Enabling self-driving networks with machine learning

• Ano de defesa: 2022
• Autor(a) principal: Jacobs, Arthur Selle
• Orientador(a): Granville, Lisandro Zambenedetti
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Aprendizado de máquina; Segurança cibernética; Gerenciamento de redes : Computadores
• Palavras-chave em Inglês: Self-driving networks; Machine learning; Explainability; Intent-based networking; Operator feedback; Network security
• Link de acesso: http://hdl.handle.net/10183/252138

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).