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.

Após anos de pesquisa e desenvolvimento baseadas principalmente em metodologias analíticas e simulacional, a comunidade da área de ICN tem investido esforços em avaliações experimentais em direção a implantação da tecnologia. Porém, essa metodologia envolve desafios relacionados ao ambiente de testes, como heterogeneidade e falhas de nós e enlaces. Neste trabalho propomos um arcabouço denominado ICN-Stage para facilitar a execução de experimentos ICN distribuídos reprodutíveis e tolerantes a falhas. No ICN-Stage, os experimentos são realizados como uma peça teatral com processos (papéis) interpretados por nós (atores) em um testbed (palco). Um controlador (diretor) instrumenta os atores, garante a coordenação global, detecta as falhas dos atores e os substitui conforme necessário. Resultados obtidos em Minikube e no FIBRE evidenciam a viabilidade e potencialidades do ICN-Stage.