Navegando por Assunto "Desvio de conceito"

Agora exibindo 1 - 2 de 2

Acesso aberto (Open Access)
Mitigating concept drifts in proactive mobile core scaling via online learning models
(Universidade Federal do Pará, 2025-07-28) FERREIRA, Abrahão Leite; BOTH, Cristiano Bonato; http://lattes.cnpq.br/2658002010026792; https://orcid.org/0000-0002-9776-4888; GONÇALVES, Glauco Estácio; http://lattes.cnpq.br/6157118581200722; https://orcid.org/0000-0003-1341-5339; CARDOSO, Diego Lisboa; CARDOSO, Kleber Vieira; http://lattes.cnpq.br/0507944343674734; http://lattes.cnpq.br/0268732896111424; https://orcid.org/0000-0002-5971-3668; https://orcid.org/0000-0001-5152-5323
As redes móveis passam por constantes mudanças e, a cada geração, novos casos de uso surgem para desafiar a tecnologia atual. Os casos de uso atuais do 5G e do futuro 6G exigem que a rede móvel ofereça maior confiabilidade e baixa latência, desafiando assim toda a rede e, em particular, o núcleo da rede móvel. Para atender a esses requisitos rigorosos, a tecnologia de rede central atual incorpora técnicas de escalabilidade baseadas em modelos de aprendizado de máquina, que permitem antecipar as demandas de tráfego e ajustar proativamente os recursos da rede antes que ocorra qualquer degradação na qualidade do serviço. No entanto, mudanças nos hábitos dos usuários, aplicativos e protocolos de rede podem levar a alterações nos padrões estatísticos do tráfego móvel, um fenômeno conhecido como desvios de conceito. Consequentemente, modelos convencionais de aprendizado de máquina, treinados em dados antigos, tendem a perder precisão ao longo do tempo, o que pode comprometer a adoção de casos de uso com requisitos rigorosos de desempenho. Para superar essa limitação, este estudo avalia o uso de modelos de aprendizado online para o escalabilidade proativa de funções de rede no núcleo de redes móveis. Essa abordagem busca empregar modelos que possam se adaptar continuamente às mudanças na distribuição de tráfego, mantendo previsões consistentes mesmo em cenários sujeitos a desvios de conceito. Como um estudo de caso, esta dissertação de mestrado discute como modelos de aprendizagem online podem ser empregados para aprimorar a escalabilidade da Função de Gerenciamento de Acesso e Mobilidade (AMF) sob diferentes tipos de desvio de conceito. Utilizando tráfego de dados real de uma operadora de telecomunicações, diversos cenários de desvio de conceito foram delineados e uma simulação abrangente de treze estratégias de aprendizagem online foi realizada em um núcleo móvel simulado. Os resultados mostram como as previsões precisas dos modelos online impactam métricas de serviço, como o número de solicitações perdidas e a taxa de ocupação da função. Além disso, o estudo aponta que nem todos os modelos online mantêm boa precisão preditiva sob desvios de conceito no tráfego, o que confirma a importância de testar diferentes modelos.
Acesso aberto (Open Access)
Towards a robust b5g/6g transport network with self-adaptive network digital twin
(Universidade Federal do Pará, 2026-07-04) BARATA, Claudio Matheus Modesto; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284; https://orcid.org/0000-0001-7773-2080; GONÇALVES, Glauco Estácio; CASTRO, Bruno Souza Lyra; BOTH, Cristiano Bonato; http://lattes.cnpq.br/6157118581200722; http://lattes.cnpq.br/1897829604434609; http://lattes.cnpq.br/2658002010026792; https://orcid.org/0000-0003-1341-5339; ******; https://orcid.org/0000-0002-9776-4888
A capacidade de um gemeo digital para redes (NDT) de se manter ciente das mudanças em seu equivalente físico, conhecido como gemeo físico (PTwin), e uma condição fundamental para viabilizar a adaptação e a sincronização em tempo hábil, também chamadas de twinning. Dessa forma, considerando uma rede de transporte, um requisito chave e lidar com a variabilidade inesperada do trafego e se adaptar dinamicamente para manter um desempenho ideal no modelo virtual associado, conhecido como gemeo virtual (VTwin). Nesse contexto, esta dissertação propoem uma implementação robusta e auto-adaptativa de uma nova arquitetura de gemeos digitais para redes, projetada para fornecer predição precisa de atraso dos fluxos de rede, mesmo sob condições de tráfego flutuantes. Essa arquitetura aborda um desafio essencial, ainda pouco explorado na literatura: melhorar a resiliencia de plataformas de gêmeos digitais baseadas em dados frente a variabilidade do tráfego, além de aprimorar a sincronização entre o VTwin, baseado em redes neurais, e seu equivalente físico. Portanto, as contribuições desta dissertação se concentram em uma etapa relativamente pouco explorada do ciclo de vida do NDT, ao focar na fase operacional, na qual modulos de telemetria são utilizados para monitorar o trafego de entrada, e técnicas de detecção de desvio de conceito que orientam as decisões de re-treinamento, com o objetivo de atualizar e reimplantar o gêmeo virtual quando necessário. A arquitetura proposta foi avaliada em diversas topologias de rede emuladas e sob diferentes padrões de tráfego, a fim de demonstrar sua eficácia na preservação de um desempenho aceitavel e na predição do atraso total por fluxo, mesmo sob variações inesperadas de tráfego, aspecto essencial para manter um desempenho confiavel em aplicações como o monitoramento de service-level agreement considerado como caso de uso neste trabalho. Os resultados obtidos em todas as topologias testadas, utilizando o erro quadratico médio normalizado como métrica de avaliação, demonstram que com a arquitetura proposta, após a ocorrência de um desvio de conceito no trafego, e alcançada uma melhoria de desempenho na predição de pelo menos 56, 7% em comparação com uma configuração sem sincronização do gêmeo digital.