TÍTULO DA DISSERTAÇÃO/TESE: Telemetria Adaptativa Usando Aprendizado por Reforço Profundo em Redes Definidas por Software
RESUMO – É notório, na época atual, que as atividades e os serviços do dia-a-dia dependem fortemente das tecnologias de comunicação e, para atender tal demanda, as redes de computadores têm se tornado cada vez mais complexas. Uma maneira recente de lidar com tal complexidade é através do uso de Redes Definidas por Software (Software-Defined Networks, ou SDN), uma área de pesquisa relativamente nova que avançou bastante na última década, dado o seu enorme potencial para lidar com as limitações existentes nas redes de computadores tradicionais. O SDN rompe com paradigmas arquiteturais tradicionais e provê uma visão global da rede, permitindo assim a adoção de um plano de controle programável e centralizado, assim como um plano de dados igualmente programável por meio de linguagens de domínio específico. Dentre outras aplicações inéditas, o paradigma SDN impulsionou novas técnicas voltadas para um monitoramento de alta granularidade das redes de computadores, o que vem sendo usualmente chamado de telemetria de redes. Dentre essas técnicas, as que têm despertado maior interesse são as que fazem uso de telemetria in-band, ou “dentro da banda”’, na qual os dados de monitoramento são transportados em campos específicos que são inseridos nos pacotes de dados que trafegam pela rede. As inserções dessas informações, conhecidas como metadados, exigem uma programabilidade do plano de dados para que esses campos possam ser criados sob demanda nos pacotes, assim como retirados antes que os mesmos sejam entregues nos seus destinos finais. Contudo, a adoção indiscriminada de telemetria in-band sempre gera custos adicionais que podem degradar o desempenho dessas redes, provocando um volume exagerado de dados a serem processados nos dispositivos e armazenados nos sistemas finais coletores dessas informações, que também deverão processá-los, sendo que isso tudo pode ocorrer em larga escala. O advento de SDN vem impulsionando também o crescimento da abordagem de redes autogerenciáveis, que são sistemas que visam operar por conta própria, demandando pouca ou nenhuma intervenção humana. Esse autogerenciamento é fruto da união das novas tecnologias providas por SDN, como a telemetria in-band, mecanismos de inteligência artificial e sistemas de apoio a decisões. Dito isso, este trabalho propõe a adoção de um mecanismo adaptativo de telemetria in-band como forma de contornar os problemas relacionados à produção exagerada de dados de monitoramento e ao respectivo consumo exarcebado de recursos. Para tal, se faz necessário um sistema inteligente capaz de intensificar ou aliviar a produção de telemetria a partir de uma leitura resumida do ambiente de rede, tendo em vista os objetivos operacionais e gerenciais deste monitoramento. Para prover essa abordagem adaptativa de telemetria, propõe-se aqui o uso de Aprendizado por Reforço Profundo. Essa técnica é especialmente interessante para sistemas em malha fechada e não exige a adoção de datasets rotulados, que são difíceis de ser obtidos e comprometem a devida adequação da solução a diversos ambientes de rede. De maneira a concretizar esta proposta, foi desenvolvido o framework SmartMon. Através dele, implementou-se a criação de estados que representam o ambiente e permitem o uso de um mecanismo de aprendizado por reforço baseado em rede neural profunda. A partir das saídas geradas por esse sistema inteligente, o SmartMon orquestra as ações de telemetria sobre a rede monitorada. Para fins provas de conceito e análises de desempenho, um ambiente simples e controlado foi desenvolvido sobre uma versao da plataforma ONOS habilitada com o mecanismo In-Band Network Telemetry (INT) e switches P4. Dois estudos de caso usando duas formas diferentes de manipulação da telemetria foram executados, um que aumenta ou diminui a quantidade de metadados inseridos nos pacotes do fluxo monitor, outro que aumenta ou diminui a taxa de pacotes do fluxo monitor. Para cada estudo de caso, foram variados diversos hiperparâmetros do mecanismo de aprendizado. Os resultados obtidos confirmam os benefícios da proposta, exploram as combinações mais adequadas de hiperparâmetros e apontam direcionamentos futuros para fins de melhorias no protótipo e adoção do SmartMon em cenários reais.
Palavras Chaves: Redes Definidas por Software, Telemetria In-Band, Aprendizado Por Reforço Profundo, Redes Baseadas no Conhecimento.
BANCA EXAMINADORA:
Sidney Cunha de Lucena – Presidente – UNIRIO
Pedro Nuno de Souza Moura, UNIRIO
Magnos Martinello – UFES
Rodolfo da Silva Villaca – UFES
Carlos Alberto Vieira Campos – UNIRIO
Jefferson Elbert Simões – UNIRIO
DATA/HORA DE DEFESA: 22 de novembro de 2023 / 17:00h
Auditório do PPGI
