Avaliação do impacto das diferentes abordagens de coleta de telemetria de redes nos modelos de aprendizado de máquina

Resumo

Tradicionalmente, o monitoramento e o gerenciamento de redes de computadores são baseados na análise de um conjunto de métricas de desempenho, como: o consumo de CPU de um determinado equipamento, o número de pacotes enviados por uma interface de rede ou mesmo o atraso em uma determinada conexão. No entanto, coletar essas métricas "finas" nem sempre foi fácil ou mesmo possível. Esse cenário mudou recentemente graças ao plano de dados programável com a linguagem P4 em conjunto com INT (In-band Network Telemetry). Nesse sentido, as instruções de telemetria direcionam a coleta de novas métricas finas de equipamentos de rede em baixa granularidade e alta frequência, permitindo que os operadores de rede obtenham uma visão mais clara do estado da rede a partir de uma grande quantidade de dados. Esses dados são então usados para alimentar modelos de ML (Machine Learning) para diferentes aplicações, como previsões de QoS e controle de congestionamento. No entanto, embora a quantidade de dados de telemetria coletados seja, por um lado, extremamente importante para os modelos de ML, por outro, pode causar consumo excessivo de recursos de rede apenas para coletar tais métricas. Nesse sentido, existem diversas técnicas na literatura que utilizam abordagens determinísticas e probabilísticas para reduzir a quantidade de dados de telemetria coletados. O objetivo deste projeto de pesquisa é avaliar como diferentes soluções de INT afetam a precisão dos modelos de ML. Avaliaremos mecanismos determinísticos e probabilísticos de INT e a diferença entre a quantidade de dados coletados e a precisão. Serão avaliados os modelos de ML mais conhecidos, como Random Forest, Decision Tree, KNN e Reinforcement Learning.