Este documento discute a predição de fluxos em redes definidas por software (SDN) usando técnicas de aprendizado de máquina. Os autores comparam algoritmos tradicionais e de aprendizado de máquina para prever links em redes P2P e de e-mail. Os resultados mostram que o algoritmo de Naive Bayes teve o melhor desempenho na predição de links, corroborando a influência preditiva entre a rede física e as redes de aplicação.
Sucesso - a verdadeira Vingança de um homem honrado
Predição de fluxos em SDN usando aprendizado de máquina
1. Predição de Fluxos em
Redes de Computadores
Orlando da Silva Junior
Carlos Alberto Kamienski
Ana Carolina Lorena
Workshop de Redes P2P, Dinâmicas, Sociais e Orientadas a Conteúdo
2. • Redes Definidas por Software (SDN)
– As consultas enviadas pelo switch ao controlador
produzem um atraso inicial na comunicação
– Solução: instalar fluxos de maneira antecipada nos
switches
• Como? Predição de Tráfego
• Qual tráfego? Gerado pelas aplicações de rede
•
Motivação | Introdução
Colaborar nas soluções de predição de fluxos
em redes de computadores
Objetivo
2/15
3. Desafios & Soluções | Introdução
• Como fazer predição de fluxos em SDN?
– Arcabouço da Predição de Links (PL), uma área da
Análise de Redes Complexas
– Combinação de algoritmos de PL em técnicas de
Aprendizado de Máquina (AM) IA
• Um outro desafio...
– Topologia da rede física ≠ Topologia da rede lógica
3/15
6. Como Resolver?| Redes Complexas
• Abordagem Conjunta
– X rede no Instante #1
– Y rede no Instante #2
– U todos os pares de
nós possíveis
• Predição conjunta de
links que se formam e
se mantêm
6/15
7. Dados de Redes | Experimentação
Redes de Aplicação
• Rede P2P
– G = (1161, 3086)
– 24 horas de dados
• X = 12 horas
• Y = 12 horas
• Rede de E-mails
– G = (144, 1311)
– Enron com 4 anos de dados
• X = 3 anos
• Y = 1 ano
Redes Físicas
• Modelos topológicos da Teoria
de Redes Complexas
– Aleatória
– Mundo Pequeno
– Sem Escala
• Modelo Sem Topologia
• 10, 25 e 50 nós
• Todo nó possui, ao menos, 1
conexão com outro nó
7/15
14. Conclusão
• O trabalho motiva-se em um dos desafios
existentes atualmente em SDN
• Resultados:
– Melhores resultados com Aprendizado de Máquina
– Melhor técnica: Naïve Bayes
• Conclusão:
– Corroboração da influência preditiva entre a rede
física e as redes de aplicação
14/15
15. Predição de Fluxos em
Redes de Computadores
Orlando da Silva Junior
Workshop de Redes P2P, Dinâmicas, Sociais e Orientadas a Conteúdo