Uma Arquitetura de Co-orquestração SDN e Aprendizado Federado para Seleção Adaptativa de Clientes
Resumo
Embora promissor, o desempenho do Aprendizado Federado (FL) é diretamente impactado pela infraestrutura de rede subjacente. Em cenários de congestionamento, a ausência de gerenciamento proativo de tráfego e de critérios objetivos de seleção de clientes pode elevar o tempo de convergência e comprometer a qualidade do treinamento. Assim, este trabalho propõe e avalia uma arquitetura que integra Redes Definidas por Software (SDN) ao processo de FL, estabelecendo um ciclo de co-orquestração, onde um orquestrador SDN monitora continuamente o estado da rede, aplica reencaminhamento proativo de fluxos e expõe métricas em tempo real para a seleção adaptativa de clientes — baseada em qualidade do modelo local e condições de rede. A avaliação foi conduzida em topologia hierárquica emulada com 14 switches OpenFlow, treinando modelos XGBoost sobre os datasets Epsilon, HIGGS e MNIST. A arquitetura reduziu o tempo de execução das rodadas em aproximadamente 45–58% (variando conforme o dataset) sem degradação estatisticamente significativa nas métricas de qualidade — evidenciando que a co-orquestração entre controle de rede e seleção de clientes cria um ciclo virtuoso capaz de acelerar o FL sem comprometer sua eficácia preditiva.
Palavras-chave:
Redes Definidas por Software, Aprendizado Federado, Co-orquestração Inteligente
Referências
Abdulrahman, S., Tout, H., Ould-Slimane, H., Mourad, A., Talhi, C., and Guizani, M. (2021). A survey on federated learning: The journey from centralized to distributed on-site learning and beyond. IEEE Internet of Things Journal, 8(7):5476–5497.
Aledhari, M., Razzak, R., Parizi, R. M., and Saeed, F. (2020). Federated learning: A survey on enabling technologies, protocols, and machine learning models. IEEE Access, 8:140699–140725.
Alves, V. R. M., da Costa, J. B. D., Gonzalez, L. F. G., de Souza, A. M., and Villas, L. A. (2024). Seleção de clientes adaptativa baseada em privacidade diferencial para aprendizado federado. In Anais Estendidos do XLII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 225–232. SBC.
Caria, M. and Jukan, A. (2018). A comprehensive analysis on control plane deployment in SDN: In-band versus out-of-band solutions. IEEE Communications Surveys & Tutorials, 20(4):3473–3488.
Chen, T. and Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 785–794.
Cristino, L. F. C. and Caminha, P. H. C. (2024). Caracterização da latência de borda sob efeito de mobilidade a partir de dados reais. In Anais do Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos. SBC.
Dakhia, Z. and Merenda, M. (2025). Client selection in federated learning on resource-constrained devices: A game theory approach. Applied Sciences, 15:7556.
de Souza, A. M., Maciel, F., da Costa, J. B. D., Bittencourt, L. F., Cerqueira, E., Loureiro, A. A. F., and Villas, L. A. (2024). Adaptive client selection with personalization for communication efficient federated learning. Ad Hoc Networks, 157:103462.
GNS3 Technologies Inc. (2024). GNS3: The software that empowers network professionals. [link].
Hamdan, O. A., Che, H., Arslan, E., and Arifuzzaman, M. (2025). SmartFLow: A communication-efficient SDN framework for cross-silo federated learning. Preprint.
Konečný, J., McMahan, H. B., Yu, F. X., Richtárik, P., Suresh, A. T., and Bacon, D. (2016). Federated learning: Strategies for improving communication efficiency. In NIPS Workshop on Private Multi-Party Machine Learning.
Libardi, G. M. A., Kimura, B. Y. L., and da Costa, J. B. D. (2025). Menos é mais: Avaliação do impacto da compressão de modelos na eficiência do aprendizado federado. In Anais do Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos. SBC. UNIFESP – São José dos Campos.
Ma, Z., Ma, J., Miao, Y., Li, X., Liu, Z., and Li, H. (2022). Applying federated learning in software-defined networks: A survey. Symmetry, 14(2):195.
Mahmod, A., Pace, P., and Iera, A. (2025). The role of SDN to improve client selection in federated learning. IEEE Communications Magazine, 63(3):212–218.
McMahan, B., Moore, E., Ramage, D., Hampson, S., and y Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. In Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS), pages 1273–1282.
Nilsson, A., Smith, S., Ulm, G., Gustavsson, E., and Jirstrand, M. (2018). A performance evaluation of federated learning algorithms. arXiv preprint arXiv:1811.09655.
Nishio, T. and Yonetani, R. (2019). FedCS: Communication-efficient federated learning with client selection. In IEEE International Conference on Communications (ICC), pages 1–7.
Oliveira, V. R., Oliveira, J. M., Macedo, D., and Nogueira, J. M. (2025). Tolerância a falhas com aprendizado por reforço para tomada de decisão em cenários distribuídos. In Anais do Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos. SBC.
Seo, E., Niyato, D., and Elmroth, E. (2021). Auction-based federated learning using software-defined networking for resource efficiency. In 2021 17th International Conference on Network and Service Management (CNSM), pages 42–48.
Shahid, A. et al. (2021). Communication efficiency in federated learning: Achievements and challenges. arXiv preprint arXiv:2107.10996.
Shen, Y., Xi, W., Cai, Y., Fan, Y., Yang, H., and Zhao, J. (2024). Multi-objective federated learning: Balancing global performance and individual fairness. Future Generation Computer Systems.
Trindade, S., Bittencourt, L. F., and da Fonseca, N. L. S. (2022). Resource management at the network edge for federated learning. Data and Communication Networks, 8(4):555–571.
Wu, J., Dong, F., Leung, H., Zhu, Z., Zhou, J., and Drew, S. (2024). Topology-aware federated learning in edge computing: A comprehensive survey. ACM Computing Surveys, 56(10):1–40.
Xie, J., Yu, F. R., Huang, T., Xie, R., Liu, J., Wang, C., and Liu, Y. (2018). A survey of machine learning techniques applied to software defined networking (SDN): Research issues and challenges. IEEE Communications Surveys & Tutorials, 21(1):393–430.
Aledhari, M., Razzak, R., Parizi, R. M., and Saeed, F. (2020). Federated learning: A survey on enabling technologies, protocols, and machine learning models. IEEE Access, 8:140699–140725.
Alves, V. R. M., da Costa, J. B. D., Gonzalez, L. F. G., de Souza, A. M., and Villas, L. A. (2024). Seleção de clientes adaptativa baseada em privacidade diferencial para aprendizado federado. In Anais Estendidos do XLII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 225–232. SBC.
Caria, M. and Jukan, A. (2018). A comprehensive analysis on control plane deployment in SDN: In-band versus out-of-band solutions. IEEE Communications Surveys & Tutorials, 20(4):3473–3488.
Chen, T. and Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 785–794.
Cristino, L. F. C. and Caminha, P. H. C. (2024). Caracterização da latência de borda sob efeito de mobilidade a partir de dados reais. In Anais do Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos. SBC.
Dakhia, Z. and Merenda, M. (2025). Client selection in federated learning on resource-constrained devices: A game theory approach. Applied Sciences, 15:7556.
de Souza, A. M., Maciel, F., da Costa, J. B. D., Bittencourt, L. F., Cerqueira, E., Loureiro, A. A. F., and Villas, L. A. (2024). Adaptive client selection with personalization for communication efficient federated learning. Ad Hoc Networks, 157:103462.
GNS3 Technologies Inc. (2024). GNS3: The software that empowers network professionals. [link].
Hamdan, O. A., Che, H., Arslan, E., and Arifuzzaman, M. (2025). SmartFLow: A communication-efficient SDN framework for cross-silo federated learning. Preprint.
Konečný, J., McMahan, H. B., Yu, F. X., Richtárik, P., Suresh, A. T., and Bacon, D. (2016). Federated learning: Strategies for improving communication efficiency. In NIPS Workshop on Private Multi-Party Machine Learning.
Libardi, G. M. A., Kimura, B. Y. L., and da Costa, J. B. D. (2025). Menos é mais: Avaliação do impacto da compressão de modelos na eficiência do aprendizado federado. In Anais do Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos. SBC. UNIFESP – São José dos Campos.
Ma, Z., Ma, J., Miao, Y., Li, X., Liu, Z., and Li, H. (2022). Applying federated learning in software-defined networks: A survey. Symmetry, 14(2):195.
Mahmod, A., Pace, P., and Iera, A. (2025). The role of SDN to improve client selection in federated learning. IEEE Communications Magazine, 63(3):212–218.
McMahan, B., Moore, E., Ramage, D., Hampson, S., and y Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. In Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS), pages 1273–1282.
Nilsson, A., Smith, S., Ulm, G., Gustavsson, E., and Jirstrand, M. (2018). A performance evaluation of federated learning algorithms. arXiv preprint arXiv:1811.09655.
Nishio, T. and Yonetani, R. (2019). FedCS: Communication-efficient federated learning with client selection. In IEEE International Conference on Communications (ICC), pages 1–7.
Oliveira, V. R., Oliveira, J. M., Macedo, D., and Nogueira, J. M. (2025). Tolerância a falhas com aprendizado por reforço para tomada de decisão em cenários distribuídos. In Anais do Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos. SBC.
Seo, E., Niyato, D., and Elmroth, E. (2021). Auction-based federated learning using software-defined networking for resource efficiency. In 2021 17th International Conference on Network and Service Management (CNSM), pages 42–48.
Shahid, A. et al. (2021). Communication efficiency in federated learning: Achievements and challenges. arXiv preprint arXiv:2107.10996.
Shen, Y., Xi, W., Cai, Y., Fan, Y., Yang, H., and Zhao, J. (2024). Multi-objective federated learning: Balancing global performance and individual fairness. Future Generation Computer Systems.
Trindade, S., Bittencourt, L. F., and da Fonseca, N. L. S. (2022). Resource management at the network edge for federated learning. Data and Communication Networks, 8(4):555–571.
Wu, J., Dong, F., Leung, H., Zhu, Z., Zhou, J., and Drew, S. (2024). Topology-aware federated learning in edge computing: A comprehensive survey. ACM Computing Surveys, 56(10):1–40.
Xie, J., Yu, F. R., Huang, T., Xie, R., Liu, J., Wang, C., and Liu, Y. (2018). A survey of machine learning techniques applied to software defined networking (SDN): Research issues and challenges. IEEE Communications Surveys & Tutorials, 21(1):393–430.
Publicado
25/05/2026
Como Citar
OLIVEIRA, João Victor de; QUEIROGA, Cândido de; MATOS, Fernando.
Uma Arquitetura de Co-orquestração SDN e Aprendizado Federado para Seleção Adaptativa de Clientes. In: WORKSHOP DE GERÊNCIA E OPERAÇÃO DE REDES E SERVIÇOS (WGRS), 31. , 2026, Praia do Forte/BA.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 211-224.
ISSN 2595-2722.
DOI: https://doi.org/10.5753/wgrs.2026.24117.
