Aprendizado de máquina federado sobre redes ópticas passivas

• Processo: 24/07007-5
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de junho de 2024
• Data de Término da vigência: 31 de maio de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Acordo de Cooperação: MCTI/MC
• Pesquisador responsável: Nelson Luis Saldanha da Fonseca
• Beneficiário: Oscar Jaime Ciceri Coral
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 23/00673-7 - Inteligência distribuída em redes de comunicação e internet das coisas, AP.TEM
• Assunto(s): Aprendizado federado Redes de computadores
• Palavra(s)-Chave do Pesquisador: Aprendizado federado | Redes ópticas passivas | Redes de Computadores

Resumo

As redes ópticas passivas (PON) são uma solução de rede de acesso de baixo custo para fornecer serviços de banda larga. Essas redes geram grande quantidade de dados, os quais são relevantes para o gerenciamento dos recursos. Nessa perspectiva, mecanismos de aprendizado de máquina estão ganhando popularidade como uma ferramenta para extrair informações significativas desses dados, levando a um planejamento, monitoramento e controle da rede mais adequados. No entanto, a implementação dos mecanismos de aprendizado de máquina tradicionais geram problemas com a confidencialidade e proteção dos dados. O aprendizado de máquina federado é uma forma de lidar com as restrições impostas pela legislação de proteção e privacidade de dados, pois permite o processamento dos dados distribuídos e não divulga os dados privados dos clientes. No aprendizado federado, os clientes treinam o modelo localmente usando um conjunto de dados privado e os parâmetros desses modelos locais são enviados para um servidor central. Porém, esse tipo de processamento tem diversos desafios para as redes de comunicação, uma vez que os clientes podem produzir tráfego com rajadas altamente variáveis. Além disso, o aprendizado federado tem requisitos de atrasos de comunicação muito estritos para o envio dos parâmetros locais entre clientes e o servidor central. Esse tipo de aprendizado também pode exigir um grande número de rodadas de treinamento para produzir modelos precisos e requer mecanismos eficientes de alocação de recursos para atender os requisitos. Nesse sentido, este projeto propõe desenvolver novas soluções para o Problema de Alocação de Recursos em Redes Ópticas Passivas com o objetivo de atender a Qualidade de Serviço de diversas aplicações de aprendizado federado. Baseado em diversos parâmetros dos modelos federados, como por exemplo: número de clientes, tamanho do modelo e tempo de sincronização, este trabalho desenvolverá soluções para o escalonamento de pacotes e alocação de recursos que tragam suporte para aplicações de aprendizado federado nas redes PON. Durante o desenvolvimento desse projeto, espera-se estender o simulador EPONSim e prestar assistência a suas novas funcionalidades que permitam a integração e avaliação de desempenho do aprendizado federado sobre as redes PON.