Geração de Tráfego e Traços Orientado por Aprendizagem Profunda para Arquiteturas e Serviços de Rede além de 5G

• Processo: 24/22594-4
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 01 de abril de 2025
• Data de Término da vigência: 31 de março de 2026
• Área de conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: Christian Rodolfo Esteve Rothenberg
• Beneficiário: Ariel Góes de Castro
• Supervisor: Marco Chiesa
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Instituição Anfitriã: KTH Royal Institute of Technology, Suécia
• Vinculado à bolsa: 24/05363-9 - Abordagens inovadoras para análise e otimização de redes: abordagens inovadoras para análise e otimização de redes: aproveitando o aprendizado profundo e o hardware programável, BP.DR
• Assunto(s): Redes neurais Redes de computadores
• Palavra(s)-Chave do Pesquisador: Large Language Models | Network Function Offloading | neural networks | Programmable Networks | Traffic Classification | Traffic Generation | Redes de Computadores

Resumo

A análise de dados de redes é fundamental para entender o comportamento da rede, identificar anomalias (por exemplo, picos de tráfego, perda de pacotes) e avaliar a experiência do usuário em serviços de rede. Esses serviços são diretamente impactados pela infraestrutura subjacente, que precisa gerenciar as solicitações dos usuários sob restrições como latência, congestionamento e demandas de tráfego dinâmicas. A disponibilidade de rastros de rede diversificados possibilita o desenvolvimento e a validação de soluções para antecipar esses desafios em diversos cenários, melhorando a qualidade e o desempenho dos serviços.Apesar dessa necessidade, há uma escassez de conjuntos de dados públicos que reflitam condições reais, especialmente no meio acadêmico. Essa escassez é ainda mais evidente em aplicações emergentes nas redes 5G/6G, como realidade virtual (VR), realidade aumentada (AR) e veículos aéreos não tripulados (UAVs), que apresentam requisitos únicos. A falta de dados representativos dificulta a compreensão do desempenho dessas aplicações em condições realistas de rede, complicando os esforços para projetar e testar soluções eficazes (como protocolos e algoritmos de roteamento).Para abordar essas lacunas, esta proposta FAPESP BEPE busca avaliar arquiteturas de redes neurais para a geração de dados. Essas arquiteturas poderiam servir como base para ferramentas que permitam, por exemplo, aos usuários gerar seletivamente distribuições de dados (como streaming de vídeo, jogos na nuvem) para fins de teste. Essa flexibilidade apoiaria o desenvolvimento de protocolos resilientes otimizados para as demandas heterogêneas das futuras aplicações, como baixa latência e alta largura de banda.Ao avançar as metodologias de geração de dados sintéticos, buscamos superar os problemas de escassez de dados e promover a inovação em simulação de redes, abrindo caminho para soluções robustas que atendam às complexas demandas das aplicações de próxima geração.