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.

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

4. Predição de Links| Redes Complexas
Instante #1 Instante #2
4/15

5. Persistência de Links| Redes Complexas
Instante #1 Instante #2
5/15

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

8. Mapeamento| Experimentação
8/15

9. Algoritmos| Experimentação
Algoritmos Tradicionais
1. Grau do Nó
1. Grau do Nó
1. Entrada
2. Saída
2. Conexão Preferencial
2. Vizinhança
1. Vizinhos Comuns
2. Jaccard
3. Adamic/Adar
4. RAI
5. HPI
6. HDI
3. Caminho
1. Katz
Aprendizado de Máquina
1. Algoritmo C4.5
2. Naïve Bayes
3. k-NN
Algoritmos Não-Topológicos
1. Quantidade de Itens (peers/e-
mails)
2. Total de Itens
Avaliação
• Precisão
– Links preditos corretamente entre
todos os preditos como positivos
9/15

10. Algoritmos Tradicionais – P2P| Resultados
10/15

11. Algoritmos Tradicionais – E-mails| Resultados
11/15

12. Aprendizado de Máquina – P2P| Resultados
12/15

13. Aprendizado de Máquina – E-mails| Resultados
13/15

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