Predição de Atraso Alto em Infraestruturas de Rede através de Redes Neurais de Grafos

• Janaina R. Santos UECE
• Francisco V. J. Nobre UECE
• Ismael F. de Castro UECE
• Maria L. M. Linhares UECE
• Maria C. M. M. Ferreira UECE
• Rafael L. Gomes UECE

DOI: https://doi.org/10.5753/sbrc.2026.19321

Resumo

Gerenciar infraestruturas de rede de grande escala é desafiador, onde a predição de métricas de desempenho, tal como o atraso, é crucial. Contudo, as técnicas preditivas existentes possuem dificuldades em compreender como as características da infraestrutura e o desempenho das comunicações afetam o comportamento futuro. Dentro deste contexto, este trabalho propõe uma abordagem baseada em Redes Neurais de Grafos (GNNs) para predição de situações de atraso alto. A infraestrutura é modelada como um grafo dinâmico, no qual pontos de comunicação são representados como nós e suas relações são definidas por correlações históricas de atraso e similaridade topológica. A abordagem emprega aplicação de janelas temporais e otimização bayesiana de hiperparâmetros para aprimorar a capacidade preditiva. Experimentos com dados reais da Rede Nacional de Ensino e Pesquisa (RNP) demonstram ganhos significativos na detecção proativa de degradações de desempenho.

Referências

Brito, M. L. L., Ferreira, M. C. M., Portela, A. L. C., and Gomes, R. L. (2026). Aibased estimation of bandwidth availability for data offloading in edge-cloud computing. IEEE Networking Letters, 8:69–73.

Direito, R., Matos, D., Gomes, D., Gomes, D., and Aguiar, R. (2023). A monitoring system to measure the impact of a network application in a 5g network. In Proceedings of the IEEE Conference on Network Function Virtualization and Software Defined Networks (NFV-SDN), pages 72–78.

Farreras, M., Soto, P., Camelo, M., Fàbrega, L., and Vilà, P. (2023). Improving network delay predictions using gnns. Journal of Network and Systems Management, 31(65):1–36.

Ferreira, M. C., Ribeiro, S. E., Nobre, F. V., Linhares, M. L., Araújo, T. P., and Gomes, R. L. (2024). Mitigating measurement failures in throughput performance forecasting. In Proceedings of the 20th International Conference on Network and Service Management (CNSM), pages 1–7.

Ge, Z., Hou, J., and Nayak, A. (2022). Gnn-based end-to-end delay prediction in software defined networking. In International Conference on Distributed Computing in Sensor Systems (DCOSS), pages 372–378.

Gomes, R. L., Bittencourt, L. F., and Madeira, E. R. M. (2014). A similarity model for virtual networks negotiation. In Proceedings of the 29th Annual ACM Symposium on Applied Computing, SAC ’14, page 489–494, New York, NY, USA. Association for Computing Machinery.

Hu, N., Zhang, D., Xie, K., Liang, W., and Hsieh, M.-Y. (2022). Graph learning-based spatial–temporal graph convolutional neural networks for traffic forecasting. Connection Science, 34(1):429–448.

Kipf, T. N. and Welling, M. (2017). Semi-supervised classification with graph convolutional networks. In International Conference on Learning Representations (ICLR).

Lin, Z., Zhang, H., Gao, P., Yu, F., Wu, T., Xiong, X., and Cai, S. (2025). Gnn-based timing prediction in prerouting stage with multitask learning strategy. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 44(8):3154–3164.

Mouchet, M., Vaton, S., Chonavel, T., Aben, E., and den Hertog, J. (2020). Large-scale characterization and segmentation of internet path delays with infinite hidden markov models. IEEE Access, 8:175000–175015.

Nobre, F. V. J., Silva, D. d. S., Ferreira, M. C. M. M., Brito, M. L. M. L., Araújo, T. P., and Gomes, R. L. (2025). Time-weighted correlation approach to identify high delay links in internet service providers. Journal of Internet Services and Applications, 16(1):419–430.

Nosyk, F. et al. (2025). A day in the life of ripe atlas: Operational insights and applications in network measurements. arXiv preprint arXiv:2511.22474.

Portela, A., Linhares, M. M., Nobre, F. V. J., Menezes, R., Mesquita, M., and Gomes, R. L. (2024a). The role of tcp congestion control in the throughput forecasting. In Proceedings of the 13th Latin-American Symposium on Dependable and Secure Computing, LADC ’24, page 196–199, New York, NY, USA. Association for Computing Machinery.

Portela, A. L. C., Ribeiro, S. E. S. B., Menezes, R. A., Araújo, T. P. d., and Gomes, R. L. (2024b). T-for: An adaptable forecasting model for throughput performance. IEEE Transactions on Network and Service Management, 21(3):2791–2801.

Souza, M. S., Ribeiro, S. E. S. B., Lima, V. C., Cardoso, F. J., and Gomes, R. L. (2024). Combining regular expressions and machine learning for sql injection detection in urban computing. Journal of Internet Services and Applications, 15(1):103–111.

Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., and Yu, P. S. (2021). A comprehensive survey on graph neural networks. IEEE Transactions on Neural Networks and Learning Systems, 32(1):4–24.