Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/12581
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.creator | Oliveira, Tiago Prado | - |
dc.date.accessioned | 2016-06-22T18:32:33Z | - |
dc.date.available | 2015-05-20 | - |
dc.date.available | 2016-06-22T18:32:33Z | - |
dc.date.issued | 2014-12-19 | - |
dc.identifier.citation | OLIVEIRA, Tiago Prado. Predição de tráfego, usando redes neurais artificiais, para gerenciamento adaptativo de largura de banda em roteadores. 2014. 199 f. Dissertação (Mestrado em Ciências Exatas e da Terra) - Universidade Federal de Uberlândia, Uberlândia, 2014. DOI https://doi.org/10.14393/ufu.di.2014.544 | por |
dc.identifier.uri | https://repositorio.ufu.br/handle/123456789/12581 | - |
dc.description.abstract | Since the formation of computer networks, a considerable increase in its complexity and size has been seen. Furthermore, there is also an increase in the rate of data trans- mission across communication links. This may cause problems of unavailability due to network congestion. The resource allocation and congestion control methods can be used to handle network congestion, however, they are complex issues and have been the subject of much study. Therefore, to attend these issues and improve Quality of Service (QoS), this work presents an algorithm for a network management system, which allocates adap- tively the router bandwidth, based on the network tra_c prediction. This algorithm is called Bandwidth Predictive Management with Neural Networks (GPLNEURO). The bandwidth allocation occurs in the router interfaces and focuses on fairness allocation, each interface receives only the necessary resource, accordingly to the predicted tra_c, i.e., the bandwidth adapts to receive the future tra_c in each interface. The proposed GPLaB algorithm uses the SNMP to monitor the network tra_c data, collecting the time series to predict the future tra_c. The bandwidth of the router interfaces is controlled through the Hierarchical Token Bucket (HTB) queueing discipline and depends of the predicted tra_c. The network tra_c prediction methods, used in this paper, were based on Arti- _cial Neural Networks. Traditional neural networks were compared with deep learning neural networks, which popularity has greatly increased in recent years. The popularity of the new deep learning neural networks has increased in several areas, but there is a lack of studies regarding time series prediction, such as Internet tra_c. The two main contri- butions of this work is a (i) comparative study of traditional neural networks and deep learning ones for Internet tra_c prediction and the (ii) adaptive bandwidth management algorithm to be used as an aid for computer network performance management. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | - |
dc.format | application/pdf | por |
dc.language | por | por |
dc.publisher | Universidade Federal de Uberlândia | por |
dc.rights | Acesso Aberto | por |
dc.subject | Aprendizagem profunda | por |
dc.subject | Gerenciamento adaptativo | por |
dc.subject | Largura de banda | por |
dc.subject | Predição | por |
dc.subject | Redes neurais artificiais | por |
dc.subject | Series temporais | por |
dc.subject | Adaptive management | eng |
dc.subject | Artificial neural networks | eng |
dc.subject | Bandwidth | eng |
dc.subject | Computer networks | eng |
dc.subject | Deep learning | eng |
dc.subject | Prediction | eng |
dc.subject | Time series | eng |
dc.title | Predição de tráfego, usando redes neurais artificiais, para gerenciamento adaptativo de largura de banda em roteadores | por |
dc.type | Dissertação | por |
dc.contributor.advisor-co1 | Soares, Alexsandro Santos | - |
dc.contributor.advisor-co1Lattes | http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4795877Y2 | por |
dc.contributor.advisor1 | Barbar, Jamil Salem | - |
dc.contributor.advisor1Lattes | http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4797664D7 | por |
dc.contributor.referee1 | Silva, Flávio de Oliveira | - |
dc.contributor.referee1Lattes | http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4793414H6 | por |
dc.contributor.referee2 | Misaghi, Mehran | - |
dc.contributor.referee2Lattes | http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4701151P7 | por |
dc.creator.Lattes | http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4381158P2 | por |
dc.description.degreename | Mestre em Ciência da Computação | por |
dc.description.resumo | Desde a criação das redes de computadores, é presenciado um aumento de seu tamanho e complexidade. Além disso, também ocorre um aumento na taxa de transmissão de dados nos enlaces de comunicação, podendo trazer problemas de indisponibilidade, decorrentes de congestionamentos. Esses problemas podem ser tratados com métodos de alocação de recursos e controle de congestionamento, que são problemas complexos e bastante estudados. Portanto, para tratar esses problemas e aprimorar a Qualidade de Serviço (QoS), este trabalho apresenta um algoritmo de gerenciamento de redes de computadores, que aloca a largura de banda de forma adaptativa, baseada na previsão do tráfego de rede. Esse algoritmo foi chamado de Gerenciamento Preditivo de Largura de Banda usando Redes Neurais (GPLNEURO). O propósito é alocar da largura de banda, das interfaces de conexão de um roteador, de modo justo, onde cada interface recebe somente o recurso necessário para o tráfego previsto, ou seja, a largura de banda se adapta para receber o tráfego futuro em cada interface do roteador, de forma independente. O algoritmo GPLaB proposto, usa o protocolo SNMP para o monitoramento da rede de computadores, que coleta as séries temporais do tráfego que será previsto. A disciplina Hierarchical Token Bucket (HTB) é usada para controlar a largura de banda de cada interface de conexão do roteador. A largura de banda é alocada de acordo com o tráfego previsto. Os métodos usados para a predição do tráfego foram baseados nas Redes Neurais Arti_ciais (RNAs). Foram comparadas RNAs tradicionais com RNAs com aprendizagem profunda (RNAP), cuja popularidade aumentou bastante nos últimos anos. A popularidade das novas redes neurais com aprendizagem profundas vêm aumentado em muitas áreas, porém há uma falta de estudos em relação à predição de séries temporais, como o tráfego de Internet. As principais contribuições deste trabalho são o (i) estudo comparativo da predição de tráfego, usando RNAs e RNAP, e o (ii) algoritmo de gerenciamento adaptativo de largura de banda, que pode ser usado como ferramenta auxiliar no gerenciamento de desempenho de redes de computadores. | por |
dc.publisher.country | BR | por |
dc.publisher.program | Programa de Pós-graduação em Ciência da Computação | por |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.publisher.department | Ciências Exatas e da Terra | por |
dc.publisher.initials | UFU | por |
dc.identifier.doi | https://doi.org/10.14393/ufu.di.2014.544 | por |
dc.orcid.putcode | 81753094 | - |
dc.crossref.doibatchid | a71e9400-5d7c-4fa7-9b9e-d11d8f6ee45b | - |
Appears in Collections: | DISSERTAÇÃO - Ciência da Computação |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
PredicaoTrafegoUsando.pdf | 8.67 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.