Search

Este projeto descreve uma abordagem padronizada de análise de dados coletados de redes reais e de dados gerados sinteticamente, que apresentam características lineares e não-lineares, dentro do espectro da Teoria do Caos e seus procedimentos canônicos, avaliando o desempenho de uma gama de algoritmos. O objetivo principal deste trabalho consiste em propor um método de predição e alocação dinâmica de taxa de transmissão para servidores de rede com base no expoente de Lyapunov e no parâmetro de Hurst, tendo em vista a análise de uma variedade de amostras de tráfego e dados sintéticos, de forma a quantificá-los com o uso de métodos matemáticos que revelem suas particularidades intrínsecas. São descritos processos característicos tais como autossimilaridade, dependência de longa duração entre as amostras e comportamento multi-escala. Para isso, reconstrói-se o espaço de fase e o atrator com o atraso ideal $\tau$, descrevendo métodos de cálculo do parâmetro; determina-se a dimensão de incorporação $m$ e a dimensão de correlação $D_2$; calcula-se o expoente de Lyapunov $\lambda$ e o parâmetro de Hurst $H$; e analizam-se estatisticamente os componentes principais; para então prever o tráfego dentro do limite de máxima duração da predição delimitada pelo inverso do expoente de Lyapunov, e alocar dinamicamente a taxa de transmissão correspondente para os servidores de rede. As simulações realizadas comprovaram a eficiência da abordagem proposta, quanto à sequência seguida neste trabalho e a classificação da natureza dos dados, especialmente nos casos de comportamento misto entre aleatoriedade e determinismo. This project describes a standard approach to analyze and measure experimental and synthetic data, which display linear and non-linear characteristics, within the spectrum of Chaos Theory and its canonical procedures, evaluating the performance of several algorithms. The main goal of this work is to propose a method to predict traffic and perform a dynamic traffic rate allocation for the network servers based on the Lyapunov exponent and the Hurst parameter, considering the analysis of a range of traffic samples and synthetic data, in order to quantify them with the use of mathematical methods that reveal their intrinsic features. Some of the characteristic processes described are self-similarity, long-range dependency among samples and multiscale behavior. Thus, it is necessary to: reconstruct phase space and the attractor with the ideal delay $\tau$, while describing a couple of methods to compute it; to determine embedding and correlation dimensions ($m$ and $D_2$, respectively); to calculate the Lyapunov exponent $\lambda$ and Hurst parameter $H$; to perform principal component analysis ($PCA$); to predict the traffic within the longest predictable duration constrained by the inverse of the Lyapunov exponent, and finally perform dynamic transmission rate allocation for the network servers. The simulations performed confirmed the efficiency of the proposed approach, regarding the sequence adopted in this work and the classification of data, especially in cases of mixed behavior between randomness and determinism. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES