Auxílio à pesquisa 21/06981-0 - Redes de computadores, Aprendizado computacional - BV FAPESP
Busca avançada
Ano de início
Entree

Spinner: rumo à orquestração eficiente da inteligência em planos de dados programáveis

Processo: 21/06981-0
Modalidade de apoio:Auxílio à Pesquisa - Regular
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
Acordo de Cooperação: MCTI/MC
Pesquisador responsável:Marcelo Caggiani Luizelli
Beneficiário:Marcelo Caggiani Luizelli
Instituição Sede: Campus Alegrete. Universidade Federal do Pampa (UNIPAMPA). Ministério da Educação (Brasil). Alegrete , SP, Brasil
Pesquisadores associados: Arthur Francisco Lorenzon ; Fábio Diniz Rossi ; Oscar Mauricio Caicedo Rendon ; Roberto Irajá Tavares da Costa Filho ; Rodrigo Neves Calheiros ; Weverton Luis da Costa Cordeiro
Bolsa(s) vinculada(s):23/00400-0 - Um ambiente de avaliação emulacional para a abordagens de ML não supervisionadas, BP.TT
22/15340-0 - Projeto e desenvolvimento de algoritmos escaláveis para problemas de otimização relacionados com a orquestração de abordagens de ML não supervisionadas, BP.TT
Assunto(s):Redes de computadores  Aprendizado computacional  Plano de dados programável  Redes definidas por software  Algoritmos 
Palavra(s)-Chave do Pesquisador:Aprendizado de Máquina | Planos de Dados Programáveis | P4 | Redes Definidas por Software | Redes de Computadores

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
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
VOGT, FRANCISCO; CESEN, FABRICIO RODRIGUEZ; DE CASTRO, ARIEL GOES; LUIZELLI, MARCELO CAGGIANI; ROTHENBERG, CHRISTIAN ESTEVE; PONGRACZ, GERGELY; BERNARDOS, CJ; MARTINI, B; ROJAS, E; VERDI, FL; et al. QoEyes: Towards Virtual Reality Streaming QoE Estimation Entirely in the Data Plane. 2023 IEEE 9TH INTERNATIONAL CONFERENCE ON NETWORK SOFTWARIZATION, NETSOFT, v. N/A, p. 5-pg., . (21/00199-8, 20/05183-0, 21/06981-0)
VOGT, FRANCISCO; CESEN, FABRICIO RODRIGUEZ; DE CASTRO, ARIEL GOES; LUIZELLI, MARCELO CAGGIANI; ROTHENBERG, CHRISTIAN ESTEVE; PONGRACZ, GERGELY; BERNARDOS, CJ; MARTINI, B; ROJAS, E; VERDI, FL; et al. Demo of QoEyes: Towards Virtual Reality Streaming QoE Estimation Entirely in the Data Plane. 2023 IEEE 9TH INTERNATIONAL CONFERENCE ON NETWORK SOFTWARIZATION, NETSOFT, v. N/A, p. 3-pg., . (21/00199-8, 20/05183-0, 21/06981-0)

Por favor, reporte erros na lista de publicações científicas utilizando este formulário.
X

Reporte um problema na página


Detalhes do problema: