| spelling |
Luciano de Erricohttp://lattes.cnpq.br/3146752231696669Walmir Matos CaminhasEduardo Mazoni Andrade Marçal MendesAdriano Vilela BarbosaEdmundo Roberto Mauro MadeiraJoaquim Celestino Júniorhttp://lattes.cnpq.br/5342051519912757Klenilmar Lopes Dias2021-08-13T18:27:06Z2021-08-13T18:27:06Z2019-08-02http://hdl.handle.net/1843/37466https://orcid.org/0000-0003-2769-3647A crescente demanda por taxas de transmissão de alta velocidade nos últimos anos atraiu pesquisas em novos mecanismos de caracterização e classificação de tráfego de rede. Seu tratamento inadequado degrada o desempenho de esquemas operacionais importantes, como Capacidade de Sobrevivência de Rede, Engenharia de Tráfego, Qualidade de Serviço (QoS) e Controle de Acesso Dinâmico, entre outros. Os métodos mais comuns para classificação de tráfego são a Inspeção Profunda de Pacotes (DPI) e a Classificação Baseada em Porta. No entanto, esses métodos estão se tornando obsoletos, já que cada vez mais tráfego está sendo criptografado e os aplicativos estão usando portas dinâmicas originalmente atribuídas a outros aplicativos populares. Nesta mesma direção, surge o problema de atender não só o volume futuro de tráfego nos Data Centers, mas atender também o tráfego atual e suas oscilações com essa nova demanda por taxas de transmissão de alta velocidade requisitada pelos serviços na Internet. Um dos principais problemas gerado pelo aumento do volume é em relação ao uso eficiente da taxa de transferência para atender as requisições. Além disso, nos últimos anos, o paradigma das Redes Definidas por Software (SDN) trouxe novas oportunidades para gerência da rede de maneira centralizada. Assim, este trabalho apresenta um classificador de tráfego para ambiente SDN, com uma abordagem inovadora de classificação de tráfego de rede em tempo real, para utilização em esquemas de Engenharia de Tráfego em Data Centers. O classificador adota uma nova abordagem para o relaxamento da hipótese de independência entre os atributos do algoritmo Naive Bayes. Os resultados mostram que o módulo proposto é uma alternativa promissora para uso em cenários em tempo real.The growing demand for high-speed transmission rates on recent years has attracted research in new mechanisms for network traffic characterization and classification. Their inadequate treatment degrades the performance of important operational schemes, such as Network Survivability, Traffic Engineering, Quality of Service (QoS), and Dynamic Access Control, among others. The most common methods for traffic classification are Deep Packet Inspection (DPI) and port based classification. However, those methods are becoming obsolete, as increasingly more traffic is being encrypted and applications are using dynamic ports or ports originally assigned to other popular applications. In this same direction, the problem arises not only in sustaining the future volume of traffic in Data Centers, but also in sustaining the current traffic and its oscillations with this new demand for high-speed transmission rates required by Internet services. One of the main problems generated by the increase in volume is the efficient use of the throughput, to attend the requisitions. In addition, in recent years the Software Defined Networks (SDN) paradigm has brought new opportunities for centralized network management. Thus, this work presents a SDN traffic classifier, with an innovative approach to real-time network traffic classification, for use in Traffic Engineering solutions in Data Centers. The classifier adopts a new approach for the relaxation of the hypothesis of independence between the attributes of the Naive Bayes algorithm. The results show that the proposed module is a promising alternative for use in real-time scenarios.CNPq - Conselho Nacional de Desenvolvimento Científico e TecnológicoCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Engenharia ElétricaUFMGBrasilENG - DEPARTAMENTO DE ENGENHARIA ELETRÔNICAEngenharia elétricaAprendizado do computadorTeoria bayesiana de decisão estatísticaRedes de computadoresClassificação de tráfegoRedes definidas por softwareAprendizado de máquinaNaive bayesStreaming de vídeoUma abordagem inovadora para classificação de tráfego em tempo real em ambiente de redes definidas por software (SDN)info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALTese_Doutorado_Klenilmar_Lopes_Dias.pdfTese_Doutorado_Klenilmar_Lopes_Dias.pdfapplication/pdf4082118https://repositorio.ufmg.br/bitstream/1843/37466/3/Tese_Doutorado_Klenilmar_Lopes_Dias.pdf42507c47dc45d7708e7a2fa28f416782MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/37466/4/license.txtcda590c95a0b51b4d15f60c9642ca272MD541843/374662021-08-13 15:27:06.811oai:repositorio.ufmg.br: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ório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2021-08-13T18:27:06Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|