{"id":121,"date":"2025-03-06T15:47:51","date_gmt":"2025-03-06T18:47:51","guid":{"rendered":"https:\/\/idric.ic.unicamp.br\/?page_id=121"},"modified":"2025-03-06T15:47:51","modified_gmt":"2025-03-06T18:47:51","slug":"inteligencia-artificial-aplicada-em-redes-de-comunicacao","status":"publish","type":"page","link":"https:\/\/idric.ic.unicamp.br\/index.php\/inteligencia-artificial-aplicada-em-redes-de-comunicacao\/","title":{"rendered":"Intelig\u00eancia Artificial Aplicada em Redes de Comunica\u00e7\u00e3o"},"content":{"rendered":"\n

A linha tem\u00e1tica Intelig\u00eancia Artificial Aplicada em Redes de Comunica\u00e7\u00e3o<\/strong> engloba tarefas para uso de IA no gerenciamento da infraestrutura de comunica\u00e7\u00e3o, bem como tornar mais eficiente e automatizado o uso desses recursos. Abaixo s\u00e3o descritas as tarefas envolvidas nessa linha tem\u00e1tica.<\/p>\n\n\n\n

Tarefa 18: Fatiamento Din\u00e2mico de Redes<\/h3>\n\n\n\n

A partir da virtualiza\u00e7\u00e3o dos recursos f\u0131\u0301sicos da rede, diversas fatias de rede podem ser criadas sobre uma mesma infraestrutura a fim de servir, sob medida, grupos distintos de usu\u00e1rios. Cada fatia de rede pode ser constru\u0131\u0301da com uma fra\u00e7\u00e3o dos recursos f\u0131\u0301sicos dispon\u0131\u0301veis a fim de atender a demanda de um grupo de usu\u00e1rios em espec\u0131\u0301fico. As aplica\u00e7\u00f5es acessadas pelos usu\u00e1rios devem ser alocadas em locais estrat\u00e9gicos, assim como as fatias de rede devem ser constru\u0131\u0301das para prover a conex\u00e3o necess\u00e1ria entre esses agentes. Dada a dinamicidade desse cen\u00e1rio, a infraestrutura de rede deve ser capaz de se reconfigurar de forma eficiente \u00e0 medida em que a demanda por recursos se modifica ao longo do tempo.<\/p>\n\n\n\n

Aprendizado de m\u00e1quina e, em especial Deep Reinforcement learning tem sido empregado para solu\u00e7\u00f5es de aloca\u00e7\u00e3o de recursos, controle de admiss\u00e3o, reconfigura\u00e7\u00e3o e orquestra\u00e7\u00e3o no n\u00facleo, na rede de transporte e na Rede de Acesso R\u00e1dio (RAN). Apesar de intensamente estudada, existem uma s\u00e9rie de quest\u00f5es que necessitam de maior aprofundamento, em especial escalabilidade, reconfigura\u00e7\u00e3o din\u00e2mica de recursos, coleta de dados para tomada de decis\u00e3o.<\/p>\n\n\n\n

Esta tarefa pretende desenvolver uma solu\u00e7\u00e3o para o problema do aloca\u00e7\u00e3o din\u00e2mica de fatias de redes com o objetivo de atender usu\u00e1rios m\u00f3veis em uma infraestrutura de N\u00e9voa\/5G-6G. Em especial, este trabalho desenvolver\u00e1 solu\u00e7\u00f5es para dois problemas relacionados \u00e0 aloca\u00e7\u00e3o din\u00e2mica de recursos presentes nessa arquitetura: a reconfigura\u00e7\u00e3o de fatias de redes e a migra\u00e7\u00e3o de servi\u00e7os. Os mecanismos desenvolvidos para resolver cada um desses problemas ser\u00e3o baseados em duas abordagens: (1) uma solu\u00e7\u00e3o \u00f3tima\/modelo matem\u00e1tico baseado em programa\u00e7\u00e3o linear inteira mista e (2) aplica\u00e7\u00e3o de t\u00e9cnicas de aprendizado de m\u00e1quina distribu\u0131\u0301da, como por exemplo aprendizado por refor\u00e7o e aprendizado federado. Pretende-se que estes mecanismos considerem o tempo de reconfigura\u00e7\u00e3o das fatias, o que outras solu\u00e7\u00f5es n\u00e3o endere\u00e7am. A compara\u00e7\u00e3o dessas duas solu\u00e7\u00f5es servir\u00e1 para melhor entendimento das vantagens e limita\u00e7\u00f5es do uso de aprendizado de m\u00e1quina distribu\u0131\u0301da para reconfigura\u00e7\u00e3o din\u00e2mica de recursos frente a demandas din\u00e2micas.<\/p>\n\n\n\n

Solu\u00e7\u00f5es para fatiamento de redes fim-a-fim multidom\u0131\u0301nio ainda est\u00e3o em est\u00e1gio inicial de investiga\u00e7\u00e3o. A generaliza\u00e7\u00e3o da tarefa proposta para contexto multidom\u0131\u0301nio e sua automa\u00e7\u00e3o via IA distribu\u0131\u0301da ser\u00e1 um importante passo para o entendimento dos benef\u0131\u0301cios de solu\u00e7\u00f5es inteligentes e em tempo real frente a complexidade de modelagem de tais cen\u00e1rios.<\/p>\n\n\n\n

Tarefa 19: Aprendizado Federado sobre Redes \u00d3pticas Passivas Ethernet de Redes Mobile Fronthaling 5G\/6G<\/h3>\n\n\n\n

O aprendizado federado tem requisitos de atrasos de comunica\u00e7\u00e3o estritos para o envio dos par\u00e2metros locais dos clientes para o servidor central. Um baixo atraso na rede de comunica\u00e7\u00e3o implica em acelerar a converg\u00eancia do modelo global, especialmente quando a federa\u00e7\u00e3o envolve muitos clientes. Al\u00e9m disso, o aprendizado federado tamb\u00e9m pode exigir um grande n\u00famero de rodadas de treinamento para produzir modelos globais precisos.<\/p>\n\n\n\n

O processamento de aprendizado federado com servidor central t\u00eam uma estrutura de \u00e1rvore de um n\u0131\u0301vel semelhante estrutura f\u0131\u0301sica de uma rede Passive Optical Networks (PON). Algumas abordagens foram propostas para suportar aplica\u00e7\u00f5es FL sobre as redes PON. Em [83], foi proposta uma arquitetura na qual o processo de agrega\u00e7\u00e3o \u00e9 feito em duas etapas, porem n\u00e3o foi definido um algoritmo para a distribui\u00e7\u00e3o dos recursos da PON entre os clientes FL. Em [84], foi proposto um algoritmo de DBA o qual reserva parte da largura de banda da PON (slide) para os clientes FL, por\u00e9m, a concorr\u00eancia pelos recursos do slide entre clientes FL pode causar atrasos e aumento no tempo de processamento. Al\u00e9m de isso, o algoritmo BS n\u00e3o se alinha com modelos de neg\u00f3cios convencionais, onde um Acordo de N\u0131\u0301vel de Servi\u00e7o (SLA) define a largura de banda garantida por ONU. Em [27], foi proposto um algoritmo de aloca\u00e7\u00e3o din\u00e2mica de largura de banda e comprimento de onda (DWBA) para redes 50G-EPONs baseado em prioriza\u00e7\u00e3o de tr\u00e1fego do tipo DiffServ. O tr\u00e1fego FL \u00e9 priorizado para atender \u00e0s demandas de processamento e comunica\u00e7\u00f5es FL, mantendo o esquema tradicional de largura de banda garantida para todos os clientes PON.<\/p>\n\n\n\n

No entanto, nenhum dos algoritmos mencionados considera os requisitos de Qualidade de Servi\u00e7o (QoS) de m\u00faltiplas aplica\u00e7\u00f5es FL simult\u00e2neas. Quando duas ou mais aplica\u00e7\u00f5es FL competem pelos recursos de rede na ONU, a pol\u0131\u0301tica First-Come-First-Served (FCFS) \u00e9 geralmente empregada. Essa abordagem pode levar a uma monopoliza\u00e7\u00e3o dos recursos por parte das aplica\u00e7\u00f5es FL com alta demanda de largura de banda, aumentando o atraso nas outras aplica\u00e7\u00f5es FL e, consequentemente, potencialmente reduzindo a precis\u00e3o do modelo. Al\u00e9m de isso, as caracter\u0131\u0301sticas \u00fanicas do tr\u00e1fego do aprendizado federado, como rajadas de pacotes devido a sincroniza\u00e7\u00e3o, introduzem desafios para o gerenciamento da largura de banda da rede em cen\u00e1rios com largura de banda limitada.<\/p>\n\n\n\n

Pretende-se, nessa tarefa, propor uma solu\u00e7\u00e3o de escalonamento de pacotes e aloca\u00e7\u00e3o de recursos para prover qualidade de servi\u00e7o em cen\u00e1rios PON com m\u00faltiplas aplica\u00e7\u00f5es de aprendizado federado. Essa solu\u00e7\u00e3o considerar\u00e1 as exig\u00eancias de largura de banda e as particularidades do tr\u00e1fego das aplica\u00e7\u00f5es de FL ao distribuir os recursos. Al\u00e9m disso, Pretende-se desenvolver um algoritmo de DWBA para redes 50G-EPON, para predizer a probabilidade de gerar um cliente atrasado quando duas ou mais aplica\u00e7\u00f5es FL competem pelos mesmos recursos na ONU. Dessa maneira, em cen\u00e1rios com largura de banda limitada, o escalonador poderia reduzir o n\u00famero de clientes atrasados ao alocar recursos de forma seletiva. Isso seria alcan\u00e7ado ao n\u00e3o priorizar clientes com alta probabilidade de atraso, enquanto reservaria recursos para aqueles com probabilidade de atraso baixa.<\/p>\n\n\n\n

No desenvolvimento da proposta, as seguintes etapas ser\u00e3o realizadas: i) emula\u00e7\u00e3o de diversas aplica\u00e7\u00f5es de aprendizado de maquina em um ambiente de federado empregando o Benchmark LEAF [20]. Al\u00e9m disso, iremos variar os hiper-par\u00e2metros, como tempo de sincroniza\u00e7\u00e3o, taxa de aprendizado, n\u00famero de \u00e9pocas, tamanho do lote (batch), entre outros. O objetivo \u00e9 determinar a quantidade de Opera\u00e7\u00f5es de Ponto Flutuante (FLOPs) necess\u00e1ria por cliente a cada rodada para treinar o modelo local; ii) Cria\u00e7\u00e3o de um cen\u00e1rio de estudo baseado em uma rede de banda larga 50G-EPON com tr\u00e1fego de aplica\u00e7\u00f5es com diferentes requisitos de Qualidade de Servi\u00e7o (QoS). iii) simula\u00e7\u00e3o do cen\u00e1rio, utilizando o simulador EPON-Sim [26]. iv) An\u00e1lise e avalia\u00e7\u00e3o do algoritmo sob diferentes cargas de rede, e compara\u00e7\u00e3o com os algoritmos baselines da literatura. O objetivo \u00e9 quantificar o atraso introduzido pela rede para cada cliente em cada rodada de treinamento. Esses dados ser\u00e3o reintroduzidos no Benchmark LEAF para obter a precis\u00e3o do modelo quando o n\u00famero de clientes atrasados varia em cada rodada de acordo com as condi\u00e7\u00f5es de carga da rede.<\/p>\n\n\n\n

Tarefa 20: Dinamicidade em 5G Functional Splitting em vRAN<\/h3>\n\n\n\n

Para diminuir a carga sobre o X (front-mid-back) haul(xHaul), as arquiteturas de Rede de Acesso de R\u00e1dio (RAN) descentralizadas, como Flexible Function Splitting (3GPP-TR-38.801) consideram a separa\u00e7\u00e3o da pilha de protocolos. Nesta arquitetura, as fun\u00e7\u00f5es de processamento de banda base s\u00e3o divididas em tr\u00eas partes: a Unidade Central (CU), a Unidade Distribu\u0131\u0301da (DU), e a Unidade Remota (RU), permitindo v\u00e1rias op\u00e7\u00f5es de divis\u00e3o, fornecendo flexibilidade e possibilidade de redu\u00e7\u00e3o de largura de banda e o atraso no xHaul, diminuindo a centraliza\u00e7\u00e3o das fun\u00e7\u00f5es RAN.<\/p>\n\n\n\n

O posicionamento dos diferentes componentes virtualizados (vRU, vDU e vCU) tem sido investigado atrav\u00e9s de otimiza\u00e7\u00e3o matem\u00e1tica e heur\u0131\u0301sticas devido a natureza NP-dif\u0131\u0301cil do problema. Recentemente, a aloca\u00e7\u00e3o e posicionamento de recursos tem sido investigado atrav\u00e9s de algoritmos de aprendizado por refor\u00e7o (RL) e aprendizado por refor\u00e7o profundo (DRL). No entanto, esses estudos, n\u00e3o consideram a din\u00e2mica de varia\u00e7\u00e3o do tr\u00e1fego ao longo do dia em uma rede Xhaul, o que pode levar a solu\u00e7\u00f5es insatisfat\u00f3rias. Nessas investiga\u00e7\u00f5es, uma vis\u00e3o centralizada das demandas e recursos, como em um problema de otimiza\u00e7\u00e3o matem\u00e1tica, \u00e9 adotada. Al\u00e9m disso, apenas solu\u00e7\u00f5es \u00f3timas s\u00e3o procuradas, o que pode levar a uma necessidade de reconfigura\u00e7\u00e3o reativa e constante.<\/p>\n\n\n\n

Nesta tarefa, pretende-se investigar solu\u00e7\u00f5es baseadas em RL e DRL que considerem varia\u00e7\u00e3o de carga na rede em um per\u0131\u0301odo de 24 horas, padr\u00e3o que tipicamente repete-se na RAN. Para tal, utilizar-se-\u00e3o dataset de demanda em redes celulares dispon\u0131\u0301veis para cidades tais como Mil\u00e3o e Dublin. A simula\u00e7\u00e3o em diferente per\u0131\u0301odos ao longo de 24 horas permitir\u00e1 avaliar a mudan\u00e7a necess\u00e1ria de aloca\u00e7\u00e3o de recursos m\u0131\u0301nimos para lidar com as mudan\u00e7as de demandas. Pretende-se, tamb\u00e9m, nessa avalia\u00e7\u00e3o, aplicar princ\u0131\u0301pios de flexibilidade em redes virtualizadas para avaliar se solu\u00e7\u00f5es subotimas podem reduzir consideravelmente o overhead de realoca\u00e7\u00e3o de recursos. Para tal, na simula\u00e7\u00e3o em per\u0131\u0301odo de 24 horas, decis\u00f5es levariam em considera\u00e7\u00e3o o compromisso entre custo m\u0131\u0301nimo e overhead de reconfigura\u00e7\u00e3o.<\/p>\n\n\n\n

Tarefa 21: Roteamento Baseado em Aprendizado por Refor\u00e7o Distribu\u0131\u0301do<\/h3>\n\n\n\n

SDN visa a centraliza\u00e7\u00e3o do controle da rede, oferecendo melhor visibilidade e maior flexibilidade para gerenciar a rede e otimizar seu desempenho. No entanto, a arquitetura centralizada convencional do plano de controle em SDN sofre problemas de escalabilidade. uma vez que tal arquiteturs implanta tanto as tarefas de monitoramento quanto a tomada de decis\u00f5es e instala\u00e7\u00e3o de regras de roteamento em um \u00fanico controlador com uma vis\u00e3o de rede global, que pode ficar sobrecarregado com m\u00faltiples requisi\u00e7\u00f5es quando a rede SDN \u00e9 de grande escala. Al\u00e9m disso, foi demonstrado que a comunica\u00e7\u00e3o entre controladores impacta fortemente na escalabilidade da arquitetura para atender aos requisitos de QoS. Assim, a comunica\u00e7\u00e3o de v\u00e1rios controladores ainda \u00e9 um desafio em SDN.<\/p>\n\n\n\n

Por outro lado, al\u00e9m da necessidade de arquiteturas de rede flex\u0131\u0301veis e escal\u00e1veis, ainda \u00e9 uma tarefa desafiadora fornecer QoS aos usu\u00e1rios por meio de mecanismos de roteamento tradicionais na atual Internet p\u00fablica, especialmente, para servi\u00e7os de entrega de m\u0131\u0301dia imersiva com alta demanda de largura de banda e rigorosas restri\u00e7\u00f5es de lat\u00eancia de ponta a ponta.<\/p>\n\n\n\n

Trabalhos envolvendo m\u00faltiplos controladores no plano de controle enfrentaram o problema da intensa comunica\u00e7\u00e3o entre os controladores encarregados de diferentes subdom\u0131\u0301nios da rede. A constru\u00e7\u00e3o de caminhos para roteamento em SDN foi estudada por abordagens baseadas em protocolo, controlador e broker. No entanto, essas abordagens possuem limita\u00e7\u00f5es, pois exigem intera\u00e7\u00f5es complexas entre os controladores, para atualizar a topologia e diminuir o tempo de converg\u00eancia necess\u00e1rio para a sincroniza\u00e7\u00e3o do estado da rede entre os dom\u0131\u0301nios, o que faz com que escalabilidade em solu\u00e7\u00f5es de roteamento seja invi\u00e1vel em redes SDN de grande escala. As limita\u00e7\u00f5es encontradas apontam para a import\u00e2ncia de incluir t\u00e9cnicas intelig\u00eantes para a comunica\u00e7\u00e3o entre os controladores em redes SDN de grande porte, tais como DRL e Multi-Agent Reinforcement Learning (MARL). MARL \u00e9 uma vers\u00e3o distribu\u0131\u0301da de aprendizado por refor\u00e7o (RL) de agente \u00fanico e se destaca na gera\u00e7\u00e3o de a\u00e7\u00f5es de controle din\u00e2mico em sistemas distribu\u0131\u0301dos, permitindo que agentes aprendam pol\u0131\u0301ticas \u00f3timas por meio da intera\u00e7\u00e3o entre si e com o ambiente. A natureza de processamento distribu\u0131\u0301do do MARL o torna atraente para intera\u00e7\u00f5es e tomada de decis\u00e3o do plano de controle distribu\u0131\u0301do no SDN. No entanto, a intera\u00e7\u00e3o e treinamento de v\u00e1rios agentes precisa lidar com v\u00e1rios desafios, tais como a n\u00e3o estacionariedade do sistema devido aos agentes mudarem seus comportamentos simultaneamente; assim, os agentes de aprendizagem precisam considerar o comportamento de outros participantes e os requerimentos de QoS do tr\u00e1fego na rede para maximizar a recompensa.<\/p>\n\n\n\n

Portanto, nesta tarefa, exploramos o roteamento SDN baseado em MARL, particularmente um sistema MARL com reconhecimento de QoS para roteamento em SDNs. Ao considerar o MARL sobre um SDN de m\u00faltiplos controladores com estruturas planas e hier\u00e1rquicas de plano de controle, visamos enfrentar os problemas de escalabilidade no SDN convencional, enquanto \u00e9 oferecido roteamento com reconhecimento dos requisitos de aplicativo em rela\u00e7\u00e3o \u00e0s suas necessidades de QoS, o qual ainda permanece inexplorado ao considerar redes SDN de grande escala.<\/p>\n\n\n\n

No desenvolvimento da proposta, as seguintes tarefas ser\u00e3o feitas: i) desenho do modelo MARL definindo o objetivo de otimiza\u00e7\u00e3o, espa\u00e7o de estado, espa\u00e7o de a\u00e7\u00e3o e fun\u00e7\u00e3o de recompensa que conduzem o aprendizado dos agentes e criam a pol\u0131\u0301tica de roteamento, ii) cria\u00e7\u00e3o do cen\u00e1rio de estudo baseado em emula\u00e7\u00e3o de uma rede de SDN larga escala envolvendo tr\u00e1fego de aplica\u00e7\u00f5es com diferentes requerimentos de QoS, iii) refinamento, an\u00e1lise e avalia\u00e7\u00e3o do modelo MARL sob diferentes tamanhos e cargas de rede.<\/p>\n\n\n\n

Para uma avalia\u00e7\u00e3o baseada em emula\u00e7\u00e3o, \u00e9 necess\u00e1rio implantar cen\u00e1rios de rede baseados em ferramentas de emula\u00e7\u00e3o. A camada de controle da rede SDN de larga escala vai ser instanciada fazendo uso do controlador ONOS e a topologia de rede \u00e9 emulada atrav\u00e9s da ferramenta de rede Mininet. O roteamento com reconhecimento de QoS e v\u00e1rios caminhos tamb\u00e9m ser\u00e1 suportado usando ferramentas Python para coletar m\u00e9tricas e estat\u0131\u0301sticas da rede via Mininet. A solu\u00e7\u00e3o multiagente ser\u00e1 implantada com base no framework TensorFlow, orientada para algoritmos baseados em ML. Ser\u00e3o considerados dois tipos de servi\u00e7os gerados durante as etapas de treinamento e teste do modelo MARL: servi\u00e7os multim\u0131\u0301dia baseados em QoS e servi\u00e7os de tr\u00e1fego background. O servi\u00e7o baseado em QoS \u00e9 simulado pelo tr\u00e1fego que representa streaming de v\u0131\u0301deo HD ao vivo com taxa de bits de transmiss\u00e3o espec\u0131\u0301fica e atraso m\u00e1ximo permitido por fluxo. O tr\u00e1fego de background considera tr\u00eas servi\u00e7os de tr\u00e1fego diferentes: streaming de v\u0131\u0301deo SD em buffer, navega\u00e7\u00e3o na Web (ou seja, tipo de tr\u00e1fego HTTP) e servi\u00e7os de tr\u00e1fego de transfer\u00eancia de arquivos. Conforme o \u00faltimo relat\u00f3rio anual da Cisco, o volume de tr\u00e1fego de v\u0131\u0301deo atingir\u00e1 82% de todo o tr\u00e1fego IP at\u00e9 2023. Com base nessas estat\u0131\u0301sticas, a taxa de combina\u00e7\u00e3o de tr\u00e1fego em nossa configura\u00e7\u00e3o experimental \u00e9 determinada de forma que 82% do tr\u00e1fego total seja representado por tr\u00e1fego de v\u0131\u0301deo e os 18% restantes s\u00e3o representados por tr\u00e1fego HTTP e FTP. Assumimos que o volume total de 82% de tr\u00e1fego de v\u0131\u0301deo \u00e9 dividido em 63% de v\u0131\u0301deo HD ao vivo e 19% de v\u0131\u0301deo SD com buffer. As propor\u00e7\u00f5es exatas ser\u00e3o mantidas para diferentes cargas de tr\u00e1fego.<\/p>\n\n\n\n

Tarefa 22: Aprendizado de M\u00e1quina para o Suporte de Acesso Massivo IoT em Redes 5G\/6G<\/h3>\n\n\n\n

O gerenciamento de recursos de r\u00e1dio (RRM, Radio Resource Management) \u00e9 uma tarefa desafiadora em redes 5G\/6G para IoT, uma vez que envolve a ger\u00eancia do acesso aos limitados recursos de rede por uma grande quantidade de dispositivos, enquanto certos n\u0131\u0301veis de qualidade de servi\u00e7o e efici\u00eancia da rede devem ser garantidos.<\/p>\n\n\n\n

No contexto de comunica\u00e7\u00f5es massivas para IoT sobre redes 5G\/6G, o problema de colis\u00e3o de pre\u00e2mbulos no procedimento de acesso aleat\u00f3rio aparece como um dos mais relevantes, pois pode impactar significativamente o consumo de energia dos dispositivos, a qualidade de servi\u00e7o, bem como gerar escassez de banda passante ao usu\u00e1rio final. Dado os sinais do canal de acesso aleat\u00f3rio, o problema \u00e9 determinar qual desses pre\u00e2mbulos encontram-se em colis\u00e3o [93]. Com essa informa\u00e7\u00e3o, as tarefas de RRM podem ser otimizadas, por exemplo, priorizando a aloca\u00e7\u00e3o dos recursos dos pre\u00e2mbulos com menor chance de estar em colis\u00e3o ou evitando alocar os recursos aos pre\u00e2mbulos com alta chance de colis\u00e3o. Outro problema neste mesmo contexto \u00e9 o de multiplicidade de usu\u00e1rios, que visa determinar n\u00e3o apenas se existe colis\u00e3o, mas tamb\u00e9m quantos usu\u00e1rios est\u00e3o envolvidos. Essa informa\u00e7\u00e3o pode ser utilizada para explorar novos mecanismo de RRM baseados na quantidade de usu\u00e1rios concorrentes, por exemplo, para resolu\u00e7\u00e3o da colis\u00e3o e aloca\u00e7\u00e3o de recursos proporcional a essa quantidade.<\/p>\n\n\n\n

A utiliza\u00e7\u00e3o de t\u00e9cnicas de aprendizado de m\u00e1quina ganhou um grande interesse em redes 5G\/6G e IoT. Essas t\u00e9cnicas podem auxiliar no desenvolvimento de mecanismos inovadores dos problemas mencionados previamente. No entanto, os trabalhos existentes relacionados a essa tarefa apresentam limita\u00e7\u00f5es para sua implementa\u00e7\u00e3o pr\u00e1tica, pois sup\u00f5em conhecimento total sobre a informa\u00e7\u00f5es de colis\u00e3o (ex., se um pre\u00e2mbulo est\u00e1 em colis\u00e3o e os usu\u00e1rios envolvidos), ou porque o mecanismo de acesso n\u00e3o \u00e9 compat\u0131\u0301vel com os padr\u00f5es de redes m\u00f3veis atuais.<\/p>\n\n\n\n

Esta tarefa visa desenvolver mecanismos de gerenciamento de recurso de r\u00e1dio baseados em t\u00e9cnicas de aprendizado de m\u00e1quina centralizado e distribu\u0131\u0301do para resolver problemas relacionados ao suporte de acesso massivo IoT em redes 5G\/6G. Um componente importante desta tarefa ser\u00e1 a gera\u00e7\u00e3o de datasets sint\u00e9ticos e reais via simula\u00e7\u00e3o do procedimento de acesso aleat\u00f3rio (simulador sist\u00eamico\/rede) e emula\u00e7\u00e3o (testbed utilizando software com OpenAir Interface e v\u00e1rios USRPs), respectivamente. Os algoritmos e mecanismos a serem desenvolvidos nesta tarefa ser\u00e3o avaliados via simula\u00e7\u00e3o ou emula\u00e7\u00e3o. Eventualmente, os mecanismos a serem propostos ser\u00e3o tamb\u00e9m avaliados com modelagem anal\u0131\u0301tica quando vi\u00e1vel.<\/p>\n\n\n\n

Tarefa 23: Meta Aprendizado Federado sobre Redes 5G\/6G<\/h3>\n\n\n\n

Uma das quest\u00f5es centrais em redes 5G\/6G \u00e9 a capacidade de se prever varia\u00e7\u00f5es do tr\u00e1fego devido ao dinamismos e diversidade das aplica\u00e7\u00f5es, o que demanda aloca\u00e7\u00e3o din\u00e2mica de recursos de redes para lidar com as demandas das aplica\u00e7\u00f5es. A capacidade de se prever o tr\u00e1fego e suas varia\u00e7\u00f5es \u00e9 crucial para o gerenciamento eficiente dos recursos de rede.<\/p>\n\n\n\n

Como em aprendizado federado (FL), o meta-aprendizado compartilha um modelo global entre v\u00e1rios dispositivos. No entanto, o meta-aprendizado difere de aprendizado federado em tr\u00eas aspectos: (1) no FL, os dispositivos possuem seus pr\u00f3prios conjuntos de dados (com diferentes distribui\u00e7\u00f5es) com a mesma tarefa, enquanto no meta-aprendizado existem v\u00e1rias tarefas com seus respectivos conjuntos de dados; (2) No FL, os dispositivos implantam atualiza\u00e7\u00f5es locais para melhorar o desempenho do aprendizado, enquanto no meta aprendizado, as atualiza\u00e7\u00f5es do loop interno s\u00e3o usadas para cada tarefa para melhorar o desempenho do aprendizado; (3) No FL, a agrega\u00e7\u00e3o de modelos \u00e9 aplicada para melhorar o desempenho global de todos os dispositivos, enquanto no meta-aprendizado, um loop externo atualiza os par\u00e2metros globais para todas as tarefas. Especialmente, os algoritmos de meta-aprendizado baseados em inicializa\u00e7\u00e3o s\u00e3o bem conhecidos pela r\u00e1pida adapta\u00e7\u00e3o e boa generaliza\u00e7\u00e3o para novas tarefas. A combina\u00e7\u00e3o das t\u00e9cnicas de aprendizado federado e meta-aprendizado \u00e9 chamada de meta-aprendizado federado ou Fedmeta. Uma das suas vantagens \u00e9 a redu\u00e7\u00e3o no custo de comunica\u00e7\u00e3o necess\u00e1rio devido \u00e0 converg\u00eancia mais r\u00e1pida e um aumento na precis\u00e3o do aprendizado. Al\u00e9m disso, FedMeta permite compartilhamento de modelo e treinamento de modelo local sem expans\u00e3o significativa no tamanho do modelo, contribuindo para a escalabilidade do processamento.<\/p>\n\n\n\n

Um dos m\u00e9todos de previs\u00e3o de tr\u00e1fego de rede \u00e9 um preditor feed-forward, que consiste em um classificador de tr\u00e1fego treinado para reconhecer tipos espec\u0131\u0301ficos de tr\u00e1fego e um preditor que leva o tr\u00e1fego de rede e a classifica\u00e7\u00e3o resultados como entradas. No entanto, esse mecanismo requer uma grande quantidade de conjuntos de dados rotulados para treinar cada classificador de tr\u00e1fego, o que leva a uma alta complexidade computacional. Para resolver esse problema, pode-se usar meta-aprendizado para se selecionar um preditor. Definiu-se, tamb\u00e9m, um esquema de meta-aprendizado usado no preditor que consiste em uma pol\u0131\u0301tica mestra e um conjunto de sub-pol\u0131\u0301ticas. A pol\u0131\u0301tica principal \u00e9 respons\u00e1vel por selecionar qual subpol\u0131\u0301tica \u00e9 usada para previs\u00e3o durante o pr\u00f3ximo intervalo de previs\u00e3o. Meta-aprendizado permite a atualiza\u00e7\u00e3o dos subpreditores em tempo real, de modo que esses tenham a capacidade de se adaptar \u00e0s varia\u00e7\u00f5es nos padr\u00f5es de tr\u00e1fego ao longo do tempo. Uma das grandes desvantagens desse esquema \u00e9 a necessidade de se retreinar o mestre quando da introdu\u00e7\u00e3o de um novo subpreditor, o que leva a altos custos computacionais. Pretende-se, nessa tarefa, desenvolver mecanismo baseado em meta-aprendizado federado para acelerar o re treinamento de mestres, diminuindo a complexidade computacional, o que facilitar\u00e1 a predi\u00e7\u00e3o de tr\u00e1fego em tempo real para lidar e dos recursos de rede necess\u00e1rios para se lidar com as flutua\u00e7\u00f5es de tr\u00e1fego. Nessa tarefa, utilizar-se-\u00e1 a plataforma Flower para aprendizado federado e simula\u00e7\u00e3o com tra\u00e7os (datasets) de tr\u00e1fego em redes celulares.<\/p>\n","protected":false},"excerpt":{"rendered":"

A linha tem\u00e1tica Intelig\u00eancia Artificial Aplicada em Redes de Comunica\u00e7\u00e3o engloba tarefas para uso de IA no gerenciamento da infraestrutura de comunica\u00e7\u00e3o, bem como tornar mais eficiente e automatizado o uso desses…<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_kadence_starter_templates_imported_post":false,"_kad_post_transparent":"","_kad_post_title":"","_kad_post_layout":"","_kad_post_sidebar_id":"","_kad_post_content_style":"","_kad_post_vertical_padding":"","_kad_post_feature":"","_kad_post_feature_position":"","_kad_post_header":false,"_kad_post_footer":false,"footnotes":""},"class_list":["post-121","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/pages\/121","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/comments?post=121"}],"version-history":[{"count":1,"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/pages\/121\/revisions"}],"predecessor-version":[{"id":122,"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/pages\/121\/revisions\/122"}],"wp:attachment":[{"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/media?parent=121"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}