Aplicação de técnicas de aprendizado de máquina para planejamento e gerenciamento de redes ópticas elásticas

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Melo, Talison Augusto Correia de lattes
Orientador(a): Assis, Karcius Day Rosário
Banca de defesa: Assis, Karcius Day Rosário, Lopes, Waslon Terllizzie Araújo, Santos Filho, José Valentim dos, Esquerre, Vitaly Félix Rodriguez, Novo, Marcela Silva
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal da Bahia
Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica (PPGEE) 
Departamento: Escola Politécnica
País: Brasil
Palavras-chave em Português:
Redes ópticas elásticas
Roteamento e alocação de espectro
Aprendizado do computador
Área do conhecimento CNPq:
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Link de acesso: https://repositorio.ufba.br/handle/ri/41204
Resumo: As Redes Ópticas Elásticas (EONs) surgiram como uma resposta inovadora às redes ópticas tradicionais, trazendo novas concepções operacionais que melhoram a flexibilidade e a eficiência no uso dos recursos. Um problema recorrente em EONs é o Roteamento e Alocação de espectro (RSA), que busca definir uma rota para cada requisição e alocar um número adequado de slots de acordo com a demanda requerida, utilizando a menor quantidade possível de espectro. Este trabalho apresenta técnicas de aprendizado de máquina supervisionado para o projeto de virtualização com proteção em EONs, com o objetivo de prever o número total de slots de espectro necessários para suportar todas as demandas de tráfego. Focando em Redes Ópticas Virtuais (VONs) sujeitas a proteção específica, investiga-se a aplicação de técnicas de Aprendizado de Máquina (ML), especificamente Perceptron Multicamadas (MLP) e Regressão por Vetores de Suporte (SVR), para resolver o problema de capacidade de enlace de EONs com virtualização de forma mais rápida do que as formulações tradicionais de Programação Linear Inteira (ILP), mantendo resultados próximos dos ótimos. O desempenho dos modelos foi avaliado por meio de métricas estatísticas, tempo de treinamento e inferência. Os resultados mostraram que o método proposto é eficaz para prever o número de slots necessários no substrato físico sujeito a várias VONs.
id UFBA-2_c40f8f4b387d4d5c4dddc03bb3de9f39
oai_identifier_str oai:repositorio.ufba.br:ri/41204
network_acronym_str UFBA-2
network_name_str Repositório Institucional da UFBA
repository_id_str
spelling 2025-02-13T12:51:34Z2025-02-13T12:51:34Z2024-12-09https://repositorio.ufba.br/handle/ri/41204As Redes Ópticas Elásticas (EONs) surgiram como uma resposta inovadora às redes ópticas tradicionais, trazendo novas concepções operacionais que melhoram a flexibilidade e a eficiência no uso dos recursos. Um problema recorrente em EONs é o Roteamento e Alocação de espectro (RSA), que busca definir uma rota para cada requisição e alocar um número adequado de slots de acordo com a demanda requerida, utilizando a menor quantidade possível de espectro. Este trabalho apresenta técnicas de aprendizado de máquina supervisionado para o projeto de virtualização com proteção em EONs, com o objetivo de prever o número total de slots de espectro necessários para suportar todas as demandas de tráfego. Focando em Redes Ópticas Virtuais (VONs) sujeitas a proteção específica, investiga-se a aplicação de técnicas de Aprendizado de Máquina (ML), especificamente Perceptron Multicamadas (MLP) e Regressão por Vetores de Suporte (SVR), para resolver o problema de capacidade de enlace de EONs com virtualização de forma mais rápida do que as formulações tradicionais de Programação Linear Inteira (ILP), mantendo resultados próximos dos ótimos. O desempenho dos modelos foi avaliado por meio de métricas estatísticas, tempo de treinamento e inferência. Os resultados mostraram que o método proposto é eficaz para prever o número de slots necessários no substrato físico sujeito a várias VONs.Elastic Optical Networks (EONs) have emerged as an innovative response to traditional optical networks, bringing new operational concepts that improve flexibility and resource efficiency. A recurring problem in EONs is Routing and Spectrum Allocation (RSA), which seeks to define a route for each request and allocate an appropriate number of slots according to the required demand, using the minimum possible spectrum. This work presents supervised machine learning techniques for the virtualization design with protection in EONs, aiming to predict the total number of spectrum slots needed to support all traffic demands. Focusing on Virtual Optical Networks (VONs) subjected to specific protection, the application of machine learning techniques, specifically Multilayer Perceptron (MLP) and Support Vector Regression (SVR), is investigated to solve the link capacity problem in EONs with virtualization faster than traditional Integer Linear Programming (ILP) formulations, while maintaining results close to optimal. The performance of the models was evaluated through statistical metrics, training time, and inference. The results showed that the proposed method is effective in predicting the number of slots needed in the physical substrate subjected to various VONs.porUniversidade Federal da BahiaPrograma de Pós-Graduação em Engenharia Elétrica (PPGEE) UFBABrasilEscola PolitécnicaElastic Optical NetworksRouting and Spectrum AllocationComputer LearningCNPQ::ENGENHARIAS::ENGENHARIA ELETRICARedes ópticas elásticasRoteamento e alocação de espectroAprendizado do computadorAplicação de técnicas de aprendizado de máquina para planejamento e gerenciamento de redes ópticas elásticasApplication of machine learning techniques for planning and management of elastic optical networksDoutoradoinfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/publishedVersionAssis, Karcius Day RosárioAssis, Karcius Day RosárioLopes, Waslon Terllizzie AraújoSantos Filho, José Valentim dosEsquerre, Vitaly Félix RodriguezNovo, Marcela Silvahttp://lattes.cnpq.br/1026458547173933Melo, Talison Augusto Correia deinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFBAinstname:Universidade Federal da Bahia (UFBA)instacron:UFBAORIGINALTese_Talison_Melo_2024.pdfTese_Talison_Melo_2024.pdfTese Talison Meloapplication/pdf19713627https://repositorio.ufba.br/bitstream/ri/41204/1/Tese_Talison_Melo_2024.pdfef6b6e648fad34c19e0f74f1f1d7ffc1MD51open accessLICENSElicense.txtlicense.txttext/plain1720https://repositorio.ufba.br/bitstream/ri/41204/2/license.txtd9b7566281c22d808dbf8f29ff0425c8MD52open accessri/412042025-02-13 09:51:34.513open accessoai:repositorio.ufba.br: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Repositório InstitucionalPUBhttps://repositorio.ufba.br/oai/requestrepositorio@ufba.bropendoar:19322025-02-13T12:51:34Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)false
dc.title.pt_BR.fl_str_mv Aplicação de técnicas de aprendizado de máquina para planejamento e gerenciamento de redes ópticas elásticas
dc.title.alternative.pt_BR.fl_str_mv Application of machine learning techniques for planning and management of elastic optical networks
title Aplicação de técnicas de aprendizado de máquina para planejamento e gerenciamento de redes ópticas elásticas
spellingShingle Aplicação de técnicas de aprendizado de máquina para planejamento e gerenciamento de redes ópticas elásticas
Melo, Talison Augusto Correia de
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Redes ópticas elásticas
Roteamento e alocação de espectro
Aprendizado do computador
Elastic Optical Networks
Routing and Spectrum Allocation
Computer Learning
title_short Aplicação de técnicas de aprendizado de máquina para planejamento e gerenciamento de redes ópticas elásticas
title_full Aplicação de técnicas de aprendizado de máquina para planejamento e gerenciamento de redes ópticas elásticas
title_fullStr Aplicação de técnicas de aprendizado de máquina para planejamento e gerenciamento de redes ópticas elásticas
title_full_unstemmed Aplicação de técnicas de aprendizado de máquina para planejamento e gerenciamento de redes ópticas elásticas
title_sort Aplicação de técnicas de aprendizado de máquina para planejamento e gerenciamento de redes ópticas elásticas
author Melo, Talison Augusto Correia de
author_facet Melo, Talison Augusto Correia de
author_role author
dc.contributor.advisor1.fl_str_mv Assis, Karcius Day Rosário
dc.contributor.referee1.fl_str_mv Assis, Karcius Day Rosário
dc.contributor.referee2.fl_str_mv Lopes, Waslon Terllizzie Araújo
dc.contributor.referee3.fl_str_mv Santos Filho, José Valentim dos
dc.contributor.referee4.fl_str_mv Esquerre, Vitaly Félix Rodriguez
dc.contributor.referee5.fl_str_mv Novo, Marcela Silva
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/1026458547173933
dc.contributor.author.fl_str_mv Melo, Talison Augusto Correia de
contributor_str_mv Assis, Karcius Day Rosário
Assis, Karcius Day Rosário
Lopes, Waslon Terllizzie Araújo
Santos Filho, José Valentim dos
Esquerre, Vitaly Félix Rodriguez
Novo, Marcela Silva
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
topic CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Redes ópticas elásticas
Roteamento e alocação de espectro
Aprendizado do computador
Elastic Optical Networks
Routing and Spectrum Allocation
Computer Learning
dc.subject.por.fl_str_mv Redes ópticas elásticas
Roteamento e alocação de espectro
Aprendizado do computador
dc.subject.other.pt_BR.fl_str_mv Elastic Optical Networks
Routing and Spectrum Allocation
Computer Learning
description As Redes Ópticas Elásticas (EONs) surgiram como uma resposta inovadora às redes ópticas tradicionais, trazendo novas concepções operacionais que melhoram a flexibilidade e a eficiência no uso dos recursos. Um problema recorrente em EONs é o Roteamento e Alocação de espectro (RSA), que busca definir uma rota para cada requisição e alocar um número adequado de slots de acordo com a demanda requerida, utilizando a menor quantidade possível de espectro. Este trabalho apresenta técnicas de aprendizado de máquina supervisionado para o projeto de virtualização com proteção em EONs, com o objetivo de prever o número total de slots de espectro necessários para suportar todas as demandas de tráfego. Focando em Redes Ópticas Virtuais (VONs) sujeitas a proteção específica, investiga-se a aplicação de técnicas de Aprendizado de Máquina (ML), especificamente Perceptron Multicamadas (MLP) e Regressão por Vetores de Suporte (SVR), para resolver o problema de capacidade de enlace de EONs com virtualização de forma mais rápida do que as formulações tradicionais de Programação Linear Inteira (ILP), mantendo resultados próximos dos ótimos. O desempenho dos modelos foi avaliado por meio de métricas estatísticas, tempo de treinamento e inferência. Os resultados mostraram que o método proposto é eficaz para prever o número de slots necessários no substrato físico sujeito a várias VONs.
publishDate 2024
dc.date.issued.fl_str_mv 2024-12-09
dc.date.accessioned.fl_str_mv 2025-02-13T12:51:34Z
dc.date.available.fl_str_mv 2025-02-13T12:51:34Z
dc.type.driver.fl_str_mv Doutorado
info:eu-repo/semantics/doctoralThesis
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufba.br/handle/ri/41204
url https://repositorio.ufba.br/handle/ri/41204
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal da Bahia
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Engenharia Elétrica (PPGEE) 
dc.publisher.initials.fl_str_mv UFBA
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Escola Politécnica
publisher.none.fl_str_mv Universidade Federal da Bahia
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFBA
instname:Universidade Federal da Bahia (UFBA)
instacron:UFBA
instname_str Universidade Federal da Bahia (UFBA)
instacron_str UFBA
institution UFBA
reponame_str Repositório Institucional da UFBA
collection Repositório Institucional da UFBA
bitstream.url.fl_str_mv https://repositorio.ufba.br/bitstream/ri/41204/1/Tese_Talison_Melo_2024.pdf
https://repositorio.ufba.br/bitstream/ri/41204/2/license.txt
bitstream.checksum.fl_str_mv ef6b6e648fad34c19e0f74f1f1d7ffc1
d9b7566281c22d808dbf8f29ff0425c8
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)
repository.mail.fl_str_mv repositorio@ufba.br
_version_ 1847342085684854784

Registros relacionados