Roteamento em redes definidas por software com aprendizado de máquina

• Processo: 19/03268-0
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de julho de 2019
• Data de Término da vigência: 29 de fevereiro de 2020
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Nelson Luis Saldanha da Fonseca
• Beneficiário: Daniela Maria Casas Velasco
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 15/24494-8 - Comunicação e processamento de big data em nuvens e névoas computacionais, AP.TEM
• Assunto(s): Aprendizado computacional Redes definidas por software Sistemas de controle de tráfego
• Palavra(s)-Chave do Pesquisador: Apredizado de máquina profundo por reforço | Aprendizado de Máquina | Redes Definidas por Software | Roteamento | Redes Definidas por Software

Resumo

Na área de rede, o controle de tráfego eficiente, como o roteamento, aparece como um desafio crítico. Tal desafio permanece presente, uma vez que os protocolos de roteamento convencionais (e.g., OSPF e RIP) atualmente apresentam limitações. Por exemplo, tais protocolos não podem adaptar suas decisões após cenários de degradação, como congestionamento, eles não são inteligentes. Nesse sentido, os protocolos repetidamente continuam a tomar as mesmas decisões de roteamento para cenários de congestionamento semelhantes. Portanto, um método inteligente de controle de tráfego de rede é essencial para enfrentar esse desafio. As Redes Definidas por Software (SDN) desacoplam o controle de rede do encaminhamento de pacotes, o que simplifica significativamente a operação dos switches. A boa capacidade de programação do SDN também melhora a viabilidade da rede e permite fornecer inteligência dentro das redes, facilitando a aplicação de técnicas de Aprendizado de Máquina (ML). No entanto, embora alguns métodos de ML tenham sido amplamente aplicados a problemas de rede, como classificação de tráfego e previsão de tráfego, o ML permanece apresentando limitações. Por exemplo, uma dessas limitações está na definição de quais dados podem ser coletados e quais ações de controle podem ser executadas em dispositivos de rede. Portanto, a capacidade de programar a rede usando SDN e as vantagens do ML que permitem melhorar a compreensão e o desempenho de um sistema, aliviam essas limitações e podem ser usadas para auxiliar na automação de tarefas de rede, como roteamento. Esta proposta pretende aproveitar as técnicas de ML e SDN para superar as limitações dos protocolos tradicionais de roteamento em redes. Assim, a proposta visa desenvolver um mecanismo de roteamento inteligente que possa aprender com experiências anteriores e adaptar-se às mudanças do SDN. (AU)

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)

CASAS-VELASCO, DANIELA M.; RENDON, OSCAR MAURICIO CAICEDO; DA FONSECA, NELSON L. S.. Intelligent Routing Based on Reinforcement Learning for Software-Defined Networking. IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT, v. 18, n. 1, p. 870-881, MAR 2021. (15/24494-8, 19/03268-0)

CASAS-VELASCO, DANIELA M.; RENDON, OSCAR MAURICIO CAICEDO; DA FONSECA, NELSON L. S.. DRSIR: A Deep Reinforcement Learning Approach for Routing in Software-Defined Networking. IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT, v. 19, n. 4, p. 14-pg., 2022-12-01. (19/03268-0, 15/24494-8)

VILLOTA-JACOME, WILLIAM F.; RENDON, OSCAR MAURICIO CAICEDO; DA FONSECA, NELSON L. S.. Admission Control for 5G Core Network Slicing Based on Deep Reinforcement Learning. IEEE SYSTEMS JOURNAL, v. 16, n. 3, p. 12-pg., 2022-05-23. (19/03268-0, 15/24494-8)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

VELASCO, Daniela Maria Casas. Routing based on reinforcement learning for software-defined networking. 2020. Dissertação de Mestrado - Universidade Estadual de Campinas (UNICAMP). Instituto de Computação Campinas, SP.