Roteamento multicaminho em redes de data centers baseadas em redes definidas por s...
Aprendizado por reforço explicável aplicável a problemas de roteamento em redes de...
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) | |
Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
Mais itensMenos itens | |
TITULO | |
Matéria(s) publicada(s) em Outras Mídias ( ): | |
Mais itensMenos itens | |
VEICULO: TITULO (DATA) | |
VEICULO: TITULO (DATA) | |