Usando Redes Neurais para Reconstruir Traços de Sessões de Usuários de Sistemas de Larga Escala

• Kayuã Oleques Paim UNIPAMPA
• Rafael Duarte Beltran UNIPAMPA
• Rodrigo Brandão Mansilha UNIPAMPA
• Weverton Cordeiro UFRGS

DOI: https://doi.org/10.5753/sbrc.2021.16766

Resumo

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.

Referências

Anderson, S., Barford, C., and Barford, P. (2020). Five alarms: Assessing the vulnerability of us cellular communication infrastructure to wildfires. In ACM Internet Measurement Conference, IMC ’20, page 162–175, New York, NY, USA. ACM.

Boutaba, R., Salahuddin, M. A., Limam, N., Ayoubi, S., Shahriar, N., Estrada-Solano, F., and Caicedo, O. M. (2018). A comprehensive survey on machine learning for networking: evolution, applications and research opportunities. Journal of Internet Services and Applications, 9(1):16.

Cheng, L., Niu, J., Kong, L., Luo, C., Gu, Y., He, W., and Das, S. K. (2017). Compressive sensing based data quality improvement for crowd-sensing applications. Journal of Network and Computer Applications, 77:123 – 134.

Cordeiro, W., Gaspary, L., Beltran, R., Paim, K., and Mansilha, R. (2021). Revisiting the coupon collector’s problem to unveil users’ online sessions in networked systems. Peer-to-Peer Networking and Applications.

Cordeiro, W., Mansilha, R. B., Santos, F. R., Gaspary, L. P., and Barcellos, M. P. (2014). Were you there? bridging the gap to unveil users’ online sessions in networked, distributed systems. In 2014 Brazilian Symposium on Computer Networks and Distributed Systems, pages 239–248.

Emami, M., Akbari, R., Javidan, R., and Zamani, A. (2019). A new approach for traffic matrix estimation in high load computer networks based on graph embedding and convolutional neural network. Transactions on Emerging Telecommunications Technologies, 30(6):e3604. e3604 ETT-18-0390.R2.

Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. Prentice Hall, Upper Saddle River, NJ. 2nd edition.

Hoßfeld, T., Lehrieder, F., Hock, D., Oechsner, S., Despotovic, Z., Kellerer, W., and Michel, M. (2011). Characterization of BitTorrent swarms and their distribution in the Internet. Computer Networks, 55(5):1197–1215.

Junior, N. A. A., Cordeiro, W. L. d. C., and Gaspary, L. P. (2018). Permitindo Maior Reprodutibilidade de Experimentos em Ambientes Distribuídos com Nodos de Baixa Confiabilidades. In 36º Simpósio Brasileiro de Redes de Computadores e de Sistemas Distribuídos (SBRC 2018), pages 1–14.

Kingma, D. P. and Ba, J. (2015). Adam: A method for stochastic optimization. In Bengio, Y. and LeCun, Y., editors, 3rd International Conference on Learning Representations, ICLR 2015, San Diego, CA, USA, May 7-9, 2015, Conference Track Proceedings.

Lareida, A., Hoßfeld, T., and Stiller, B. (2017). The bittorrent peer collector problem. In 2017 IFIP/IEEE Symposium on Integrated Network and Service Management (IM), pages 449–455. IEEE.

LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature, 521(7553):436–444.

Mansilha, R. B., Mezzomo, A., Facchini, G., Gaspary, L. P., and Barcellos, M. P. (2010). Observando o universo bittorrent através de telescópios. In 28 Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, SBRC 2010, Porto Alegre, RS. SBC.

Mayer, J., Sahakian, V., Hooft, E., Toomey, D., and Durairajan, R. (2021). On the resilience of internet infrastructures in pacific northwest to earthquakes. In Passive and Active Measurement, pages 247–265, Cham. Springer International Publishing.

Padmanabhan, R., Schulman, A., Levin, D., and Spring, N. (2019). Residential links under the weather. In ACM Special Interest Group on Data Communication, SIGCOMM ’19, page 145–158, New York, NY, USA. ACM.

Paim, K. O., Beltran, R. D., Mansilha, R. B., and Cordeiro, W. (2021). GitHub Correcting Datasets With DL SBRC21 repo. Available: [link].

Roughan, M., Thorup, M., and Zhang, Y. (2003). Traffic engineering with estimated traffic matrices. IMC ’03, page 248–258, New York, NY, USA. ACM.

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., and Salakhutdinov, R. (2014). Dropout: A simple way to prevent neural networks from overfitting. 15(1):1929–1958.

Xie, K., Li, X., Wang, X., Xie, G., Wen, J., and Zhang, D. (2018). Graph based tensor recovery for accurate internet anomaly detection. In IEEE INFOCOM 2018 The 37th Annual IEEE Conference on Computer Communications, pages 1502–1510.

Xie, K., Wang, X., Wang, X., Chen, Y., Xie, G., Ouyang, Y., Wen, J., Cao, J., and Zhang, D. (2019). Accurate recovery of missing network measurement data with localized tensor completion. IEEE/ACM Transactions on Networking, 27(6):2222–2235.

Zhang, C., Dhungel, P., Wu, D., and Ross, K. W. (2011). Unraveling the bittorrent ecosystem. IEEE Transactions on Parallel and Distributed Systems, 22(7):1164–1177.

Zhou, H., Tan, L., Zeng, Q., and Wu, C. (2016). Traffic matrix estimation: A neural network approach with extended input and expectation maximization iteration. Journal of Network and Computer Applications, 60:220 – 232.