Telemetria Adaptativa com Aprendizado por Reforço Profundo em Redes Definidas por Software

Job, Debora Helena

DSpace Home
→
Centro de Ciências Exatas e Tecnologia (CCET)
→
Informática Aplicada
→
INAP - Teses de Doutorado
→
View Item

dc.contributor.advisor	Lucena, Sidney Cunha de
dc.contributor.author	Job, Debora Helena
dc.date.accessioned	2026-05-07T19:58:27Z
dc.date.available	2026-05-07T19:58:27Z
dc.date.issued	2023-11-01
dc.identifier.citation	JOB, Debora Helena. Telemetria Adaptativa com Aprendizado por Reforço Profundo em Redes Definidas por Software. 122f. Tese (Doutorado em Informática) - Universidade Federal do Estado do Rio de Janeiro, Rio de Janeiro, 2023.	pt_BR
dc.identifier.uri	http://hdl.handle.net/unirio/15081
dc.description.sponsorship	n/a	pt_BR
dc.language.iso	Portuguese	pt_BR
dc.rights	openAccess	pt_BR
dc.title	Telemetria Adaptativa com Aprendizado por Reforço Profundo em Redes Definidas por Software	pt_BR
dc.type	doctoralThesis	pt_BR
dc.contributor.advisor-co	Moura, Pedro Nuno de Souza
dc.contributor.referee	Lucena, Sidney Cunha de
dc.contributor.referee	Moura, Pedro Nuno de Souza
dc.contributor.referee	Resende, Rodolfo da Silva
dc.contributor.referee	Siqueira, Sean Wolfgand Matsui
dc.degree.department	CCET	pt_BR
dc.degree.grantor	Universidade Federal do Estado do Rio de Janeiro - UNIRIO	pt_BR
dc.degree.local	Rio de Janeiro,RJ	pt_BR
dc.degree.program	Programa de Pós-Graduação em Informática	pt_BR
dc.subject.cnpq	CIÊNCIAS EXATAS E DA TERRA.CIÊNCIA DA COMPUTAÇÃO	pt_BR
dc.subject.en	Software Defined Networking (SDN)	pt_BR
dc.subject.en	Network Telemetry	pt_BR
dc.subject.en	Deep Reinforcement Learning	pt_BR
dc.subject.en	Network Management	pt_BR
dc.subject.en	Artificial Intelligence	pt_BR
dc.description.abstracten	This thesis proposes an adaptive telemetry solution for Software-Defined Networking (SDN) based on Deep Reinforcement Learning (DRL). The main challenge addressed is the trade-off between network monitoring accuracy and resource consumption (overhead), such as bandwidth and controller processing. The developed solution uses DRL agents to dynamically adjust the frequency of statistical data collection based on the current network state and traffic. Experiments conducted in simulated environments demonstrate that the adaptive approach outperforms traditional static methods, ensuring precise visibility for anomaly detection and traffic engineering while minimizing the impact on the global infrastructure performance.	pt_BR
dc.degree.country	Brasil	pt_BR
dc.description.sponsordocumentnumber	n/a	pt_BR
dc.description.abstractpt	Esta tese propõe uma solução de telemetria adaptativa para Redes Definidas por Software (SDN) fundamentada em Aprendizado por Reforço Profundo (DRL). O principal desafio abordado é o equilíbrio entre a precisão do monitoramento da rede e o consumo de recursos (overhead), como largura de banda e processamento do controlador. A solução desenvolvida utiliza agentes de DRL para ajustar dinamicamente a frequência de coleta de dados estatísticos com base no estado atual e no tráfego da rede. Os experimentos realizados em ambientes simulados demonstram que a abordagem adaptativa supera métodos estáticos tradicionais, garantindo uma visibilidade precisa para a detecção de anomalias e engenharia de tráfego, enquanto minimiza o impacto no desempenho global da infraestrutura.	pt_BR
dc.subject.pt	Redes Definidas por Software (SDN)	pt_BR
dc.subject.pt	Telemetria de Rede	pt_BR
dc.subject.pt	Aprendizado por Reforço Profundo	pt_BR
dc.subject.pt	Gerenciamento de Redes	pt_BR
dc.subject.pt	Inteligência Artificial	pt_BR