Uma arquitetura de referência para detecção de anomalias em SDN utilizando inteligência computacional

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Pereira, Rivaldo Fernandes de Albuquerque
Orientador(a): Immich, Roger Kreutz
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do Rio Grande do Norte
Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM TECNOLOGIA DA INFORMAÇÃO
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
SDN
Área do conhecimento CNPq:
Link de acesso: https://repositorio.ufrn.br/handle/123456789/57260
Resumo: Tecnologias emergentes como a Cloud, 5G, Internet of Things (IoT) e computação de borda, necessitam controlar e conectar em rede milhões de dispositivos todos os dias. Configurar redes tradicionais, que podem chegar a vários milhares de equipamentos, é uma tarefa complexa pois exige configurar rotas em cada equipamento da rede. As Redes Definidas por Software (SDN) ajudam na simplificação da configuração e gerenciamento de uma rede com esta quantidade de dispositivos já que dispõe de controlador de rede centralizado. Apesar de promissora, a SDN tem desafios principalmente relacionados a segurança e análise fina de indicadores de rede para detectar problemas, mas muitos estudos demonstram a viabilidade do uso de inteligência computacional (IC) para detectar anomalias em SDN. O objetivo principal deste trabalho foi definir uma arquitetura de referência para validar, promover e explicar, qualquer técnica de IC que melhor se ajuste a cada um dos diferentes tipos de anomalias. A arquitetura proposta é baseada em microsserviços hexagonais, com um modelo de informação único baseado nos frameworks de aplicações e informações e processos do Open Digital Architecture, do TM Forum. A validação e avaliação foi realizada através de um protótipo de prova de conceito que utilizou dois dataset diferentes para treinar sete algoritmos de aprendizagem de máquina. Os resultados deixam claro a necessidade de se ter uma arquitetura flexível, em que seja possível adicionar e remover diferentes modelos de IC para cada cenário específico.