Agenda de defesas Agenda de defesas

Voltar

Ciência da Computação promove defesas hoje e na quinta-feira (12)

Apresentações serão no Centro de Informática

O Programa de Pós-Graduação em Ciência da Computação promove defesas hoje e na quinta-feira (12). Hoje (10), a defesa da tese de Rafael Roque de Souza, orientado pelo professor Stênio Flávio Lacerda Fernandes e coorientado pelo professor Kelvin Lopes Dias, ocorrerá às 9h, no anfiteatro do Centro de Informática. O trabalho “Um Framework Inteligente para Escalonamento de VNFs em Centro de Dados” será examinado pela banca formada pelos professores: Ricardo Massa Ferreira Lima (UFPE/Centro de Informática), Erica Teixeira Gomes de Sousa (UFRPE/Departamento de Estatística e Informática), Marcelo Anderson Batista dos Santos (IF-Sertão-PE/Campus Salgueiro), Carlos Alberto Kamienski (UFABC/Centro de Matemática, Computação e Cognição) e Marco Antonio de Oliveira Domingues (IFPE/Campus Recife).

O mestrando Antonio Jorge Ferreira Delgado Filho, orientado pelo professor Germano Crispim Vasconcelos, apresentará a dissertação “Métodos de Regressão para Previsão de Demandas”, no dia 12, às 13h30, na Sala E231. A banca examinadora é formada pelos professores Patricia Cabral de Azevedo Resteli Tedesco (UFPE/Centro de Informática), Cleviton Vinicius Fonsêca Monteiro (UFRPE/Deinfo) e Germano Crispim Vasconcelos (UFPE/Centro de Informática).
Jackson Nunes da Silva, orientado pelo professor José Augusto Suruagy Monteiro, vai defender a dissertação “Implementação de plano de dados programável para a eXpressive Internet Architecture usando a Linguagem P4”, no dia 12, às 14h, no anfiteatro do Centro de Informática. A banca examinadora é formada pelos docentes Kelvin Lopes Dias (UFPE/Centro de Informática), Fabio Luciano Verdi (UFSCar/Departamento de Ciência da Computação) e José Augusto Suruagy Monteiro (UFPE/Centro de Informática).

Resumo 1

Contexto: A Network Function Virtualization (NFV) visa desacoplar a funcionalidade de rede de dispositivos físicos dedicados, permitindo assim que a Virtual Machine (VM) hospede serviços tradicionalmente realizados por roteadores, firewalls, ou balanceamento de carga. A hospedagem desses serviços em VMs fornecerá novas oportunidades de negócios aos centros de dados. Atualmente, os recursos físicos disponíveis são limitados, o que torna o escalonamento de recursos eficiente uma questão desafiadora para a adoção bem-sucedida de NFV. Problema: Destacamos nesta tese três problemas relacionados à NFV aplicado em centro de dados: (i) escalonamento de cadeias de serviços; (ii) questões de confiabilidade e (iii) otimização da utilização dos recursos disponíveis. O foco desses problemas está relacionado à necessidade de evitar picos inesperados de tempo de inatividade, levando a perdas financeiras, diminuição da satisfação dos funcionários e redução da retenção de clientes. Assim, torna-se essencial investigar técnicas de tolerância a falhas e requisitos de alto desempenho para o NFV aplicado ao centro de dados. Além disso, outros fatores, como o aumento da temperatura gerada pela alocação ineficiente de recursos, podem degradar ainda mais o desempenho dos serviços de rede. Portanto, alcançar a alocação eficiente de recursos é crucial. Método: Essa tese propõe um framework inteligente para o escalonamento de VNFs. Em particular, a solução de escalonamento autônomo proposta é baseada no Knowledge Defined Networking (KDN) com modelo de Memória de Longo Prazo (LSTM), modelos de afinidade, ferramenta de diagnóstico. Com base nas regras de afinidade em um centro de dados, um LSTM permitirá a geração antecipada de uma previsão para operar e otimizar o escalonamento de VNFs. A ferramenta de diagnóstico proposta incorpora uma análise holística de performabilidade, falhas e análise exploratória de dados (EDA). Além de integrar com uma ferramenta de medições de importância do sistema. Resultados: Os resultados experimentais, examinados com dados de referência, mostram que a técnica proposta de escalonamento com tolerância a falhas, baseada em LSTM e técnicas de afinidade, alcança resultados promissores. O framework de escalonamento consciente de tolerância a falhas é capaz de automatizar com precisão o escalonamento de recursos. Assim, a abordagem proposta é um mecanismo auxiliar para alcançar a alocação eficiente de recursos e aumentar o desempenho e disponibilidade do centro de dados.

Resumo 2

A Previsão de Demandas é uma das tarefas e ferramentas mais importantes para uma boa gestão e planejamento organizacional de uma empresa, auxiliando gestores no gerenciamento e nas tomadas de decisões que podem ajudar a transpor obstáculos necessários para o sucesso do negócio. Diante disso, este trabalho tem o objetivo de utilizar algoritmos de Aprendizagem de Máquinas para a realização da previsão de demanda de uma empresa de bebidas. Para atingir esse objetivo serão utilizados Métodos Supervisionados, mais especificamente algoritmos de regressão, para realizar a predição da produção semanal dessa empresa, através da análise de Séries Temporais. Dentre esses algoritmos estão: Linear Regression (LR), Support Vector Regression (SVR), Stochastic Gradient Descent (SGD), Decision Tree, Multilayer Perceptron (MLP), Random Forest (RF) e XGBoost. Todas essas análises serão realizadas com o apoio da linguagem de programação Python e suas bibliotecas, como o Scikit-learn. Além da realização dessa predição, o trabalho também propõe a comparação dos resultados alcançados pelos modelos de regressão desenvolvidos nessa pesquisa, com modelos desenvolvidos anteriormente por outras empresas, em que uma delas utilizou o método Arima, assim como a utilização de variáveis externas temporais, como dados econômicos e climáticas, nos dados de entrada do modelo a fim de analisar a influência que dados externos podem trazer às previsões. Os resultados alcançados e avaliados com o auxílio das métricas MAPE, MAE, MSE e RMSLE demonstram que os métodos de regressão são um opção muito boa para a realização da previsão de séries temporais, alcançados resultados melhores ou similares, quando comparados aos já existentes. Logo, consequentemente os algoritmos de regressão demonstram ser uma boa ferramenta de suporte a decisão na previsão de demanda.

Resumo 3

As pesquisas voltadas a propostas para novas Arquiteturas de Internet do Futuro visam minimizar os problemas e limitações da Internet atual, otimizar o atendimento às demandas de uma rede mundial e tratar de forma mais eficiente os desafios relacionados a questões como segurança, mobilidade e desempenho. Atualmente, há mais que uma dezena de projetos de novas arquiteturas para a Internet, sendo possível dividi-las entre as que buscam substituir totalmente a rede atual e as que têm como objetivo a coexistência com a atual arquitetura da Internet ou outros projetos. Além disso, dentre as possibilidades de classificação dessas proposições, também é possível destacá-las em relação à entidade principal para qual foram idealizadas (conteúdo, serviços, usuários). Apesar de algumas diferenças de abordagem, os projetos de Arquiteturas de Internet do Futuro possuem uma importante característica comum, a escassez ou inexistência de equipamentos para a realização de experimentos fora de ambientes de simulação ou de emuladores de rede. Isso prejudica a adoção de quaisquer dessas propostas, pois dificulta ou inviabiliza a realização de testes da nova arquitetura em uma rede com dispositivos reais. Diante deste cenário, este trabalho implementa o plano de dados de um elemento programável de encaminhamento de pacotes utilizando a linguagem Programming Protocol-independent Packet Processors (P4) para aplicar os conceitos da Arquitetura de Internet do Futuro eXpressive Internet Architecture (XIA). Também desenvolve o seu principal protocolo eXpressive Internet Protocol (XIP), para a criação de pacotes a partir deste. Assim, o trabalho demonstra a viabilidade do envio de pacotes XIP através de um dispositivo de rede real que possibilita o roteamento flexível de diferentes entidades (ou “principals”) XIA e valida os processos de encaminhamento característicos do plano de dados da arquitetura.

Data da última modificação: 10/03/2020, 11:55