Sareari adimena gehitzen: machine learning eta gaitasun kognitiboen sarrera sare-mailako monitorizaziorako eta matxuren diagnostikorako

• Ianire Taboada ^[1] ; Bego Blanco ^[1]
  1. [1] UPV/EHU
• Localización: Ekaia: Euskal Herriko Unibertsitateko zientzi eta teknologi aldizkaria, ISSN 0214-9001, Nº. 33, 2018, págs. 181-193
• Idioma: euskera
• DOI: 10.1387/ekaia.17847
• Títulos paralelos:
  • Adding intelligence to the network: the integration of machine learning and cognitive capabilities at network level for monitoring and troubleshooting
• Enlaces
  • Texto completo
• Resumen
  • euskara

    Ohiko sare-ereduak erabiliz belaunaldi berriko sareen ezaugarri espezi-fikoek ez dute kudeaketa egokia ahalbidetzen: izan ere, ezin ditu kontuan hartu eskala doiketa, heterogeneotasuna eta agertoki hauen konplexutasuna. Beraz, beharrezkoa da komunikazio sistema hauen diseinu eta kudeaketarako paradigma berriak definitzea. Modu honetan, machine learning-aren erabilpenaren bidez, sareari gaitasun kogniti-boak gaineratzeak datuei erantsita sarean zehar garraiatzen den protokolo-informazioa-ren maneiatzea posible egiten du. Informazio hau sarearen egoera inferitzeko erabiltzen da, disfuntzioak ekidinez eta guztirako errendimendua hobetuz. Artikulu honek sare-mailan integratutako modulu adimentsu baten diseinua aurkezten du, offline machine learning-ean oinarrituz, bideraketa funtzionalitaterako informazioa bilduz eta interpre-tatuz. Testuinguruaz kontzientea den modulu kognitibo honek monitoreatutako sare-egoeraren arabera bideraketa protokoloaren portaera manipulatzen du, horrela matxu-rak ekidinez, trafikoa orekatuz eta hobekuntza globala eskuratuz.

  • English

    The specific characteristics of next generation networks entail the impossi-bility of a proper management according to the conventional networking models, due to their inability to adjust the scale, the heterogeneity and the complexity of those sce-narios. Therefore, it is necessary to define new paradigms to design and manage these emergent communication systems. At this point, adding cognitive capabilities to the network through the application of machine learning techniques makes it possible to leverage the protocol information that travels along the network attached to the data. This data is use to infer information about the state of the network and exploit it to pre-vent dysfunctions and improve the overall performance. This paper introduces the de-sign of an intelligent module integrated at network level, based on offline machine learning, to gather and interpret information to complement and support the routing functionality. This context-aware cognitive module manipulates the behaviour of the routing protocol depending on the monitored state of the network to avoid failures, bal-ance the traffic and get a global enhancement.