Resumo
A programabilidade do plano de dados está redesenhando a forma como gerenciamos e operamos os dispositivos de encaminhamento de dados. Entretanto, a maior parte das decisões algorítmicas executadas pelos planos de dados ainda é determinística e dependente do plano de controle. Acreditamos que é possível quebrar essa dependência de instruções e tornar os planos de dados inteligentes para que aprendam estados da infraestrutura de maneira autônoma. Neste projeto, propõe-se o Spinner, o primeiro esforço a operacionalizar abordagens de Aprendizado de Máquina (Machine Learning -- ML) não supervisionadas em dispositivos programáveis. Apesar de esforços para tornar os planos de dados inteligentes, pouco foi feito para projetar estratégias algorítmicas de ML não supervisionadas que sejam adequadas às restrições arquiteturais dos dispositivos programáveis. Problemas de aprendizado não supervisionado (e.g., agrupamento de dados) são úteis quando o perfil dos dados não é conhecido e o aprendizado se dá de forma autônoma e contínua. Este tipo de abordagem é atrativa para a área de redes, já que os dados brutos trafegados não são anotados. A execução de tais métodos no plano de dados tem o potencial de reduzir o volume de dados coletados/transmitidos para aplicações de ML do Plano de Controle, além de reduzir o tempo da tomada de decisão. Apesar do potencial de execução de técnicas de ML no plano de dados, o projeto e a operação em dispositivos programáveis é particularmente desafiador por três motivos: (i) as arquiteturas programáveis são restritas em relação às operações aritméticas; (ii) as arquiteturas e as linguagens de domínio específico não fornecem estruturas de iteração e, portanto, é infactível a implementação de algoritmos clássicos de ML; e (iii) os recursos de memória disponíveis são limitados, o que reduz a quantidade de informação armazenada e processada. Para suprir essas lacunas, o Spinner objetiva simplificar o processo de implementação e operação de algoritmos de ML não supervisionados em dispositivos programáveis. A ideia consiste em projetar modelos e algoritmos que sejam adequados às restrições arquiteturais de modo a garantir a acurácia dos modelos de ML. Posteriormente, pretende-se operacionalizar as soluções em uma infraestrutura real. Os resultados a serem obtidos nesse projeto tem potencial para causar um impacto duradouro nessa área de pesquisa nos próximos anos. (AU)
| Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio: |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |