![]()
![]()
研究团队
孙乐, 王月缘, 任勇军: 南京信息工程大学 江苏省大气环境与装备技术协同创新中心
Feng XIA：澳大利亚皇家墨尔本理工大学计算技术学院
文章下载
Sun L, Wang Y Y, Ren Y J, et al. Path signature-based XAI-enabled network time series classification. 2024, 67(7): 170305, doi: 10.1007/s11432-023-3978-y![]()
网络时间序列分类在自动化网络管理和确保网络空间安全中扮演着至关重要的角色。它能够有效地检测异常、识别网络攻击，并监测网络性能问题，为网络保护和优化提供有力支持。然而，在处理现代通信网络中的网络时间序列时，我们面临着诸多挑战。这些挑战包括处理大规模且复杂的网络时间序列数据、从庞杂的数据集中提取关键特征，以及满足对算法结果可解释性的要求。在复杂的5G网络中，这些挑战尤为突出。值得一提的是，对于5G及更高版本网络自动化的广泛部署，可解释性显得尤为重要。然而，现有基于深度学习的模型存在着一定的问题，主要体现在模型结构和训练过程的不透明性，从而导致了“黑匣子”问题的出现。这包括了分类机制不明确以及决策标准缺失等方面的困扰，使得用户难以对模型建立充分的信任。因此，解决这些问题对于实现网络自动化管理和确保网络安全至关重要。
为了解决上述问题，本文提出了一种基于路径签名的网络时间序列分类模型，称为循环签名（RecurSig）。该模型旨在利用深度学习技术来解决耗时的特征选择问题，并提供了一种解决方案来解决与网络自动化系统中深度学习模型相关的"黑匣子"问题。RecurSig包括两个主要组件：特征增强模块 (Verbe) 和签名递归神经网络 (SigRNN)。Verbe是基于一维卷积神经网络的数据增强模块，它通过增强原始数据并保留其固有的流属性来改善模型性能。SigRNN是一种新颖的支持可解释人工智能的特征提取模块，它将时间序列转换为多维路径并计算可解释的签名特征，从而提高了模型的可解释性和准确性。本文的创新点如下：
(1) 我们将可解释的特征提取技术融入深度神经网络中，构建了名为RecurSig的网络时间序列分类模型。该模型能够自动从网络时间序列数据中提取可解释的时空特征，它解决了耗时的特征提取问题以及与深度学习相关的黑盒问题。
(2) 我们提出了Verbe模块和SigRNN模块来提取可解释的特征。Verbe有助于缓解因截断签名而导致的信息丢失问题。SigRNN解决了路径签名破坏数据的流式性质的问题。通过应用多个签名提取层，可以全面捕获可解释的时空特征，从而提高模型的性能和可解释性。
(3) 我们使用了六个公共数据集进行了广泛的实验，以验证RecurSig的有效性和鲁棒性。结果显示，相较于不支持可解释性的深度神经网络模型，RecurSig在网络时间序列分类任务中取得了更高的准确度。此外，我们还将该模型成功地迁移到了一般时间序列分类任务中，实现了令人满意的分类精度。这些实验证明了RecurSig模型在实际应用中的潜力和可靠性。本文基于六个真实数据集进行的广泛实验表明，RecurSig 在准确性和可解释性方面超越了现有模型。下图对比了RecurSig与六个基线模型的结果。RecurSig凭借其强大的特征提取模块展现出了稳定且优异的分类性能，在所有数据集上均实现了最高的准确性，充分证明了其有效性。我们应用SHapley Additive exPlanations (SHAP)技术来可视化RecurSig的决策过程。下图展示了INTF数据集中的八个关键特征。其中，Destination.IP、Flow.Duration和Destination.Port 显示出更大的宽度和更长的水平长度，表明它们对分类结果有着正向的贡献。相反，PSH.Flag.Count的形状表示其对分类结果有负面影响。这些观察结果与实际网络时间序列分类的经验相符，进一步验证了我们模型的有效性与可解释性。 为了理解这一现象，我们展示了上述三个特征的样本分布情况。通过观察样本在不同标签之间的分布差异，我们能够评估它们对于标签分类的贡献程度。实验结果显示，样本在这些特征上的分布与我们对网络时间序列分类的认知相符，从而验证了RecurSig模型的可解释性。这一结果不仅增强了用户对于模型决策过程的信任，也为进一步探究网络行为提供了重要的参考。
![]()
