Abordagens inovadoras para análise e otimização de redes: abordagens inovadoras para análise e otimização de redes: aproveitando o aprendizado profundo e o hardware programável

• Processo: 24/05363-9
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de maio de 2024
• Situação: Interrompido
• Área de conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: Christian Rodolfo Esteve Rothenberg
• Beneficiário: Ariel Góes de Castro
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Empresa: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação (FEEC)
• Vinculado ao auxílio: 21/00199-8 - Redes e serviços inteligentes rumo 2030 (SMARTNESS), AP.PCPE
• Bolsa(s) vinculada(s): 24/22594-4 - Geração de Tráfego e Traços Orientado por Aprendizagem Profunda para Arquiteturas e Serviços de Rede além de 5G, BE.EP.DR
• Assunto(s): Redes de computadores Redes neurais (computação) Otimização em redes Aprendizagem profunda Hardware
• Palavra(s)-Chave do Pesquisador: Network Trace | neural networks | Programmable Hardware | Synthetic Data | Redes de Computadores

Resumo

O aumento na demanda de rede alimentado por aplicativos em tempo real com uso intensivo de dados, como saúde, veículos autônomos e jogos em nuvem, intensificou a necessidade de melhorar o desempenho da rede. No entanto, as redes de produção muitas vezes sofrem com problemas como latência e congestionamento, afetando a experiência do usuário e a qualidade do serviço. Para desenvolver efetivamente novos algoritmos e soluções que atendam aos diversos requisitos de tais aplicações sob condições realistas, é imperativo testá-los em ambientes que se assemelhem muito aos cenários do mundo real. Isso requer o uso de dispositivos reais e a incorporação de registros de comunicação. No entanto, um desafio crucial reside na disponibilidade limitada de vestígios de rede de acesso gratuito para a investigação académica. Essa escassez dificulta a capacidade de compreender as necessidades de diversas aplicações em condições de rede realistas. Neste contexto, propomos aproveitar o poder das redes neurais. Estas redes possuem a notável capacidade de aprender com os rastros de rede existentes e obter insights sobre as características de eventos anômalos, como falhas de link. Este conhecimento pode ser empregado para aumentar os rastros existentes com dados gerados sinteticamente, considerando cuidadosamente as questões de privacidade. Ao utilizar os rastreamentos aumentados com anomalias sintetizadas, podemos, por exemplo, capacitar algoritmos de roteamento projetados para se beneficiar de hardware programável (por exemplo, SmartNICs) e métricas de plano de dados coletadas, abrindo caminho para melhor desempenho de rede e experiência de usuário aprimorada com decisões mais autônomas . (AU)