包含拓扑关系的规则来检测核心链路上的错误。NLOF也与突变检测技术进行了比较。虽然两者的检测能力大致相同，但NLOF的精度平均提高了42％，NLOF所需的时间平均减少了40％。在第四阶段，流量离群值用于计算每个网络链路的离群值因子或得分。网络链接异常值与检测规则一起使用以定位故障。我们介绍了评估MiniGUI的故障检测/定位性能的一系列Mininet实验的结果。我们发现NLOF允许使用简单的检测规则来检测边缘链路上的错误，并使用包含拓扑关系的规则来检测核心链路上的错误。NLOF也与突变检测技术进行了比较。虽然两者的检测能力大致相同，但NLOF的精度平均提高了42％，NLOF所需的时间平均减少了40％。我们介绍了评估MiniGUI的故障检测/定位性能的一系列Mininet实验的结果。我们发现NLOF允许使用简单的检测规则来检测边缘链路上的错误，并使用包含拓扑关系的规则来检测核心链路上的错误。NLOF也与突变检测技术进行了比较。虽然两者的检测能力大致相同，但NLOF的精度平均提高了42％，NLOF所需的时间平均减少了40％。我们介绍了评估MiniGUI的故障检测/定位性能的一系列Mininet实验的结果。我们发现NLOF允许使用简单的检测规则来检测边缘链路上的错误，并使用包含拓扑关系的规则来检测核心链路上的错误。NLOF也与突变检测技术进行了比较。虽然两者的检测能力大致相同，但NLOF的精度平均提高了42％，NLOF所需的时间平均减少了40％。NLOF也与突变检测技术进行了比较。虽然两者的检测能力大致相同，但NLOF的精度平均提高了42％，NLOF所需的时间平均减少了40％。NLOF也与突变检测技术进行了比较。虽然两者的检测能力大致相同，但NLOF的精度平均提高了42％，NLOF所需的时间平均减少了40％。