Surveillance du réseau basée sur les données Web : de l'estimation de performance à la détection d'anomalies

Web-based data driven network monitoring : from performance estimation to anomaly detection

• Auteur / Autrice : Imane Taibi
• Direction : Gerardo Rubino, Chadi Barakat
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 19/09/2022
• Etablissement(s) : Rennes 1
• Ecole(s) doctorale(s) : MATHSTIC
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Rennes, Bretagne-Atlantique) - Institut national de recherche en informatique et en automatique (France). Unité de recherche (Rennes, Bretagne-Atlantique) - DIONYSOS
• Jury : Président / Présidente : Guillaume Urvoy-Keller
• Jury : Examinateurs / Examinatrices : Isabelle Chrisment, Yassine Hadjadj Aoul
• Jury : Rapporteurs / Rapporteuses : Pascal Lorenz, Abdelhamid Mellouk‎

Mots clés

Mots clés contrôlés

Détection des anomalies (informatique)

Web

Mots clés libres

Web

Mesures passives

Surveillance du réseau

Détection d'anomalies

CNN

Web

Passive measurements

Network monitoring

Anomaly detection

CNN

Résumé

L’objectif de cette thèse est de tirer parti des mesures passives librement disponibles dans le navigateur et des techniques d’apprentissage profond pour inférer la performance du réseau et détecter les anomalies. Nous commençons par déduire les principales propriétés du réseau sous-jacent à partir de mesures de performance Web, en se basant sur des mesures passives obtenues à partir du navigateur. Nous utilisons le Machine Learning pour calibrer les algorithmes qui permettent une telle inférence. En comparant des algorithmes du deep learning à des algorithmes ML classiques comme Random Forest, nous soulignons la faisabilité de la tâche, mais aussi sa complexité, d’où le besoin d’algorithmes d’apprentissage profond sophistiqués tels que les réseaux de neurones convolutionnels (CNN). Ensuite, nous étudions et examinons l’impact de la complexité du Web sur l’estimation de deux paramètres spécifiques, le délai et la bande passante de téléchargement. De plus, nous proposons un framework intégré pour comparer notre approche avec les solutions de surveillance web existantes. Plus tard, nous proposons un système de surveillance réseau original basé sur des modèles de mélanges gaussiens bayésiens (BGMM) couplés à un algorithme pour détecter en temps réel l’apparition d’anomalies.

The goal of this thesis is to leverage passive measurements freely available in the browser and deep learning techniques to infer network performance and detect anomalies. We start by inferring the main properties of the underlying Network from web performance metrics based on passive measurements obtained from within the browser. We use machine learning to calibrate algorithms that allow such inference. By comparing deep learning algorithms to classical ML algorithms like Random Forest, we highlight the feasibility of the task but also its complexity hence the need for sophisticated deep learning algorithms such as convolutional neural networks (CNN). Then we study and examine the impact of web complexity on estimating two specific metrics, delay and download bandwidth. Moreover, we propose an integrated framework to compare our approach with existing web-based monitoring solutions. Later, we propose an original network monitoring framework based on Bayesian Gaussian Mixture Models (BGMM) coupled with an algorithm to detect in real-time the occurrence of anomalies.