Predição do tráfego de rede de computadores usando redes neurais tradicionais e de aprendizagem profunda

Authors

  • Tiago Prado Oliveira Universidade Federal de Uberlândia
  • Jamil Salem Barbar Universidade Federal de Uberlândia
  • Alexsandro Santos Soares Universidade Federal de Uberlândia

DOI:

https://doi.org/10.22456/2175-2745.49045

Abstract

Neste artigo são comparados quatro abordagens diferentes para a previsão do tráfego de redes de computadores, usando o tráfego de dispositivos de redes de computadores que se conectam a Internet e usando Redes Neurais Artificiais (RNA) para a predição, sendo elas: (1)  Multilayer Perceptron (MLP) com Backpropagation para o treinamento; (2) MLP com Resilient Backpropagation (Rprop); (3) Rede Neural Recorrente (RNN); (4)  Stacked Autoencoder (SAE) com aprendizagem profunda (deep learning). Também é apresentado que um modelo de rede neural mais simples, tais como a RNN e MLP, podem ser mais eficientes do que modelos mais complexos, como o SAE. A predição do tráfego de Internet é uma tarefa importante para muitas aplicações, tais como aplicações adaptativas, controle de congestionamento, controle de admissão, detecção de anomalias e alocação de largura de banda. Além disso, métodos eficientes de gerenciamento de recursos, como a largura de banda, podem ser usados para melhorar o desempenho e reduzir custos, aprimorando a Qualidade de Serviço (QoS). A popularidade das novas redes neurais profundas vêm aumentado em muitas áreas, porém há uma falta de estudos em relação a predição de séries temporais, como o tráfego de Internet.

Downloads

Download data is not yet available.

Published

2015-05-04

How to Cite

Oliveira, T. P., Barbar, J. S., & Soares, A. S. (2015). Predição do tráfego de rede de computadores usando redes neurais tradicionais e de aprendizagem profunda. Revista De Informática Teórica E Aplicada, 22(1), 10–28. https://doi.org/10.22456/2175-2745.49045

Issue

Section

Regular Papers