A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques

Detalhes bibliográficos
Autor(a) principal: Araújo Junior, S. R. de
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Biblioteca Digital de Teses e Dissertações da FEI
Texto Completo: https://doi.org/10.31414/EE.2021.D.131405
https://repositorio.fei.edu.br/handle/FEI/4436
Resumo: Os sistemas de comunicação, como por exemplo as redes móveis de quinta geração (5G) têm se desenvolvido rapidamente e devido à esta evolução, o uso dos seus recursos tem se tornado mais complexo. Assim, são necessários novos métodos para a concepção das redes e uma das tecnologias para tal é o Encadeamento de Funções de Serviço que permite o tráfego através de Funções de Rede Virtualizadas flexibilizando o uso dos recursos. Entretanto, há alguns desafios para sua implementação, como por exemplo o volume de dados gerados pelas novas aplicações. O Aprendizado por Reforço Profundo tem sido usado para resolver diversos problemas computacionais, inclusive aqueles relacionados às redes de comunicação. Para atingir os objetivos de otimização de recursos são necessários: a identificação e tratamento do tráfego de rede e o seu correto roteamento pelos dispositivos. O objetivo deste trabalho é investigar como as técnicas de Aprendizado por Reforço Profundo combinadas com a arquitetura de Encadeamento de Funções de Serviços podem proporcionar um mecanismo eficiente de identificação e roteamento de tráfego baseado em perfis, auxiliando os dispositivos responsáveis pelo controle da rede a reconhecer comportamentos indesejáveis e tomar as ações necessárias. Para isto, será proposta uma implementação prática para demonstrar como estas técnicas podem ser aplicadas
id FEI_78f853485daf2186b66a5591dd1131a9
oai_identifier_str oai:repositorio.fei.edu.br:FEI/4436
network_acronym_str FEI
network_name_str Biblioteca Digital de Teses e Dissertações da FEI
repository_id_str https://repositorio.fei.edu.br/oai/request
spelling A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniquesencadeamento de funções de serviçoaprendizado por reforço profundoRedes Móveis de Quinta Geração (5G)Os sistemas de comunicação, como por exemplo as redes móveis de quinta geração (5G) têm se desenvolvido rapidamente e devido à esta evolução, o uso dos seus recursos tem se tornado mais complexo. Assim, são necessários novos métodos para a concepção das redes e uma das tecnologias para tal é o Encadeamento de Funções de Serviço que permite o tráfego através de Funções de Rede Virtualizadas flexibilizando o uso dos recursos. Entretanto, há alguns desafios para sua implementação, como por exemplo o volume de dados gerados pelas novas aplicações. O Aprendizado por Reforço Profundo tem sido usado para resolver diversos problemas computacionais, inclusive aqueles relacionados às redes de comunicação. Para atingir os objetivos de otimização de recursos são necessários: a identificação e tratamento do tráfego de rede e o seu correto roteamento pelos dispositivos. O objetivo deste trabalho é investigar como as técnicas de Aprendizado por Reforço Profundo combinadas com a arquitetura de Encadeamento de Funções de Serviços podem proporcionar um mecanismo eficiente de identificação e roteamento de tráfego baseado em perfis, auxiliando os dispositivos responsáveis pelo controle da rede a reconhecer comportamentos indesejáveis e tomar as ações necessárias. Para isto, será proposta uma implementação prática para demonstrar como estas técnicas podem ser aplicadasCommunication systems, such as fifth-generation mobile networks (5G), have developed rapidly, and due to this evolution, the use of their resources has become more complex. Thus, new methods are required to design networks. One of these technologies is the Service Function Chaining (SFC) that allows traffic through Virtualized Network Functions (VNFs), making resources more flexible. However, its implementation has some challenges, such as the volume of data generated by the new applications. Deep Reinforcement Learning (DRL) has been used to solve several computational problems, including those related to communication networks. To achieve the objectives of resource optimization are required: the identification and treatment of network traffic and its correct routing through devices. This work investigates how Deep Reinforcement Learning techniques can be used with the Service Function Chaining architecture to identify and route based on profiles efficiently. That helps the elements responsible for network control recognize undesirable behaviors and take the necessary actions. A practical implementation is proposed to demonstrate how techniques can be appliedCentro Universitário FEI, São Bernardo do CampoBianchi, Reinaldo Augusto da CostaAraújo Junior, S. R. de2022-03-10T14:45:06Z2022-03-10T14:45:06Z2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfARAÚJO JUNIOR, S. R. de. <b> A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques. </b> 2021. 82 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2021 Disponível em: https://doi.org/10.31414/EE.2021.D.131405.https://doi.org/10.31414/EE.2021.D.131405https://repositorio.fei.edu.br/handle/FEI/4436engen_USInteligência Artificial Aplicada à Automação e Robóticareponame:Biblioteca Digital de Teses e Dissertações da FEIinstname:Centro Universitário da Fundação Educacional Inaciana (FEI)instacron:FEIinfo:eu-repo/semantics/openAccess2023-03-14T13:07:45Zoai:repositorio.fei.edu.br:FEI/4436Biblioteca Digital de Teses e Dissertaçõeshttp://sofia.fei.edu.br/pergamum/biblioteca/PRIhttp://sofia.fei.edu.br/pergamum/oai/oai2.phpcfernandes@fei.edu.bropendoar:https://repositorio.fei.edu.br/oai/request2023-03-14T13:07:45Biblioteca Digital de Teses e Dissertações da FEI - Centro Universitário da Fundação Educacional Inaciana (FEI)false
dc.title.none.fl_str_mv A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques
title A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques
spellingShingle A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques
Araújo Junior, S. R. de
encadeamento de funções de serviço
aprendizado por reforço profundo
Redes Móveis de Quinta Geração (5G)
title_short A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques
title_full A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques
title_fullStr A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques
title_full_unstemmed A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques
title_sort A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques
author Araújo Junior, S. R. de
author_facet Araújo Junior, S. R. de
author_role author
dc.contributor.none.fl_str_mv Bianchi, Reinaldo Augusto da Costa
dc.contributor.author.fl_str_mv Araújo Junior, S. R. de
dc.subject.por.fl_str_mv encadeamento de funções de serviço
aprendizado por reforço profundo
Redes Móveis de Quinta Geração (5G)
topic encadeamento de funções de serviço
aprendizado por reforço profundo
Redes Móveis de Quinta Geração (5G)
description Os sistemas de comunicação, como por exemplo as redes móveis de quinta geração (5G) têm se desenvolvido rapidamente e devido à esta evolução, o uso dos seus recursos tem se tornado mais complexo. Assim, são necessários novos métodos para a concepção das redes e uma das tecnologias para tal é o Encadeamento de Funções de Serviço que permite o tráfego através de Funções de Rede Virtualizadas flexibilizando o uso dos recursos. Entretanto, há alguns desafios para sua implementação, como por exemplo o volume de dados gerados pelas novas aplicações. O Aprendizado por Reforço Profundo tem sido usado para resolver diversos problemas computacionais, inclusive aqueles relacionados às redes de comunicação. Para atingir os objetivos de otimização de recursos são necessários: a identificação e tratamento do tráfego de rede e o seu correto roteamento pelos dispositivos. O objetivo deste trabalho é investigar como as técnicas de Aprendizado por Reforço Profundo combinadas com a arquitetura de Encadeamento de Funções de Serviços podem proporcionar um mecanismo eficiente de identificação e roteamento de tráfego baseado em perfis, auxiliando os dispositivos responsáveis pelo controle da rede a reconhecer comportamentos indesejáveis e tomar as ações necessárias. Para isto, será proposta uma implementação prática para demonstrar como estas técnicas podem ser aplicadas
publishDate 2021
dc.date.none.fl_str_mv 2021
2022-03-10T14:45:06Z
2022-03-10T14:45:06Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv ARAÚJO JUNIOR, S. R. de. <b> A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques. </b> 2021. 82 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2021 Disponível em: https://doi.org/10.31414/EE.2021.D.131405.
https://doi.org/10.31414/EE.2021.D.131405
https://repositorio.fei.edu.br/handle/FEI/4436
identifier_str_mv ARAÚJO JUNIOR, S. R. de. <b> A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques. </b> 2021. 82 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2021 Disponível em: https://doi.org/10.31414/EE.2021.D.131405.
url https://doi.org/10.31414/EE.2021.D.131405
https://repositorio.fei.edu.br/handle/FEI/4436
dc.language.iso.fl_str_mv eng
en_US
language eng
language_invalid_str_mv en_US
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv Inteligência Artificial Aplicada à Automação e Robótica
dc.publisher.none.fl_str_mv Centro Universitário FEI, São Bernardo do Campo
publisher.none.fl_str_mv Centro Universitário FEI, São Bernardo do Campo
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da FEI
instname:Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron:FEI
instname_str Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron_str FEI
institution FEI
reponame_str Biblioteca Digital de Teses e Dissertações da FEI
collection Biblioteca Digital de Teses e Dissertações da FEI
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da FEI - Centro Universitário da Fundação Educacional Inaciana (FEI)
repository.mail.fl_str_mv cfernandes@fei.edu.br
_version_ 1809225181168664576

Registros relacionados