L’IA peut-elle détecter une panne internet silencieuse avant qu’elle ne survienne ?

infohightech ·

Crédit : Unsplash/CC0 Domaine public

Internet peut subir un type de panne étrange : un routeur semble fonctionner normalement, mais perd silencieusement certains paquets de données. Les ingénieurs réseau appellent ces problèmes des « trous noirs ». Dans ces cas-là, les données entrent sur le réseau, mais une partie disparaît sans que le routeur n’en informe le réseau ni l’expéditeur. Souvent, ces problèmes passent inaperçus jusqu’à ce que les utilisateurs rencontrent des problèmes de connexion ou des pertes de données.

Des chercheurs de l’Université technique d’Istanbul (ITU) ont mis au point une méthode basée sur l’intelligence artificielle pour identifier les signes avant-coureurs de défaillances silencieuses dans les réseaux. Cette approche vise à passer de la simple détection des pertes de paquets à la reconnaissance des indicateurs précoces de défaillances potentielles.

Publiée dans IEEE Transactions on Network and Service Management , cette étude intègre diverses techniques d’apprentissage automatique pour surveiller l’évolution du trafic du réseau dorsal au fil du temps. Au lieu de se contenter de repérer les problèmes évidents, elle détecte des signaux d’alerte subtils, parfois difficiles à distinguer de l’activité normale du réseau.

Si elle était perfectionnée pour une utilisation opérationnelle, cette méthode de prévision pourrait offrir aux opérateurs de réseau un délai plus long pour enquêter sur les problèmes, rediriger le trafic ou prendre des mesures préventives avant que les utilisateurs ne subissent une perte de connectivité.

Quand des feux de circulation d’apparence normale posent problème

Les trous noirs sont difficiles à prévoir car ils ne présentent souvent aucun signe avant-coureur clair. Une augmentation soudaine et importante du trafic réseau est généralement facile à repérer comme anormale.

Cependant, d’autres problèmes sont plus subtils. Par exemple, une mesure de trafic peut sembler normale prise individuellement, mais paraître suspecte si elle est effectuée à une heure inhabituelle ou si elle s’écarte de manière inattendue du trafic environnant. De plus, des mesures individuelles peuvent sembler normales, mais combinées, elles peuvent former un schéma inhabituel. On parle alors d’anomalies ponctuelles, contextuelles et collectives.

Les recherches antérieures sur les « trous noirs » du réseau principal ciblaient des comportements anormaux spécifiques, mais la nouvelle approche vise à intégrer les trois types au sein d’un système prédictif unique. Ce système ne se contente pas de rechercher les problèmes évidents, mais évalue également si l’activité actuelle correspond aux tendances de trafic récentes. Cela permet de détecter des signaux d’alerte qui pourraient passer inaperçus dans un trafic réseau d’apparence normale.

Tirer des leçons des échecs difficiles à voir

Prédire les trous noirs est complexe car il est difficile de recueillir des exemples confirmés. Les trous noirs causés par des défaillances matérielles, des erreurs de configuration, des problèmes de routage ou des erreurs d’implémentation surviennent souvent sans notification claire, ce qui limite les données historiques disponibles. Pour pallier ce problème, les chercheurs ont développé une méthode qui apprend à partir du trafic réseau non étiqueté.

Au lieu d’obliger les ingénieurs à étiqueter des milliers d’instances comme « normales » ou « trous noirs », le système détecte les comportements inhabituels directement dans le trafic.

Le processus se déroule en plusieurs étapes : tout d’abord, les anomalies les plus flagrantes sont identifiées. Au lieu de les supprimer, elles sont temporairement atténuées afin d’aider l’IA à comprendre les schémas de trafic typiques au fil du temps. Ensuite, les séquences sont analysées pour déceler des signaux d’alerte subtils qui n’apparaissent que dans leur contexte. Techniquement, ce modèle de prévision en trois étapes combine le clustering, l’analyse de séries temporelles et l’apprentissage profond.

Tester l’approche sur le trafic réseau

Les chercheurs ont testé leur méthode en utilisant à la fois le trafic réel des réseaux dorsaux des fournisseurs d’accès Internet et des ensembles de données de réseaux publics reconnus. Leur ensemble de données réelles comprenait 17 280 observations effectuées toutes les cinq minutes pendant 60 jours. Étant donné que les incidents de type « trou noir » sont intrinsèquement difficiles à détecter et à identifier, ces données n’ont pas permis d’établir une liste définitive de trous noirs connus à des fins de validation.

Pour établir des points de repère quantitatifs, ils ont également utilisé deux ensembles de données d’anomalies de réseau étiquetés bien connus, UNSW-NB15 et ToN_IoT, en les convertissant au format de séries temporelles afin que les performances de leur modèle puissent être comparées à d’autres méthodes de détection d’anomalies non supervisées.

Ces jeux de données publics présentent différents types d’activités réseau anormales et malveillantes, et non de véritables incidents de type « trou noir », ce qui est important pour l’interprétation des résultats. Sur les jeux de données étiquetés, leur approche a atteint un taux de détection de 98 % et un score F1 d’environ 90 %, surpassant ainsi les performances des autres modèles de prévision non supervisés utilisés dans la comparaison.

L’équipe a également testé sa méthode sur des données réelles non étiquetées de fournisseurs d’accès Internet. Les expériences ont montré que leur approche par fenêtre glissante permettait d’identifier les pics de consommation d’Internet peu avant leur apparition, dans une fenêtre de prévision de cinq minutes.

« Le problème avec ces pannes, c’est que rien ne semble nécessairement défectueux. Un routeur peut continuer à fonctionner pendant que des paquets disparaissent discrètement ; ainsi, lorsque le problème devient évident, les utilisateurs peuvent déjà être affectés. Notre objectif est de faire évoluer la gestion du réseau vers la prédiction des pannes plutôt que vers une simple réaction », a déclaré Kiymet Kaya, auteur principal de l’étude.

De la réaction à l’anticipation

Les chercheurs considèrent ces travaux comme une étape vers le développement de systèmes de gestion de réseau capables d’identifier les problèmes émergents plutôt que de simplement signaler les pannes après qu’elles se soient produites.

Avec un préavis suffisant, les opérateurs de réseau pourraient examiner un routeur affecté, rediriger le trafic ou prendre d’autres mesures préventives avant qu’un trou noir ne provoque une interruption prolongée des communications.

Toutefois, l’étude ne prouve pas encore que le système puisse prévenir les pannes d’Internet réelles. Son efficacité peut varier en fonction du réseau et des données d’entraînement, et des modifications de l’infrastructure réseau pourraient nécessiter un réentraînement du modèle.

Les recherches futures devraient examiner cette approche sur un plus large éventail de types et de structures de réseaux, explorer le réentraînement automatisé à mesure que les réseaux évoluent et intégrer des techniques d’IA explicables pour aider les opérateurs à comprendre pourquoi certains schémas de trafic sont signalés comme suspects.

L’objectif final est de passer de la détection des pertes de paquets à la reconnaissance des premiers signes avant-coureurs de pannes potentielles, améliorant ainsi la gestion des problèmes de réseau difficiles à détecter.

https://ieeexplore.ieee.org/document/11045829

https://dx.doi.org/10.1109/tnsm.2025.3581557

Cet article vous a été utile ? Partagez-le.