No abstract

A monitoração de presença online de entidades em sistemas distribuídos é fundamental para compreender o comportamento de tais sistemas e simular a dinâmica dos mesmos, entre outros. Em muitos sistemas, a presença online de entidades pode ser monitorada via amostragem – em intervalos regulares – das entidades atualmente online. Exemplos incluem usuários online em aplicações distribuídas, ou estações ativas na internet. A monitoração pode ser falha, e algumas entidades podem não aparecer como online em uma ou mais listas, comprometendo assim a acurácia dos dados coletados. Investigações anteriores aplicaram métodos estatísticos para identificar a ocorrência de tais falhas, e usaram limiares para corrigi-las. No presente artigo, propõe-se investigar a potencialidade de métodos de aprendizado de máquina para regenerar dados de monitoração coletados via amostragem. Em particular, avaliamos a potencialidade de se corrigir dados usando técnicas de aprendizado profundo, e mostramos que a acurácia, precisão e recall podem ser substancialmente melhorada em comparação com os métodos estatísticos existentes.

No abstract

Neste trabalho apresentamos um sistema baseado em processamento de linguagem natural, denominado FWNL, para fornecer configurações de firewall em FWLang e habilitar a integração automática ao FWUnify. O objetivo é desenvolver um pipeline com reconhecimento de entidades mencionadas para reduzir a curva de aprendizagem e mitigar erros operacionais na configuração de múltiplos firewalls. Implementamos um protótipo funcional do FWNL e demonstramos sua flexibilidade, a partir da vinculação de três ambientes de conversação: um baseado em linha de comando, outro baseado em serviço web e um terceiro baseado em um aplicativo de mensagens.