Diagnóstico de QoS em Redes a partir de Análise conjunta de Sobrevivência e Mudanças Estatísticas em Séries Temporais de Desempenho

• Ian José Agra Gomes UFRJ / CASNAV
• Gabriel Buginga UFRJ
• Edmundo de Souza e Silva UFRJ
• Rosa Maria Meri Leão UFRJ
• Gaspare Bruno Anlix

DOI: https://doi.org/10.5753/wperformance.2025.8604

Resumo

Este trabalho apresenta uma metodologia inovadora para avaliar a qualidade do serviço em redes de computadores, combinando técnicas de detecção de pontos de mudança em séries temporais com clusterização baseada em análise de sobrevivência. Motivado por uma parceria entre o M-Lab e a RNP, o método foi aplicado a dados reais, coletados de um ISP utilizando o protocolo NDT, permitindo identificar clientes e servidores com desempenho inferior aos demais. Para facilitar a interpretação dos resultados por equipes não especializadas, usamos um modelo de linguagem de grande porte (LLM), que produz relatórios compreensíveis a partir dos resultados da metodologia.

Referências

Abdin, M. I. and et al. (2024). Phi-4 technical report. Technical Report MSR-TR-202457, Microsoft.

Buginga, G. and de Souza e Silva, E. (2024). Clustering survival data using a mixture of non-parametric experts. arXiv.

Buginga, G. C. (2023). Algoritmos de Aprendizado de Máquina Aplicados a Dados Censoriados para Previsão de Mortalidade de Pacientes com Doença Arterial Coronariana. Dissertação de mestrado, COPPE - Universidade Federal do Rio de Janeiro.

de Almeida, C. M., Leão, R. M. M., and de Souza e Silva, E. (2024). Inferindo pontos de mudança em séries temporais com dados não rotulados: um breve estudo usando dados do NDT. In XLII SBRC, pages 686–699.

de Souza e Silva, C. G., Buginga, G. C., de Souza e Silva, E. A., Arena, R., Rouleau, C. R., Aggarwal, S., Wilton, S. B., Austford, L., Hauer, T., and Myers, J. (2022). Prediction of mortality in coronary artery disease: Role of machine learning and maximal exercise capacity. Mayo Clinic Proceedings, 97(8):1472–1482.

de Souza e Silva, E. and Gail, H. R. (1989). Calculating availability and performability measures of repairable computer systems using randomization. J. ACM, 36(1):171–193.

Gill, P., Diot, C., Ohlsen, L. Y., Mathis, M., and Soltesz, S. (2022). M-lab: user initiated internet data for the research community. SIGCOMM Comput. Commun. Rev., 52(1):34–37.

M-Lab (2025). Ndt (network diagnostic tool).

Pi, Y., Jamin, S., and Wei, L. (2024). Measuring congestion-induced performance imbalance in internet load balancing at scale. In Proceedings of the ACM SIGCOMM.

RNP (2023). RNP e M-Lab assinam MoU. [link].

Sharma, A., Sundaresan, S., and Madhyastha, H. V. (2024a). Measuring the prevalence of wifi bottlenecks in home access networks. In Proceedings of the ACM Internet Measurement Conference (IMC).

Sharma, T., Padaki, R., and Feamster, N. (2024b). Beyond data points: Regionalizing crowdsourced latency measurements. In Proceedings of the ACM SIGMETRICS. ACM.

Streit, A. G., dos Santos, G. H. A., Leão, R. M. M., e Silva, E. d. S., Menasché, D., and Towsley, D. (2021). Network anomaly detection based on tensor decomposition. Computer Networks, 200:108503.