Search

Conforme as redes modernas crescem em tamanho e complexidade, elas também se tor nam cada vez mais sujeitas a erros humanos. Essa tendência tem levado a indústria e o meio acadêmico a tentar automatizar as tarefas de gestão e controle, visando reduzir a interação humana com a rede e os erros de origem humana. Idealmente, pesquisado res imaginam um projeto de rede que não seja apenas automático (i.e., , dependente de instruções humanas), mas autônomo (i.e., , capaz de tomar suas próprias decisões). A rede autônoma tem sido uma meta buscada há anos, com diversos conceitos, projetos e implementações, mas nunca foi totalmente realizada, principalmente devido às limi tações tecnológicas. Avanços recentes em Inteligência Artificial (IA) e Aprendizado de Máquina (Machine Learning — ML) introduziram ar fresco neste conceito, ressurgindo como o conceito renomeado de em redes autodirigidas, em vista de suas contrapartes de automóveis autodirigidos. Em termos gerais, uma rede autodirigida é uma rede autônoma capaz de agir de acordo com as intenções de alto nível de um operador e se adaptar au tomaticamente às mudanças no tráfego e no comportamento dos usuários. Para alcançar essa visão, uma rede precisaria cumprir quatro requisitos principais: (i) compreender as intenções de alto nível de um operador para ditar seu comportamento, (ii) monitorar-se com base nas intenções de entrada, (iii) prevêr e identificar padrões em dados monitorados e (iv) adaptar-se a novos comportamentos sem a intervenção de um operador.Como o cumprimento dos requisitos de uma rede autônoma exige uma grande depen dência de modelos de ML para tomar decisões e classificações que afetam diretamente a rede, um problema específico se torna proeminente com esse design: confiança. Aplicar ML para resolver tarefas de gerenciamento de rede, como as descritas acima, tem sido uma tendência popular entre os pesquisadores recentemente. No entanto, apesar do tó pico receber muita atenção, os operadores da indústria têm relutado em tirar proveito de tais soluções, principalmente por causa da natureza de caixa preta dos modelos de ML, que produzem decisões sem qualquer explicação ou razão para as quais essas decisões foram tomadas. Dada a natureza de alto risco das redes de produção, torna-se impossível confiar em um modelo de ML que pode tomar ações inadequadas automaticamente e, o mais importante para o escopo desta tese, um desafio proibitivo que deve ser abordado para que uma rede autodirigidas seja alcançada. A presente tese visa habilitar redes autônomas, abordando o problema da falta de confi ança inerente nos modelos de ML que a capacitam. Para tanto, avaliamos e escrutinamos o processo de tomada de decisão de classificadores baseados em ML usados para compor uma rede autônoma.Primeiro, investigamos e avaliamos a precisão e credibilidade das classificações feitas por modelos de ML usados para processar intenções de alto nível do operador.Para essa avaliação, propomos uma nova interface conversacional chamada LUMI que permite aos operadores usar linguagem natural para descrever como a rede deve se comportar. Segundo, analisamos e avaliamos a precisão e a credibilidade das decisões tomadas pelos modelos de ML usados para autoconfigurar a rede de acordo com os dados monitorados. Nessa análise, descobrimos a necessidade de reinventar como os pesquisa dores aplicam IA/ML a problemas de rede, então propomos um novo pipeline de IA/ML que apresenta etapas para examinar modelos de ML usando técnicas do campo emergente de IA eXplicável (IAX). As modern networks grow in size and complexity, they also become increasingly prone to human errors. This trend has driven both industry and academia to try to automate management and control tasks, aiming to reduce human interaction with the network and human-made mistakes. Ideally, researchers envision a network design that is not only au tomatic (i.e., dependent of human instructions) but autonomous (i.e., capable of making its own decisions). Autonomous networking has been a goal sought for years, with many different concepts, designs and implementations, but it was never fully realized, mainly due to technological limitations. Recent advances in Artificial Intelligence (AI) and Ma chine Learning (ML) introduced a breath of fresh air into this concept, reemerging as the re-branded concept of self-driving networks, in view of its autonomous car counterparts. In broad terms, a self-driving network is an autonomous network capable of acting ac cording to high-level intents from an operator and automatically adapting to changes in traffic and user behavior. To achieve that vision, a network would need to fulfill four ma jor requirements: (i) understand high-level intents from an operator to dictate its behavior, (ii) monitor itself based on input intents, (iii) predict and identify patterns from monitored data and (iv) adapt itself to new behaviors without the intervention of an operator. As fulfilling the requirements of a self-driving network requires heavily relying on ML models to make decisions and classifications that directly impact the network, one partic ular issue becomes prominent with this design: trust. Applying ML to solve networking management tasks, such as the ones described above, has been a popular trend among researchers recently. However, despite the topic receiving much attention, industry op erators have been reluctant to take advantage of such solutions, mainly because of the black-box nature of ML models which produce decisions without any explanation or rea son as to which those decisions were made. Given the high-stakes nature of production networks, it becomes impossible to trust a ML model that may take system-breaking ac tions automatically, and most important to the scope of this thesis, a prohibitive challenge that must be addressed if a self-driving network design is ever to be achieved. The present thesis aims to enable self-driving networks by tackling the problem of the inherent lack of trust in ML models that empower it. To that end, we assess and scruti nize the decision-making process of ML-based classifiers used to compose a self-driving network. First, we investigate and evaluate the accuracy and credibility of classifications made by ML models used to process high-level intents from the operator. For that eval- uation, we propose a novel conversational interface called LUMI that allows operators to use natural language to describe how the network should behave. Second, we analyze and assess the accuracy and credibility of ML models’ decisions to self-configure the net work according to monitored data. In that analysis, we uncover the need to reinvent how researchers apply AI/ML to networking problems, so we propose a new AI/ML pipeline that introduces steps to scrutinize ML models using techniques from the emerging field of eXplainable AI (XAI).Finally, we investigate if there is a viable method to improve the trust of operators in the decision made by ML models that enable self-driving networks.Our investigation led us to propose a new XAI method to extract explanations from any given black-box ML model in the form of decision trees while maintaining a manageable size, which we called TRUSTEE.

Submitted by Alison Souza (alisonsouza@ufgd.edu.br) on 2020-02-03T19:03:54Z No. of bitstreams: 1 UFMS - MarcosPauloMoro.pdf: 7071239 bytes, checksum: 54f031b99b581476acdf1fcfd1e9bf03 (MD5) Made available in DSpace on 2020-02-03T19:03:54Z (GMT). No. of bitstreams: 1 UFMS - MarcosPauloMoro.pdf: 7071239 bytes, checksum: 54f031b99b581476acdf1fcfd1e9bf03 (MD5) Previous issue date: 2019-11-06 Fundação de Apoio ao Desenvolvimento do Ensino, Ciência e Tecnologia do Estado de Mato Grosso do Sul (FUNDECT) Os centros de dados estão entre os maiores consumidores de energia elétrica da área de tecnologia da informação. O consumo de um único centro de dados chega a ser superior ao de uma cidade com 100 mil habitantes. Centros de dados não são famosos apenas por consumirem grandes quantidades de energia, mas também por serem ineficientes. Estudos recentes mostram que, em média, mais de 50% da energia consumida por um centro de dados são desperdiçados por causa de gerenciamento ineficiente de seus recursos. O consumo energético de um centro de dados é dominado por três dimensões: servidores, sistema de refrigeração e infraestrutura de rede. As propostas para gerenciamento energético existentes na literatura, normalmente, buscam otimizar uma ou duas dessas dimensões sem levar em consideração as demais. Além disso, elas não consideram como essas otimizações para economia de energia impactam os parâmetros de desempenho do centro de dados. Este trabalho primeiro propõe uma arquitetura de gerenciamento e simulação de centros de dados para estudos de eficiência energética. Com base nessa arquitetura, este trabalho desenvolve o simulador SimDC3D que simula realisticamente os subsistemas de maior consumo de energia elétrica de um centro de dados e como algoritmos de escalonamento e realocação de máquinas virtuais, de controle do sistema de refrigeração e de otimização de topologia de rede interferem em parâmetros de desempenho. Este trabalho também propõe oito novos algoritmos de escalonamento e realocação de máquinas virtuais, um algoritmo para controle do sistema de refrigeração e um algoritmo de otimização da topologia da rede do centro de dados. Os algoritmos de escalonamento são altamente parametrizáveis para que um operador de centro de dados possa otimizar uma das dimensões de forma mais agressiva do que outras, ou seja, para que ele possa atribuir pesos diferentes para os subsistemas. Além disso, este trabalho faz uma avaliação extensiva, com centenas de simulações, dos algoritmos propostos usando diferentes cargas de trabalho e topologias de rede e os compara com outras propostas existentes na literatura. Os resultados mostram a importância de se parametrizar adequadamente os algoritmos de otimização para que eles não apenas economizem energia, mas também evitem violações de acordos de nível de serviço estabelecidos entre operadores de centro de dados e seus clientes. Data centers are among the largest consumers of electric energy in the information technology area. The energy consumption of a single data center can be larger than the consumption of a city with 100 thousands inhabitants. Data centers are not only famous for consuming large quantities of energy but also for being inefficient. Recent studies show that, on average, more than 50% of the energy consumed by a data center are wasted because of inefficient management of its resources. The energy consumption of a data center is dominated by three dimensions: servers, cooling system, and network infrastructure. The current proposals for energy management, generally, try to optimize one or two of these dimensions without considering the others. Moreover, they do not consider how these energy reduction optimizations impact performance parameters of the data center. This work first proposes an architecture for management and simulation of data centers for energy efficiency studies. Based on this architecture, this work develops the simulator SimDC3D that simulates realistically the subsystems that consume the most energy in a data center and how algorithms for scheduling and relocation of virtual machines, controlling the cooling system, and optimizing the network topology interfere with the performance parameters of the data center. This work also proposes eight new algorithms for scheduling and relocation of virtual machines, one algorithm for controlling the cooling system, and one algorithm for optimizing the network topology of the data center. The scheduling and relocation algorithms are highly parameterized so that a data-center operator can optimize one of the dimensions more aggressively than the others, i.e., he can assign different weights to the subsystems. Moreover, this work does an extensive evaluation, with hundreds of simulations, of the proposed algorithms under different workloads and topologies and compares them with the existing proposals. The results show the importance of setting the appropriate parameters for the optimization algorithms so that they can not only save energy but also avoid violations of service-level agreements settled between data center operators and their customers.

O crescimento e a popularização cada vez maior da conectividade sem fio e dos dispositivos móveis, tem permitido a construção de espaços inteligentes que antes eram vislumbrados apenas na proposta de computação ubíqua do cientista da Xerox PARK, Mark Weiser. Esses espaços inteligentes são compostos por diversos recursos computacionais, como dispositivos, serviços e aplicações, além de usuários, que devem ser capazes de se associar a esses recursos. Entretanto, a programação destes ambientes é uma tarefa desa- fiadora, uma vez que os espaços inteligentes possuem uma natureza dinâmica, os recursos se apresentam de forma heterogênea e é necessário que as interações entre usuários e dispositivos sejam coordenadas. Neste trabalho desenvolvemos uma nova abordagem para programação de espaços inteligentes, por meio de modelos em tempo de execução. Para isso, propomos uma linguagem de modelagem de alto nível, denominada Smart Space Modeling Language (2SML), em que o usuário é capaz de modelar o espaço inteligente com todos os elementos que dele podem fazer parte. Esse modelo desenvolvido pelo usuá- rio é interpretado e realizado no espaço físico por uma máquina de execução de modelos, denominada Smart Space Virtual Machine (2SVM), cujo desenvolvimento é parte deste trabalho. The growth and popularization of wireless connectivity and of mobile devices has allowed the development of smart spaces that were previously only envisaged in the approach proposed by Mark Weiser. These smart spaces are composed of many computational resources, such as devices, services and applications, along with users, who must be able to associate with these features. However, programming these environments is a challenging task, since smart spaces have a dynamic nature, resources are heterogeneous, and it is necessary that interactions between users and devices are coordinated with one another. In this work, we present a new approach for smart spaces programming using Models@RunTime. In this regard, we propose a high level modeling language, called Smart Spaces Modeling Language (2SML), in which the user is able to model the smart space with all elements that can be part of it. Such models are developed by the users, interpreted and effected in the physical space by a model execution engine, called Smart Space Virtual Machine (2SVM), whose development is part of this work. Fundação de Amparo à Pesquisa do Estado de Goiás - FAPEG

As redes corporativas atuais são compostas de diversos equipamentos e aplicações. O aumento da escala de uma rede corporativa faz com que as interações entre as aplicações se tornem mais complexas e envolvam diversos elementos de hardware e software, como: enlaces, switches, roteadores, servidores e sistemas operacionais. Consequentemente, determinar corretamente quais elementos foram utilizados no processamento de uma requisição nesse ambiente se torna uma tarefa extremamente desafiadora. Diferentes técnicas de como determinar os elementos de hardware e software utilizados no processamento das requisições foram propostas na literatura. Esses elementos são agrupados em um conjunto denominado caminho causal. As técnicas de construção de caminhos causais são incorporadas em ferramentas de detecção de anomalias. Essas ferramentas detectam falhas ou sobrecargas nos elementos dos caminhos causais. Além disso, essas ferramentas são divididas em dois grandes grupos: as intrusivas e as não intrusivas. A principal diferença entre os grupos é que nas intrusivas as aplicações precisam ser modificadas para se inserir informações de controle, enquanto nas não intrusivas não há essa necessidade. O objetivo comum, entretanto, é mapear o caminho causal de uma requisição. Todas as ferramentas de construção de caminhos causais e, consequentemente, para detecção de anomalias até então conhecidas foram concebidas para a arquitetura atual da Internet. Essa arquitetura tem sido fortemente criticada por ser de difícil alteração e evolução, sendo inclusive rotulada de ossificada por alguns pesquisadores. O novo paradigma de Rede Definida por Software (SDN - Software Defined Network) foi proposto para contornar os problemas da arquitetura atual da Internet. SDN proporciona a dissociação entre o plano de controle e o plano de dados, permitindo que elementos externos de software exerçam funções do plano de controle e alterem o comportamento do plano de dados. Este trabalho propõe S-Trace, uma ferramenta não intrusiva de construção de caminhos causais que explora aspectos positivos das ferramentas de construção de caminhos causais e de detecção de anomalias intrusivas e não intrusivas, além da separação de planos fornecida por SDN. S-Trace intercepta chamadas de função de bibliotecas para correlacionar os eventos de comunicação inter-processo (IPC - Inter-Process Communication) utilizados ao processar uma requisição. Além disso, S-Trace explora a separação de planos de SDN para realizar a reprodução de tráfego de rede e, assim, aprimorar os caminhos causais construídos. Os resultados da avaliação mostram que S-Trace constrói caminhos causais corretamente, capturando o comportamento das aplicações ao processar as requisições. A avaliação utilizou duas aplicações que abrangem grande parte dos diferentes modelos de implementação utilizados pelas aplicações distribuídas de rede. Durante a avaliação, S-Trace foi capaz de construir caminhos causais mesmo na presença de falhas e de dispositivos NAT que modificam os endereços IP das conexões das requisições, fatores que dificultam significativamente a construção dos caminhos. ABSTRACT - Today’s enterprise networks are composed of several devices and applications. The increase in scale of an enterprise network makes the interactions between applications more complex because they may include a significantly large number of hardware and software elements, such as links, switches, routers, servers and operating systems. Consequently, correctly determining the elements used in processing a request in this environment becomes an extremely challenging task. Several techniques to determine the hardware and software elements used to process a request have been proposed in the literature. These elements are grouped into a set called causal path. Techniques for building causal paths are incorporated in anomaly detection tools in order to detect faults and overloads on elements of the causal paths. These tools are divided into two major groups: intrusive and non-intrusive. The main difference between the groups is that the intrusive tools modify applications to insert control information, while non-intrusive ones do not. However, the common goal is to build the causal path of a request. Tools for building causal paths and, consequently, detecting anomalies were designed for the current Internet architecture. This architecture has been heavily criticized for being difficult to change and evolve, even being labeled as “ossified” by some researchers. The new paradigm of Software Defined Networking (SDN) was proposed to overcome the problems of the current Internet architecture. SDN provides a decoupling between control and data planes, allowing external software elements to perform functions of the control plane and to modify the behavior of the data plane. This paper proposes S-Trace, a non-intrusive tool for building causal paths that explores the positive features of intrusive and non-intrusive tools for anomaly detection and the separation of planes provided by SDN. S-Trace intercepts library function calls to correlate Inter-Process Communication (IPC) events used to process a request. Moreover, S-Trace explores the control and data plane decoupling of SDN to replay network traffic for improving the causal paths constructed. The evaluation results show that S-Trace builds correct causal paths which capture the behavior of the applications during the processing of a request. The evaluation uses two applications that cover a large spectrum of implementation models used for building distributed applications. During evaluation, S-Trace was able to build the causal paths even with fault injection and in the presence of techniques that modify the IP addresses of a connection like NAT, issues that make the building process much harder.

Diagnosticar anomalias em grandes redes corporativas consome tempo considerável das equipes de suporte técnico, principalmente pela complexidade das inúmeras interações existentes entre as aplicações e os elementos de rede (servidores, roteadores, enlaces, etc.). Nos últimos anos, vários trabalhos cientí cos propuseram ferramentas automatizadas para detecção de anomalias em ambientes distribuídos. As ferramentas são divididas em dois grandes grupos: as que usam abordagens intrusivas, em que as aplicações precisam ser alteradas para registrar eventos de comunicação e facilitar o rastreamento de problemas; e as não intrusivas, em que pacotes são capturados diretamente da rede e técnicas estatísticas são aplicadas para inferir, com um certo grau de con ança, as possíveis causas dos problemas. As duas abordagens possuem vantagens e desvantagens. Entretanto, as técnicas não intrusivas são mais aceitas pela facilidade de implantação e também por não exigirem que aplicações já desenvolvidas sejam alteradas para incluir mecanismos de registro de eventos. A abordagem mais completa e promissora para a solução desse problema, denominada Sherlock, utiliza traços de rede para construir automaticamente um Grafo de Inferência (GI) que modela as múltiplas interações e dependências presentes em um ambiente distribu ído. Apesar do progresso feito por Sherlock na modelagem do problema, o seu tempo de execução para inferir as possíveis causas e a precisão dos resultados de detecção das anomalias ainda deixam a desejar. Este trabalho propõe Nemo, uma ferramenta que explora conhecimento especí co do domínio do problema e uma propriedade teórica de Redes Bayesianas para reduzir signi- cativamente um GI e, consequentemente, o tempo de execução. Resultados de simulação utilizando dados reais e sintéticos mostram que Nemo reduz o tempo de execução de Sherlock em mais de 90% e melhora sua precisão em todos os cenários simulados. Além disso, este trabalho também apresenta uma extensa revisão bibliográ ca sobre o assunto e compara ções qualitativas dos principais métodos propostos na literatura.

Apesar de inúmeros esforços nos últimos anos, buscas complexas ecientes em redes P2P de grande escala permanecem um problema em aberto e desaador. Replicações massivas de dados e de mensagens de buscas são duas estratégias comuns utilizadas para melhorar taxas de sucesso e tempos de resposta das diversas técnicas propostas. Entretanto, estratégias de replicação pró-ativas podem gerar uma quantidade signicativa de tráfego na rede se não forem tratadas com cuidado. Este trabalho propõe SplitQuest, um protocolo de busca exaustiva e controlada que utiliza uma estrutura leve para evitar replicações desnecessárias e acelerar a propagação de mensagens de buscas em redes P2P. Em SplitQuest, os pares da rede são organizados em grupos de replicação, nos quais cada par compartilha seu conteúdo com todos os demais membros e mensagens de buscas são propagadas uma única vez para cada grupo existente na rede. Ao evitar duplicações de mensagens de buscas, direcionar as mensagens para grupos disjuntos e explorar a heterogeneidade dos pares, SplitQuest é capaz de atingir altas taxas de sucesso e baixos tempos de resposta a custo bem mais baixo em termos do número de mensagens que a melhor soluções atualmente conhecida. O protocolo SplitQuest foi avaliado em diferentes cenários de simulação. Esses cenários incluem topologias sintéticas e traços de representações de redes reais com os mais variados tamanhos e características de dinamismo. Apresenta-se também neste trabalho, uma análise matemática da solução proposta para se estabelecer um limite superior no número de pares que uma mensagem de busca pode alcançar na rede.