Apresentação da dissertação de mestrado em Engenharia da Informação de Me. Orlando da Silva Junior na UFABC com o título de "Predição de Fluxos em Redes de Computadores".

1. Predição de Fluxos em
Redes de Computadores
Mestrado em Engenharia da Informação
Orlando da Silva Junior
Dra. Ana Carolina Lorena
Dr. Carlos Alberto Kamienski

2. Motivação
• 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? Por meio da predição de tráfego
• Quê tráfego? O tráfego gerado pelas aplicações de rede
2

3. Objetivo Geral
• Investigar a predição de fluxos em redes de
computadores
– A investigação é fundamentada nos conceitos de
SDN
3

4. Motivação
• Como fazer predição de fluxos em SDN?
– Arcabouço da Predição de Links (PL), uma recente
área de Análise de Redes Complexas (ARC)
– Outro desafio: a topologia da rede lógica é
diferente da topologia da rede física
• Solução: mapeamento entre as duas redes
– É possível ter uma melhor solução?
• Técnicas de Aprendizado de Máquina (AM)
4

5. Objetivos Específicos
• Elaborar um método de mapeamento entre as
redes física e de aplicação
• Investigar uma nova forma de predizer ligações
que se formam e se mantêm
• Experimentar diferentes algoritmos de PL e AM
supervisionado
• Comparar os resultados de PL e AM
5

6. Conceitos Fundamentais
Redes complexas, predição de links, SDN e aprendizado de máquina
6

7. Redes Complexas | Conceitos
• Uma rede complexa é um conjunto de itens com conexões entre eles
• As redes podem ser vistas como medidas estatísticas ou grafos do tipo:
– Não-orientado: G=(V, E)
– Orientado: G=(V, A)
• Vértices (V): representam entidades do mundo
• Arestas (E) ou Arcos (A): representam as conexões entre as entidades
• Existem diversos modelos de redes que representam mais fielmente as
redes do mundo real:
a) Modelo Erdős–Rényi (Aleatória)
b) Modelo Watts-Strogatz (Mundo Pequeno)
c) Modelo Barabási-Albert (Sem Escala)
7

8. Predição de Links | Conceitos
• Investiga a probabilidade de associações futuras entre
entidades de uma rede
– Qual é a chance de duas entidades se conectarem no
futuro?
• Principais Tarefas
– Predição de novos links: links que se formarão
– Persistência de links: links que permanecem conectados
• Métodos comuns
– Não-supervisionado: atribuição de escores, não-temporal
– AM supervisionado: utilização de diferentes escores,
temporal
8

9. Predição de Links | Conceitos
• Os algoritmos tradicionais de PL são preditores que
atribuem um escore a cada um dos pares de nós do
conjunto de dados.
• O escore representa a probabilidade preditiva de um
determinado par de nós estar conectado
• Os algoritmos tradicionais podem ser baseados:
– No grau do nó
– Na vizinhança do nó
– No caminho entre nós
• Exemplo: 𝐶𝑁 𝑢, 𝑣 = Γ 𝑢 ∩ Γ 𝑣 9

10. Aprendizado de Máquina| Conceitos
• Técnicas de AM criam hipóteses a partir de experiências
passadas
– Processo indutivo: situações particulares inferem conclusões
genéricas
– Conjunto de dados: formado por exemplos que contém
atributos
• Indução preditiva
– Encontra hipóteses a partir dos valores dos atributos dos dados
de treinamento
– Paradigma supervisionado: os algoritmos aprendem a hipótese
utilizando um conjunto de dados pré-classificados
– Algoritmos: C5.0, SVM, Naïve Bayes e k-NN.
10

11. Predição de Links | Conceitos
• Links positivos e Links negativos
• X: conjunto de nós da rede inicial em Δt
• Y: conjunto de nós da rede posterior em Δt+σ
• U: conjunto de todos os pares de nós possíveis
11

12. SDN | Conceitos
• Em geral, as arquiteturas de redes são formadas por dois
componentes principais:
– Plano de controle: configuração dos nós da rede
– Plano de dados: encaminhamento dos dados
• Tradicionalmente, esses planos são combinados.
• Em SDN, os planos são desacoplados:
– Separação lógica entre os planos
– Centralização das tarefas em um controlador
• Manipula os dispositivos da rede
• Possui visão global do estado da rede
• Fornece alta abstração para o desenvolvedor
12

13. Predição de Fluxos em Redes de Computadores
Metodologia, dados, mapeamento, predição e avaliação
13

14. Metodologia | Predição de Fluxos
14

15. Gerenciamento | Predição de Fluxos
• Redes de Aplicação
• Redes Físicas com 𝑁𝑐 = {10, 15, 25, 50, 100, 200}
• Rede Aleatória com 𝑝 = 0,25
• Rede de Mundo Pequeno com 𝑔 = 2, 𝑝 = 0,25
• Rede Sem Escala com conexão preferencial linear
• Modelo sem topologia
15

16. Mapeamento| Predição de Fluxos
16

17. Particionamento| Predição de Fluxos
• Rede P2P: 12h/12h
• Rede de e-mails: 3 anos (1998-2000)/1 ano (2001)
17

18. Predição| Predição de Fluxos
• Seleção e Configuração dos Algoritmos
– Tradicionais de Predição de Links
• Grau do nó (3): Graus do nó de Entrada/Saída e Conexão Preferencial;
• Vizinhança (6): Vizinhos Comuns, Jaccard, Adamic/Adar, RAI, HPI, HDI;
• Caminho (3): CMC, Katz, PropFlow
– Aprendizado de Máquina
• C4.5, SVM linear, Naïve Bayes e 1-NN
• Ferramenta R
• Avaliação de Desempenho
– Validação Cruzada com 10 subconjuntos
– Medida F1
18

19. Resultados
Resultados e discussão
19

20. Rede P2P (PL) |Resultados
20/27

21. Rede P2P (AM) |Resultados
21/27

22. Rede de E-mails (PL) |Resultados
22/27

23. Rede de E-mails (AM) |Resultados
23/27

24. Considerações Finais | Resultados
• Algoritmos
– Os resultados das técnicas de AM são, em geral, superiores aos das técnicas
de PL
• Melhores casos: redes pequenas
– Por outro lado, a deterioração do desempenho é mais rápida em AM
– Destacam-se os algoritmos mais simples
• CMC e medidas de grau
• Naïve Bayes e k-NN
• Modelos Topológicos
– Bom desempenho dos preditores no modelo sem topologia
– As redes de mundo pequeno e sem escala representam mais fielmente as
situações do mundo real
• Conclusão: a rede física subjacente também influencia na
predição de fluxos
24

25. Conclusão
Conclusões, contribuições, limitações e trabalhos futuros
25

26. Principais Resultados| Conclusão
• Corroboração da influência preditiva entre as
redes mapeadas
– Confirmação nas duas categorias de preditores
– Auxílio do método de mapeamento
• Abordagem de predição conjunta
– Predição de links que se formam
– Predição de links que se mantêm
26

27. Contribuições e Limitações| Conclusão
• Revisão de Literatura em PL
– Inclusão de técnicas de AM supervisionado e métodos
usualmente empregados
• Inter-relacionamento de conceitos
– Redes Complexas e Predição de Links
– Redes Definidas por Software
– Aprendizado de Máquina
• Predição de Fluxos em redes de computadores
– O trabalho não apresenta uma aplicação concreta, mas é
uma contribuição para as soluções de predição na área
27

28. Trabalhos Futuros| Conclusão
• Confirmação prática
– O trabalho limitou-se a investigar os fluxos por meio
de redes complexas
– O comportamento da predição precisa ser analisado
em redes de computadores reais (simulação)
• Experimentação da abordagem conjunta em
diferentes conjuntos de dados
– Poucas redes e um único domínio
• Adoção de outros algoritmos
28

29. Predição de Fluxos em
Redes de Computadores
Mestrado em Engenharia da Informação
Orlando da Silva Junior