O Parâmetro 𝜶 na generalização da Integral de Choquet para Previsão de Tráfego de Rede

• Abreu Quevedo Universidade Federal do Rio Grande (FURG)
• Denner Ayres Universidade Federal do Rio Grande (FURG) https://orcid.org/0009-0006-4494-7898
• Graçaliz Dimuro Universidade Federal do Rio Grande (FURG)
• Giancarlo Lucca Universidade Católica de Pelotas (UCPel)
• André Riker Universidade Federal do Pará (UFPA) https://orcid.org/0009-0006-8864-9948
• Bruno L. Dalmazo Universidade Federal do Rio Grande (FURG) https://orcid.org/0000-0002-6996-7602

DOI: https://doi.org/10.5753/errc.2024.4627

Resumo

O tráfego de rede é essencial para o funcionamento do cotidiano moderno, e prever e mensurar esse tráfego é um recurso estratégico valioso, exigindo conhecimento profundo de algoritmos e tecnologia. Diversos modelos, como fuzzy c-means e regressão, tentam resolver esse problema, mas ainda não atingem o desempenho ideal. Este trabalho propõe um modelo de agregação baseado na variação do parâmetro 𝛼 na integral de Choquet, buscando mensurar os erros associados a cada valor de 𝛼 para identificar o melhor método e parâmetro para otimização das equações.

Palavras-chave: Modelos de busca, Integral de Choquet, Predição de tráfego de redes

Referências

Cloud, H. The nist definition of cloud computing. National institute of science and technology, special publication, v. 800, n. 2011, p. 145, 2011.

Dalmazo, B. L.; Vilela, J. P.; Curado, M. Triple-Similarity Mechanism for alarm management in the cloud. Computers & Security, v. 78, p. 33–42, 2018. ISSN 0167-4048. DOI: 10.1016/j.cose.2018.05.016. Disponível em: [link].

Leite, L. et al. Federated Learning under Attack: Improving Gradient Inversion for Batch of Images. In: ANAIS do XXIV Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais. São José dos Campos/SP: SBC, 2024. P. 794–800. DOI: 10.5753/sbseg.2024.241680. Disponível em: [link].

Aldhyani, T. H. H. et al. Intelligent Hybrid Model to Enhance Time Series Models for Predicting Network Traffic. IEEE Access, v. 8, p. 130431–130451, 2020. DOI: 10.1109/ACCESS.2020.3009169.

Salama, A.; Saatchi, R.; Burke, D. Adaptive Sampling Technique for Computer Network Traffic Parameters Using a Combination of Fuzzy System and Regression Model. In: 2017 Fourth International Conference on Mathematics and Computers in Sciences and in Industry (MCSI). 2017. P. 206–211. DOI: 10.1109/MCSI.2017.43.

Chen, L. et al. FEW-NNN: A fuzzy entropy weighted natural nearest neighbor method for flow-based network traffic attack detection. China Communications, v. 17, n. 5, p. 151–167, 2020. DOI: 10.23919/JCC.2020.05.013.

Dalmazo, B. L.; Vilela, J. P.; Curado, M. Performance analysis of network traffic predictors in the cloud. Journal of Network and Systems Management, Springer, v. 25, p. 290–320, 2017.

Mayor, G.; Trillas, E. On the representation of some aggregation functions. In.

Murofushi, T.; Sugeno, M.; Machida, M. Nonmonotonic fuzzy measures and the Choquet integral. Fuzzy sets and Systems, Elsevier, v. 64, n. 1, p. 73–86, 1994.

Alsina, C.; Schweizer, B.; Frank, M. J. Associative functions: triangular norms and copulas. World Scientific, 2006.

Lucca, G. et al. A proposal for tuning the 𝛼 parameter in 𝐶𝛼𝐶-integrals for application in fuzzy rule-based classification systems. Natural Computing, v. 19, n. 3, p. 533–546, 2020. ISSN 1572-9796. DOI: 10.1007/s11047-018-9678-x.

Lucca, G. et al. A Proposal for Tuning the Alpha Parameter in a Copula Function Applied in Fuzzy Rule-Based Classification Systems. In: 2016 5th Brazilian Conference on Intelligent Systems (BRACIS). 2016. P. 367–372. DOI: 10.1109/BRACIS.2016.073.