Avaliação de modelo de comunicação para otimização de IoT em 5G através da programabilidade de rede

• Processo: 22/08143-4
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de agosto de 2022
• Data de Término da vigência: 31 de julho de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Acordo de Cooperação: MCTI/MC
• Pesquisador responsável: Cristiano Bonato Both
• Beneficiário: Sivasankari S A
• Instituição Sede: Unidade Acadêmica de Pesquisa e Pós-Graduação. Unisinos. São Leopoldo , SP, Brasil
• Vinculado ao auxílio: 20/05182-3 - PORVIR-5G: programabilidade, orquestração e virtualização em redes 5G, AP.TEM
• Assunto(s): Redes de computadores Redes definidas por software Internet das coisas Programabilidade de rede Tecnologias 5G
• Palavra(s)-Chave do Pesquisador: IoT | Orquestração em redes de computadores | Programabilidade de redes de computadores | Redes Definidas por Software | redes 5G | Sdn | Redes de Computadores

Resumo

O objetivo desse trabalho é avaliar o modelo de comunicação massiva máquina-a-máquina programável para IoT em LPWAN, dando um carácter mais científico e robusto para a utilização das tecnologias LPWAN para as redes 5G. Para isso, o bolsista deverá revisar o trabalho anterior e comparar com a literatura atual, com o intuito de refinar e dar maior qualidade a proposta anterior. Um sistema de orquestração de recursos fatiados em redes para otimização de aplicações IoT deverá ser desenvolvido utilizando-se de ambientes experimentais providos pelo consórcio. O bolsista deverá investigar diversas técnicas para propor novos acordos de QoS: modelos de otimização, sistemas de aprendizado de máquinas multi-agentes, protocolos de negociação. O problema se torna interessante do ponto de vista de pesquisa, por que faz-se necessário entender como o usuário se comporta ante a uma degradação de serviço, mas sem que ele participe da decisão (user out of the loop). Para escalar a modelagem, o bolsista deverá empregar conceitos inovadores de aprendizado de máquina, como o knowledge transfer e o few-shot learning. Ambos conceitos trabalham com a dicotomia das tecnologias de Inteligência Artificial atuais. Assim, knowledge transfer e few-shot learning procuram usar as camadas mais profundas de redes neuronais (no caso do knowledge transfers) ou classificar novas entradas não rotuladas em clusters bem conhecidos (few-shot learning) para aumentar a eficácia em cenários onde possuímos poucos dados. A solução proposta deverá ser capaz de identificar tráfegos de rede característicos de aplicações IoT e alterar ainfraestrutura de rede de modo que melhore a qualidade de serviço se necessário. (AU)