Reactive and proactive approaches to predict and identify critical flows using meta-heuristic in programmable data planes

• Ano de defesa: 2025
• Autor(a) principal: Silva, Marcus Vinicius Brito da
• Orientador(a): Granville, Lisandro Zambenedetti
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Gerenciamento de redes : Computadores; Redes Definidas por Software; Plano de Dados Programáveis; Meta heurística; Redes programáveis
• Palavras-chave em Inglês: Internet exchange points; Elephant flows
• Link de acesso: http://hdl.handle.net/10183/298446

Prever fluxos críticos que podem potencialmente prejudicar o desempenho da rede é uma tarefa desafiadora. Como tal, os operadores de rede precisam monitorar, analisar e configurar constantemente os dispositivos de rede de modo a permitir que os usuários obtenham melhor experiencia com os serviços fornecidos pela rede. Neste sentido, diferentes classes de fluxos críticos, tais como: ataques DoS, heavy-hitters, fluxos elefantes e outros; podem impactar severamente os recursos de rede. Isso tem motivado várias investigações voltadas ao monitoramento de tráfego de rede e, além disso, como identificar e mitigar estas classes de fluxos com rapidez e precisão. Nesta tese, apresentamos dois mecanismos para realizar análise, identificação e reação aos fluxos críticos em redes programáveis, usando abordagens proativas e reativas. O primeiro mecanismo, IDEAFIX, é uma estratégia reativa que explora os recursos de switches programáveis para analisar e classificar fluxos críticos diretamente no plano de dados, comparando suas características de volume e duração com limiares locais. O segundo mecanismo, HashCuckoo, é uma evolução do primeiro mecanismo, e consistem em uma estratégia proativa que usa informações meta-heurísticas para realizar a classificação antecipada de fluxos críticos antes que os limiares sejam efetivamente excedidos. Nós exploramos o padrão de tráfego observado em redes IXP e implementamos um mecanismo de predição local, no plano de dados programável, para melhorar o processo de identificação dos fluxos elefantes. Os resultados experimentais mostram que as abordagens proativas e reativas propostas nesta tese se mostraram eficientes em prever e identificar fluxos críticos diretamente no plano de dados programáveis. Nosso protótipo explora a correlação temporal observada no tráfego da rede e a periodicidade dos eventos passados para realizar inferências e identificar fluxos críticos assim que estes ingressam na rede. Para maximizar a acurácia das predições, usamos uma técnica de otimização meta-heurística para melhorar o conjunto de amostras usado para fazer as inferências em tempo de execução. Usando predições (antes de exceder os limiares), antecipamos significativamente o tempo de identificação e mitigação dos fluxos de elefantes, em comparação com as abordagens convencionais (que realizam a identificação somente após os limiares serem excedidos) encontradas na literatura. Nós avaliamos nossas abordagens considerando uma implementação centralizada (no plano de controle) e distribuída (nos switches) e mostramos que nos switches há uma redução significativa no tempo necessário para identificar os fluxos elefantes. No melhor dos nossos conhecimentos, o mecanismo apresentado nesta tese consiste na primeira solução que combina otimização meta-heurísticas e predições que pode operar em line-rate em planos de dados programáveis.