基于深度学习的容器网络异常检测

基于容器的大型微服务系统架构网络组件较多,交互复杂,发生故障时往往难以及时发现并精准定位故障原因,网络流量异常检测是快速判断容器故障的有效方法。在容器环境中构建异常流量交互检测模型可以定时地监控网络流量动态,当在某个时段内的流量与预测值的置信度较低时,则判定此时流量异常,通过邮件等方式发出流量预警。流量交互存在非常强的时序性特征,将某个时刻接收和发送流量的最大值作为预测目标。文中设计了两种基于深度学习的动态流量检测模型,都可以较好地检测流量动态。根据预测值可以动态设定网络流量阈值,节省内存空间,并降低网络故障的风险。