09:10 - 10:00

Resumo:

A crescente demanda por taxas de transmissão de alta velocidade nos últimos anos atraiu pesquisas em novos mecanismos de caracterização e classificação de tráfego de rede. Seu tratamento inadequado degrada o desempenho de esquemas operacionais importantes, como Capacidade de Sobrevivência de Rede, Engenharia de Tráfego, Qualidade de Serviço (QoS) e Controle de Acesso Dinâmico, entre outros. Os métodos mais comuns para classificação de tráfego são a Inspeção Profunda de Pacotes (DPI) e a Classificação Baseada em Porta. No entanto, esses métodos estão se tornando obsoletos, já que cada vez mais tráfego está sendo criptografado e os aplicativos estão usando portas dinâmicas originalmente atribuídas a outros aplicativos populares. Um método alternativo para classificação de tráfego é o Aprendizado de Máquina (Machine Learning), que usa os recursos estatísticos dos fluxos de tráfego de rede para resolver os problemas fundamentais de DPI e Classificação Baseada em Porta para fluxos criptografados. Além disso, conceitos como redes com reconhecimento de aplicações ou programação de aplicações com reconhecimento de rede, também surgem como propostas para superar as limitações da classificação de tráfego. Nessa direção, com uma arquitetura de controle centralizada e promissora, o paradigma das Redes Definidas por Software (Software Defined Networks - SDN), incluindo o protocolo OpenFlow, surgiu como um caminho para a realização de uma interação entre redes e aplicações. Esta palestra tem como proposta apresentar uma fundamentação básica conceitual sobre a justa posição do Machine Learning aplicado em ambientes de Redes Definidas por Software, com foco nas possibilidades e perspectivas para Redes de Computadores.

Palestrantes:

Klenilmar Lopes Dias - Grupo de Pesquisa em Tecnologias da Informação e Comunicação na Amazônia

Slides:

Machine Learning e Redes Definidas por Software: Conceitos, Aplicações e Perspectivas