Avaliação do uso de Aprendizado de Máquina para Engenharia de Tráfego em Redes Cientes de Caminho
Resumo
Este artigo investiga a aplicação de aprendizado de máquina supervisionado para predizer o caminho de menor latência em Redes Cientes de Caminho. Inicialmente, a análise demonstra que datasets públicos de redes tradicionais são inadequados devido a limitações estruturais e à ausência de garantias sobre os trajetos percorridos. Para suprir essa lacuna, desenvolveu-se um protótipo emulado baseado em Redes Definidas por Software (Mininet e Ryu), capaz de gerar datasets precisos de telemetria sob diversos perfis de tráfego. Embora os classificadores superem 97% de acurácia em cenários previamente conhecidos, a avaliação revela que eles tendem a memorizar a classe predominante do treinamento em vez de assimilar a regra implícita da menor latência. Esses achados evidenciam a necessidade de retreinamento contínuo em ambientes dinâmicos e estabelecem o ambiente proposto como uma ferramenta valiosa para a validação empírica de futuras soluções de roteamento inteligente.
Referências
Alekseeva, D. et al. (2021). Comparison of machine learning techniques applied to traffic prediction of real wireless network. IEEE Access, 9:159495–159514.
Bernárdez, G. et al. (2021). Is machine learning ready for traffic engineering optimization? Comitê Técnico de Monitoramento de Redes – RNP (2024). Especificação do primeiro data challenge. [link].
Contributors, M. P. (2025). Mininet: An instant virtual network on your laptop (or other pc). [link]. Acesso em: 18 nov. 2025.
Farrel, A. (2024). Overview and Principles of Internet Traffic Engineering. RFC 9522.
Ferreira, G. O. et al. (2023). Forecasting network traffic: A survey and tutorial with open-source comparative evaluation. IEEE Access, 11:6018–6044.
Hartert, R. et al. (2015). A declarative and expressive approach to control forwarding paths in carrier-grade networks. In Proceedings of the 2015 ACM Conference on Special Interest Group on Data Communication, SIGCOMM ’15, page 15–28, New York, NY, USA. Association for Computing Machinery.
International Telecommunication Union (2023). Internet traffic.
Kiran, M., Campbell, S., and Buraglio, N. (2022). Hecate: Ai-driven wan traffic engineering for science. In 2022 IEEE/ACM International Workshop on Innovating the Network for Data-Intensive Science (INDIS), pages 41–49.
Kubo, R. et al. (2014). Ryu sdn framework-open-source sdn platform software. NTT Technical Review, 12.
Kurose, J. F. and Ross, K. W. (2017). Computer Networking: A Top-Down Approach. Pearson, Boston, MA, 7th edition.
McKeown, N. et al. (2008). Openflow: enabling innovation in campus networks. SIGCOMM Comput. Commun. Rev., 38(2):69–74.
Mestres, A. et al. (2017). Knowledge-defined networking. ACM SIGCOMM Computer Communication Review, 47(3):2–10.
Paraíso, D. (2023). Simulação de performance de serviços de comunicação de dados pela plataforma GNS3. Master’s thesis, Instituto Federal do Espírito Santo, Vitória, ES.
Paullada, A. et al. (2021). Data and its (dis) contents: A survey of dataset development and use in machine learning research. Patterns, 2(11).
Sandvine (2024). Global Internet Phenomena Rreport March 2024. Technical Report v20240213, Sandvine Corporation, 5800 Granite Parkway, Suite 170, Plano, TX 75024, USA.
Trammell, B. (2022). Current Open Questions in Path-Aware Networking. RFC 9217.
Yadav, A. (2018). Network path prediction and selection using machine learning. US Patent App. 15/620,247.
Yu, M. (2019). Network telemetry: towards a top-down approach. SIGCOMM Comput. Commun. Rev., 49(1):11–17.
Zhou, F. et al. (2025). Traffic engineering in large-scale networks with generalizable graph neural networks.
