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

• Joyce Quintino Instituto Federal de Educação, Ciência e Tecnologia do Ceará
• Silas Santiago Instituto Federal de Educação, Ciência e Tecnologia do Ceará
• Reinaldo Braga Instituto Federal de Educação, Ciência e Tecnologia do Ceará
• Mauro Oliveira Instituto Federal de Educação, Ciência e Tecnologia do Ceará
• Carina Oliveira Instituto Federal de Educação, Ciência e Tecnologia do Ceará

DOI: https://doi.org/10.5753/wgrs.2020.12459

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 o futuro. In Revista de Ciências Exatas e Tecnologia, volume 12, pages 49-53.

Akyildiz, I. F., Wang, X., and Wang, W. (2005). Wireless mesh networks: a survey. In Computer 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). Inteligência artificial: uma abordagem de aprendizado de máquina. Grupo Gen - LTC.

Hwang, A., Lee, J., and Kim, B. (2017). Design and performance evaluation of tcp performance 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 - Telecommunications and 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 Berlin Heidelberg, 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-based approach. 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 International Journal of Data Mining and Bioinformatics, volume 17, pages 75-96.

Moro, F., Amaral, A., Amaral, A., and Nogueira, R. (2019). Análise do impacto da agregação dos fluxos ip nos algoritmos de aprendizado de máquina supervisionado voltados para a detecção de intrusão. In Anais do XXXVII Simpósio Brasileiro de Redes 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 ferramenta para a obtenção de medidas de interesse no ns-3. In XXX Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 972-979, Ouro Preto, MG,Brasil.

Saha, B. (2018). Green computing: Current research trends. In International Journal of Computer 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 das coisas: da teoria à prática. Departamento de Ciência da Computação - Universidade Federal de Minas Gerais (UFMG).

Silva, C., Oliveira, Y., Celes, C., Braga, R. B., and de Oliveira, C. T. (2018). Performance evaluation of wireless mesh networks in smart cities scenarios. In Proceedings of the Euro 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.