Efeito do confinamento causado pela pandemia Covid-19 nos perfis de tráfego residencial
Resumo
A maioria dos países no mundo tem implementado medidas de confinamento para mitigar a propagação do Covid-19. Trabalho remoto, ensino à distância e entretenimento doméstico se tornaram comuns, afetando o tráfego residencial da Internet. Analisamos o tráfego residencial de 13 cidades no estado do Rio de Janeiro durante vários meses do ano de 2020, incluindo o dia de início da quarentena, 16 de março de 2020. Utilizamos informações de tráfego residencial fornecidas por um Provedor de Serviços de Internet para comparar o tráfego imediatamente antes e depois do início da quarentena em cidades do estado do Rio de Janeiro. Utilizamos decomposição tensorial, clusterização e classificação para identificar perfis de tráfego residencial. Descobrimos que 20% das residências mudaram seus perfis diários imediatamente após o confinamento. Também comparamos os perfis de tráfego com os dados de mobilidade do Google. Nossos resultados indicam que é possível inferir a adesão das populações das cidades às medidas de confinamento usando métricas de tráfego simples, que não comprometem a privacidade dos usuários.
Referências
Bro, R. (1997). Parafac. tutorial and applications. Chemometrics and intelligent laboratory systems, 38(2):149–171.
Candela, M., Luconi, V., and Vecchio, A. (2020). Impact of the covid-19 pandemic on the internet latency: A large-scale study. Computer Networks, 182:107495.
Cloudare (2020). The internet was builtforthis. https://www.cloudflare.com/ builtforthis/insights/.
CNBC (2020). Facebook joins youtube and netix in reducing video quality in europe amid virus pandemic. [link].
Favale, T., Soro, F., Trevisan, M., Drago, I., and Mellia, M. (2020). Campus traffic and e-learning during covid-19 pandemic. Computer Networks, 176:107290.
Feldmann, A., Gasser, O., Lichtblau, F., Pujol, E., Poese, I., Dietzel, C., Wagner, D., Wichtlhuber, M., Tapiador, J., Vallina-Rodriguez, N., et al. (2021). Implications of the covid-19 pandemic on the internet traffic. In Broadband Coverage in Germany; 15th ITG-Symposium, pages 1–5.
Google (2020). Covid-19 community mobility report. https://www.google.com/covid19/mobility.
Harshman, R. A. (1984). ”how can i know if it’s real?”a catalogue of diagnostics for use with three-mode factor analysis and multidimensional scaling. Research methods for multimode data analysis, pages 566–591.
Harshman, R. A. and Lundy, M. E. (1984). The parafac model for three-way factor analysis and multidimensional scaling. Research methods for multimode data analysis, 46:122–215.
Kruskal, J. (1983). Multilinear methods. In Proc. Symp. Appl. Math, volume 28, page 75.
Lorenzo-Seva, U. and Ten Berge, J. M. (2006). Tucker’s congruence coefficient as a meaningful index of factor similarity. Methodology, 2(2):57–64.
Maps, A. (2020). Mobility trends reports. https://covid19.apple.com/mobility.
Internet speed analysis: Rural, (2020). top 200 cities april 5th – https://broadbandnow.com/report/internet-speed-analysisNow, B. 11th. april-5th-11th/.
Salvatier, J., Wiecki, T. V., and Fonnesbeck, C. (2016). Probabilistic programming in python using pymc3. PeerJ Computer Science, 2:e55.
Sandvine (2020). The global internet phenomena report: Covid-19 spotlight. https://www.sandvine.com/covid-internet-spotlight-report.
Smith, A. (1975). A bayesian approach to inference about a change-point in a sequence of random variables. Biometrika, 62(2):407–416.
Stedmon, C. A. and Bro, R. (2008). Characterizing dissolved organic matter uorescence with parallel factor analysis: a tutorial. Limnology and Oceanography: Methods, 6(11):572–579.
Streit, A. G., Leão, R. M. M., de Souza, E., and Menasche, D. (2019). Descobrindo perfis de In Anais Principais do XXXVII tráfego de usuários: uma abordagem não supervisionada. Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 169–182. SBC.
