Caracterização e Previsão de Falhas em Serviços de Conectividade: uma Aplicação à Rede Ipê

Zanotelli, Vitor F.; Comarela, Giovanni; Villaça, Rodolfo da Silva; Martinello, Magnos

doi:10.5753/sbrc.2021.16717

Cited by 2 publications

(7 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Dentre os diversos problemas de Metrologia de Redes que podem se beneficiar da utilização do Aprendizado de Máquina, podemos citar detecção de ataques de redes, predição de qualidade de experiência do usuário, detecção de anomalias em aplicações, estimativa de latência da rede [31] e falhas de redes. Nesse sentido, Zanotelli et al [55] apresentam estudo para detecção de falhas na rede Ipê utilizando redes neurais, encontrando bons resultados quando regionalizaram os dados e as detecções. Sendo a globalização, ou seja, encontrar um modelo que conseguisse detectar falhas em qualquer ponto da rede nacional, um problema em aberto.…”

Section: Uso De Aprendizado De Máquina Em Metrologia De Redesunclassified

“…Zanotelli et al [55] apresentam um método de predição de falhas com AM aplicados a Rede Ipê que interconecta universidade e centros de pesquisa de todo o país. A abordagem adotada utilizada uma rede LSTM para predizer se numa janela de tempo à frente a rede irá falhar ou não.…”

Section: Gerenciamento De Falhasunclassified

“…Os modelos clássicos de interconectividade têm mudado de conexões de dispositivos físicos para ambiente altamente virtualizados em que planos programáveis permitem novas aboradagens para monitoramento e gerenciamento de redes. A aplicação de modelos de AM para predição de falhas é um deles, ao contrário dos modelos clássicos, eles podem ser aplicados em tempo real e tomarem decisões automáticas em tempos inimagináveis para a ação humana [55].…”

Section: Gerenciamento De Falhasunclassified

“…Essa ferramenta reúne característica de qualidade da rede operada pela RNP, dando transparência para a qualidade dos enlaces da rede acadêmica brasileira. Os atributos retirados dos dados foram: perda de pacotes, RTT (milissegundos), Download e Upload (bits por segundo) [55]. A caracterização de falha utilizada em Zanotelli et al [55]foi a taxa de perda de pacotes superior a 3%.…”

Section: Gerenciamento De Falhasunclassified

“…Os atributos retirados dos dados foram: perda de pacotes, RTT (milissegundos), Download e Upload (bits por segundo) [55]. A caracterização de falha utilizada em Zanotelli et al [55]foi a taxa de perda de pacotes superior a 3%. O modelo tenta predizer se ocorrerá pelo menos uma falha no perído de 15 minutos a frente.…”

Section: Gerenciamento De Falhasunclassified

See 4 more Smart Citations

Metrologia na Era do Aprendizado de Máquina

Loyola¹,

Rocha²,

Paes³

et al. 2022

Minicursos Do XL Simpósio Brasileiro De Redes De Computadores E Sistemas Distribuídos

View full text Add to dashboard Cite

The growth in the number of mobile and cellular networks arouses interest in end-to-end performance measurements of these networks and their impact on mobile applications [15]. Among these measurements, we find those based on the quality of the user experience, which is an excellent source of information about network management. In this context, the implementation of Artificial Intelligence and Machine Learning increases the efficiency of the monitoring process [21]. In this short course, we will discuss how we can use objective parameters of quality of services such as delay, throughput, packet loss, and jitter to estimate and predict the quality of user experience using Machine Learning [21]. Furthermore, it is possible to use Artificial Intelligence to estimate the multiple indicators of the quality of user experience, even in a network that adopts end-to-end encryption [49,27]. In addition, Machine Learning methods help acquire knowledge about the functioning of networks, understand how the structures of existing networks are, and allow the establishment of new networks with less effort. Among the several Network Metrology problems that can benefit from Machine Learning, we can mention network attack detection, user experience quality prediction, application anomaly detection, and network failures.

show abstract

Section: Uso De Aprendizado De Máquina Em Metrologia De Redesunclassified

Section: Gerenciamento De Falhasunclassified

See 3 more Smart Citations

Metrologia na Era do Aprendizado de Máquina

Loyola¹,

Rocha²,

Paes³

et al. 2022

Minicursos Do XL Simpósio Brasileiro De Redes De Computadores E Sistemas Distribuídos

View full text Add to dashboard Cite

show abstract

Enhancing Network Slicing Architectures With Machine Learning, Security, Sustainability and Experimental Networks Integration

Martins

Carvalho²,

Moreira³

et al. 2023

IEEE Access

View full text Add to dashboard Cite

Network Slicing (NS) is an essential technique extensively used in 5G networks computing strategies, mobile edge computing, mobile cloud computing, and verticals like the Internet of Vehicles and industrial IoT, among others. NS is foreseen as one of the leading enablers for 6G futuristic and highly demanding applications since it allows the optimization and customization of scarce and disputed resources among dynamic, demanding clients with highly distinct application requirements. Various standardization organizations, like 3GPP's proposal for new generation networks and state-of-the-art 5G/6G research projects, are proposing new NS architectures. However, new NS architectures have to deal with an extensive range of requirements that inherently result in having NS architecture proposals typically fulfilling the needs of specific sets of domains with commonalities. The Slicing Future Internet Infrastructures (SFI2) architecture proposal explores the gap resulting from the diversity of NS architectures target domains by proposing a new NS reference architecture with a defined focus on integrating experimental networks and enhancing the NS architecture with Machine Learning (ML) native optimizations, energy-efficient slicing, and slicing-tailored security functionalities. The SFI2 architectural main contribution includes the utilization of the slice-as-a-service paradigm for endto-end orchestration of resources across multi-domains and multi-technology experimental networks. In addition, the SFI2 reference architecture instantiations will enhance the multi-domain and multi-technology integrated experimental network deployment with native ML optimization, energy-efficient aware slicing, and slicing-tailored security functionalities for the practical domain.

show abstract

Caracterização e Previsão de Falhas em Serviços de Conectividade: uma Aplicação à Rede Ipê

Cited by 2 publications

References 11 publications

Metrologia na Era do Aprendizado de Máquina

Metrologia na Era do Aprendizado de Máquina

Enhancing Network Slicing Architectures With Machine Learning, Security, Sustainability and Experimental Networks Integration

Contact Info

Product

Resources

About