Uma Abordagem de Aprendizagem Federada para Classificação de Enlaces de Rede a  partir de Matrizes de Tráfego Usando Computação de Borda

Silva, Nicolas André Alves da

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

dc.contributor.advisor	Campos, Carlos Alberto Vieira
dc.contributor.author	Silva, Nicolas André Alves da
dc.date.accessioned	2026-10-28T21:49:02Z
dc.date.available	2026-10-28T21:49:02Z
dc.date.issued	2026-03-31
dc.identifier.citation	SILVA, Nicolas André Alves da. Uma Abordagem de Aprendizagem Federada para Classificação de Enlaces de Rede a partir de Matrizes de Tráfego Usando Computação de Borda. Orientador: Carlos Alberto Vieira Campos. Coorientador: Sidney Cunha de Lucena. 2026. 92 f. Tese (Doutorado em Informática) – Programa de Pós-Graduação em Informática, Centro de Ciências Exatas e Tecnologia, Universidade Federal do Estado do Rio de Janeiro (UNIRIO), Rio de Janeiro, 2026	pt_BR
dc.identifier.uri	http://hdl.handle.net/unirio/15486
dc.description.sponsorship	CAPES	pt_BR
dc.language.iso	Portuguese	pt_BR
dc.rights	openAccess	pt_BR
dc.title	Uma Abordagem de Aprendizagem Federada para Classificação de Enlaces de Rede a partir de Matrizes de Tráfego Usando Computação de Borda	pt_BR
dc.type	doctoralThesis	pt_BR
dc.contributor.advisor-co	Lucena, Sidney Cunha de
dc.contributor.referee	Campos, Carlos Alberto Vieira
dc.contributor.referee	Lucena, Sidney Cunha de
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	Quality of Service	pt_BR
dc.subject.en	Traffic Matrices	pt_BR
dc.subject.en	Federated Learning	pt_BR
dc.subject.en	Multi-Access Edge Computing	pt_BR
dc.subject.en	Intelligent Transportation Systems	pt_BR
dc.description.abstracten	Monitoring network links is an important task for providing network services, such as packet routing in Software-Defined Networks (SDNs). The utilization level of a network link is directly related to the probability of packet congestion; therefore, frequently monitoring network link utilization levels ensures the success of tasks that depend on minimum Quality of Service (QoS) requirements. Instead of using sensors on network links during monitoring, the SDN controller can calculate the utilization levels of its links using end-to-end demand information and knowledge of packet routes. To optimize this calculation, this work proposes a general solution for a Machine Learning (ML) model that classifies a network link according to its utilization rate. This classification uses as input data a traffic matrix containing all end-to-end network traffic demands over a given time interval. According to this general solution, the LinkClassifier and NetLinkClassifier models are also presented. To train the LinkClassifier, the numerical value of the network link utilization rate is required, in addition to the model’s input and output information. In the NetLinkClassifier scenario, traffic matrices are assembled in a Multi-Access Edge Computing (MEC) layer of the SDN, using information from the SDN nodes. Before training the NetLinkClassifier,a set of supervised data is stored in a distributed manner in this MEC layer. The NetLinkClassifier is then trained using the Federated Learning (FL) paradigm. To ensure security in data storage and transmission, a cryptographic system is recommended. A study provided in this work evaluates the influence of cryptography on classification performance. Other performance analyses compare the use of the NetLinkClassifier model, varying the model parameters and SDN configurations. Following this, it is shown how the NetLinkClassifier model can be applied to support a Virtualized Network Function (VNF) that performs SDN packet routing. Finally, given the potential for generalization of the proposed solution and based on this general network link classification model, a study presents the CityZoneClassifier model, which classifies a city zone according to its use in vehicle routes.	pt_BR
dc.degree.country	Brasil	pt_BR
dc.description.sponsordocumentnumber	n/a	pt_BR
dc.description.abstractpt	Monitorar enlaces de rede é uma tarefa importante para fornecer serviços de rede, tais como o roteamento de pacotes em Redes Definidas por Software (SDNs). O nível de utilização de um enlace de rede está diretamente relacionado com a probabilidade de ocorrer congestionamento de pacotes, logo, monitorar frequentemente os níveis de utilização dos enlaces de rede garante o resultado de tarefas que dependem de requisitos mínimos de Qualidade de Serviço (QoS). Ao invés de usar sensores nos enlaces de rede durante o monitoramento, o controlador da SDN pode calcular os níveis de utilização de seus enlaces usando informações de demanda de ponta a ponta e o conhecimento das rotas de pacotes. Para otimizar esse cálculo, este trabalho propõe uma solução geral de um modelo de Aprendizado de Máquina (ML) que classifica um enlace de rede quanto a sua à sua taxa de utilização. Essa classificação usa como dado de entrada uma matriz de tráfego que contém todas as demandas de tráfego de ponta a ponta da rede em um determinado intervalo de tempo. De acordo com esta solução geral, são apresentados também os modelos LinkClassifier e NetLinkClassifier. Para treinar o LinkClassifier,é necessário o valor numérico de taxa de utilização do enlace de rede, além das informações de entrada e saída do modelo. Enquanto no cenário do NetLinkClassifier, as matrizes de tráfego são montadas numa camada de Computação de Borda de Acesso Múltiplo (MEC) da SDN, utilizando informações dos nós da SDN. Antes do treinamento do NetLinkClassifier, um conjunto de dados supervisionados é armazenado de forma distribuída nessa camada MEC. Com isso, o NetLinkClassifier é treinado utilizando o paradigma de Aprendizado Federado (FL). Para garantir a segurança no armazenamento e nas transmissões de dados, recomenda-se um sistema de criptografia. Um estudo fornecido neste trabalho avalia essa influência da criptografia no desempenho da classificação. Outras análises de desempenho comparam o uso do modelo NetLinkClassifier, variando os parâmetros do modelo e as configurações de SDN. Após isto, é mostrado como o modelo NetLinkClassifier pode ser aplicado para dar suporte a uma Função de Rede Virtualizada (VNF) que realiza o roteamento de pacotes da SDN. Por fim, dado o potencial de generalização da solução proposta e baseando-se neste modelo geral de classificação de enlaces de rede, um estudo apresenta o modelo CityZoneClassifier que classifica uma zona de uma cidade quanto à sua utilização em trajetos de veículos.	pt_BR
dc.subject.pt	Qualidade de Serviço	pt_BR
dc.subject.pt	Matrizes de Tráfego	pt_BR
dc.subject.pt	Aprendizado Federado	pt_BR
dc.subject.pt	Computação de Borda de Acesso Múltiplo	pt_BR
dc.subject.pt	Sistemas Inteligentes de Transporte	pt_BR