Caracterização e Modelos para Avaliar o Desempenho de Redes de Acesso Residencial Baseados em Aprendizado de Máquina
Autores
|
5763 |
Gustavo Henrique Alves dos Santos
|
2657,754
|
|
5764 |
2657,754
|
Informações:
Publicações do PESC
A medida que o acesso a internet utilizando redes residenciais ganha importância para a sociedade se torna essencial garantir que a qualidade do serviço oferecido seja adequada. Diversos trabalhos na literatura realizam medições de desempenho em redes residenciais, mas poucos propõem a criação de modelos a partir dos dados coletados. Neste trabalho são analisados o processo de perda e a dinâmica do tráfego observado em redes de acesso residencial. Propõe-se a utilização de modelos baseados em técnicas de aprendizado de máquina, criados a partir dos dados coletados por um software embarcado em roteadores residenciais. Os resultados obtidos mostram que cadeias de Markov ocultas conseguem modelar de maneira precisa as distribuições do tamanho das rajadas de perda e intervalo entre perdas. Observa-se que o tráfego medido possui alta autocorrelação e apresenta rajadas em diferentes escalas de tempo, característica que ainda não foi observada em tráfego residencial. Mostra-se também que cadeias de Markov ocultas podem ser utilizadas para representar de maneira precisa as características do tráfego.
Residential access to the Internet has become increasingly relevant to society. Therefore, it is essential that the service provided to clients has an adequate level of performance. There are a few recent papers in the literature that report results from measurement studies performed at the home gateway router. But the literature lacks studies aimed at building accurate models obtained from data collected at the home gateway. This work is the result of a measurement study conducted at residential clients of a major network provider. We focus on two metrics: the total traffic process generated by clients and the loss process collected from UDP samples generated from clients of a large set to a given reference server. Models based on machine learning techniques were developed from the data collected using an embedded software at the home routers we helped developing. After comparing the models, we conclude that HMMs are accurate for modeling the loss process. We also find that the residential home traffic is bursty at different time scales, and that the autocorrelation slowly decays with increasing time lag. This characteristic has not been observed before for residential traffic. We also conclude that HMMs can be used to accurate represent traffic characteristics.