Avaliação de Desempenho de Algoritmos de Machine Learning para Otimização de Simulações de Redes de Computadores

  • Joyce Quintino Alves Instituto Federal de Educação, Ciência e Tecnologia do Ceará
  • Silas Santiago Lopes Pereira Instituto Federal de Educação, Ciência e Tecnologia do Ceará
  • Reinaldo Bezerra Braga Instituto Federal de Educação, Ciência e Tecnologia do Ceará
  • Antônio Mauro Barbosa de Oliveira Instituto Federal de Educação, Ciência e Tecnologia do Ceará
  • Carina Teixeira de Oliveira Instituto Federal de Educação, Ciência e Tecnologia do Ceará

Resumo


Os simuladores de redes são ferramentas computacionais capazes de auxiliar na análise e aperfeiçoamento de protocolos de comunicação em diferentes cenários antes da implantação em um ambiente real. No entanto, o tempo de execução das simulações e os recursos computacionais alocados tendem a crescer à medida que os requisitos de complexidade e precisão aumentam. Além disso, muitos processos de simulação possuem como única saída traces sem interpretação lógica. Este trabalho avalia o desempenho de algoritmos de Machine Learning na otimização de simulações de redes de computadores. Os resultados mostram que os algoritmos são capazes de fazer suposições próximas das simulações consideradas, alcançando precisões acima de 90%.

Palavras-chave: Otimização de redes de computadores, Machine Learning em cenários de redes, Predição da taxa de entrega.

Referências

Abreu, C. E.M., Gonzaga, D.R. B., dos Santos, F.J., de Oliveira, J. F., de Morais Oliveira,K. D., Figueiredo, L. M., Nascimento, M. P., de Oliveira, P. G., de Souza Yoshinaga,S. T., de Oliveira, T. T., da Mata, V. S., and dos Santos Gonçalves, G. A. (2017).Indústria 4.0: Como as empresas estão utilizando a simulação para se preparar para ofuturo. In Revista de Ciências Exatas e Tecnologia, volume 12, pages 49-53.

Akyildiz, 1. F., Wang, X., and Wang, W. (2005). Wireless mesh networks: a survey. InComputer Networks - Science Direct, volume 47, pages 445-487.

Andreev, K., Boyko, P., and Andreev, Kirill, P. B. (2010). IEEE 802.11s Mesh NetworkingNS-3 Model. In NS-3 Workshop.

Faceli, K., Lorena, A. C., Gama, J., and de Carvalho, A. C. P.L. F. (2011). Inteligênciaartificial: uma abordagem de aprendizado de máquina. Grupo Gen - LTC.

Hwang, A., Lee, J., and Kim, B. (2017). Design and performance evaluation of tcpperformance enhancement algorithm with machine learning in wireless environments.International Journal of Applied Engineering Research, 12:14370-14376.

IEEE 802.1 1s (2011). IEEE Standard for Information Technology - Telecommunicationsand Information Exchange Between Systems - Local and Metropolitan Area Networks- Specific Requirements - Part 11: Wireless LAN Medium Access Control (MAC) andPhysical Layer (PHY) Specifications - Amendment 10: Mesh Networking, IEEE Std.

Jain, R. (1991). The art of computer systems performance analysis - techniques for expe-rimental design, measurement, simulation, and modeling. Wiley professional compu-ting. Wiley.

Jolliffe, I. (2011). Principal Component Analysis, pages 1094-1096. Springer BerlinHeidelberg, Berlin, Heidelberg.

Kajita, S., Yamaguchi, H., Higashino, T., Urayama, H., Yamada, M., and Takai, M.(2015). Throughput and delay estimator for 2.4 ghz wifi aps: A machine learning-basedapproach. In 2015 8th IFIP Wireless and Mobile Networking Conference (WMNC), pa-ges 223-226. IEEE.

Lee, K. Y., Suh, Y.-K., and Cho, K. W. (2017). Development of a simulation result ma-nagement and prediction system using machine learning techniques. In InternationalJournal of Data Mining and Bioinformatics, volume 17, pages 75-96.

Moro, F., Amaral, A., Amaral, A., and Nogueira, R. (2019). Análise do impacto daagregação dos fluxos ip nos algoritmos de aprendizado de máquina supervisionadovoltados para a detecção de intrusão. In Anais do XXXVII Simpósio Brasileiro deRedes de Computadores e Sistemas Distribuídos, pages 946-957, Porto Alegre, RS,Brasil. SBC.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel,M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau,D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learningin Python. Journal of Machine Learning Research, 12:2825-2830.

Riley, G. F. and Henderson, T. R. (2010). The ns-3 network simulator. In Modeling andtools for network simulation, pages 15-34. Springer.

Saggioro, L. F. Z., Gonzaga, F. B., and Ribeiro, R. R. (2012). Tracemetrics - uma ferra-menta para a obtenção de medidas de interesse no ns-3. In XXX Simpósio Brasileirode Redes de Computadores e Sistemas Distribuídos, pages 972-979, Ouro Preto, MG,Brasil.

Saha, B. (2018). Green computing: Current research trends. In International Journal ofComputer Sciences and Engineering, volume 6, pages 467-469. IJCSE.

Santos, B. P., Silva, L. A. M., Celes, C. S. F.S., Neto, J. B. B., Peres, B. S., Vieira, M.A.M,., Vieira, L. F.M., Goussevskaia, O. N., and Loureiro, A. A. F. (2016). Internet dascoisas: da teoria à prática. Departamento de Ciência da Computação - UniversidadeFederal de Minas Gerais (UFMG).

Silva, C., Oliveira, Y., Celes, C., Braga, R. B., and de Oliveira, C. T. (2018). Performanceevaluation of wireless mesh networks in smart cities scenarios. In Proceedings of theEuro American Conference on Telematics and Information Systems, EATIS,, pages 1—-7, Fortaleza, CE, Brazil.

Viana, J. D. F., Braga, O., Silva, L., and Neto, F. M. (2019). Analyzing patterns of abicycle sharing system for generating rental flow predictive models. In Anais do III Workshop de Computação Urbana, pages 57-70, Porto Alegre, RS, Brasil. SBC.
Publicado
07/12/2020
Como Citar

Selecione um Formato
ALVES, Joyce Quintino; PEREIRA, Silas Santiago Lopes; BRAGA, Reinaldo Bezerra; DE OLIVEIRA, Antônio Mauro Barbosa; DE OLIVEIRA, Carina Teixeira. Avaliação de Desempenho de Algoritmos de Machine Learning para Otimização de Simulações de Redes de Computadores. In: WORKSHOP DE GERÊNCIA E OPERAÇÃO DE REDES E SERVIÇOS (WGRS), 25. , 2020, Rio de Janeiro. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 167-180. ISSN 2595-2722. DOI: https://doi.org/10.5753/wgrs.2020.12459.