Machine learning eta gaitasun kognitiboen sarrera sare mailan monitorizaziorako eta matxuren diagnostikorako

Janire Taboada eta Bego Blanco

Informazio sistemen bilakaerak bukaerako erabiltzaileei onura nabariak ematen die. Baina, honekin batera, egungo informazio sistemen konplexutasun hazkundea sare paradigma tradizionalek eman dezaketena baino harago doa, sistema hauen hedapen, kudeaketa eta mantentze-lanari dagokionez.

Belaunaldi berriko sareen arkitekturaren diseinu arrakastatsuak beharrezko erronka batzuk bete behar ditu, ondorengo aspektuekin erlazionatuak: eskala handiko sistemen konplexutasuna, euren izaera dinamikoa, sare-baliabideen urritasuna, arkitektura heterogeneoak, kontrol eta azpiegitura zentralizatuaren falta eta matxuren konponketa autonomoen beharra.

Erronka hauen jatorria konektibitate-eskaeraren eta trafiko-fluxuen hazkundea dela argi dago. Baina sarean zehar garraiatzen den datu-trafikoarekin batera, pakete bakoitzari erantsitako protokolo goiburuek sarearen egoerari buruzko informazio adierazgarria dute. Aldi berean, sare-nodoetan exekutatzen ari diren protokolo-prozesuek sare gertaeren eta hauen emaitzen informazio adierazgarri ugari sortzen dute. Sareari informazio multzo hau hartzeko eta ustiatzeko ahalmena emateak sistemari auto-kudeaketa eta auto-berreskurapen maila altuagoak eskuratzea ahalbidetzen dio, monitorizazio eta matxuren diagnostiko autonomo hobetuago baterako beharrezko baliabideak eskainiz.

Testuinguru honetan, machine learning-ean oinarritutako erremintek, ziklo kognitibo baten bidez orain arte sarearen “gainkarga” kontsideratu dena ezagutza baliagarrian transformatzeko prozesuan rol nagusia jokatu dute. Irrati sare kognitiboen filosofian oinarrituz, kontzeptu hau protokolo pilaren maila baxuetara hedatu da. Prozesu edo ziklo kognitiboek sistemei adimena ematen diete, horrela eskuragarri dagoen informazioa jasotzeko, aztertzeko eta sarearen dinamismoari aurre egiteko erabaki egokiena hartzeko. Ziklo kognitiboek giza ikasketa imitatzen dute eta zenbait fasez osatuta daude, datu detekziotik hasita ezagutza berriaren sorrera arte. Hortaz, sare-sistemek disfuntzioak detekta ditzakete, klasifikatu eta matxurak ezabatu edota ekiditeko era autonomoan erabakiak hartzeko.

Lan honek aurreko metodologia sare mota espezifiko batera aplikatzen du, ad hoc sareak, zeinek berez auto-antolaketa maila altua behar duten. Konkretuki, gaitasun kognitiboak sare mailan sartzen dira machine learning eta erabakiak hartzeko prozesu banatu baten bidez, baliabideen erabilera eraginkorragoa egiteko eta disfuntzioen efektuak leuntzeko. Emaitza ad hoc sareentzat modulu kognitibo baten diseinua da, zeinak bideraketa protokolo mota klasikoen ezaugarriak konbinatzen dituen, bakoitzaren abantailak hartuz eta desabantailak konpentsatzeko. Bukaerako helburua edozein agertokitan errendimendu hoberena lortzea da, detektatutako sare-egoeraren arabera banakako nodoetan bideraketa protokoloaren portaera aldatuz.

Horretarako, lehenik eta behin, oinarrizko bideraketa protokolotzat Ad hoc On-Demand Distance Vector (AODV) hautatu da, eta ondoren, bideraketa protokoloaren errendimendurako faktore nagusiak eta zeharkako adierazleak identifikatzen dira ANOVA (ANalysis Of Variance) eta kluster analisia erabiliz. Gainera, sare geruza kognitiboa hasierako offline entrenatze-fase eta ondorengo exekuzio edo erabaki fase batez osatuta dago.

Modulu kognitiboan oinarritutako gure proposamen horri Glocal Ad hoc Routing Intelligence (GARI) deitu izan diogu. Aurkeztutako emaitza esperimentalen arabera, sare geruza kognitibo berri hau bideraketa taula mantentze proaktiboa gauzatzeko, bide matxurak aurreratzeko eta errorea gertatu baino lehen aukera egokiena beti konfiguratzeko kapaza dela baieztatzen da.

Metodologia hau, hemen ad hoc sare mugikorren inguruan aplikatu dena, guztiz estrapolagarria da beste edozein teknologiatan edo sare motatan. Bideraketa filosofia berri bat aurkezten du, zeinak bere operazioa ad hoc sareen aplikazio inguruneen ezaugarri espezifikoetara eta horien exekuzio denborako aldaketetara moldatzen duen. Modulu kognitiboaren inplementazioari esker, bideraketa funtzionalitateak oinarrizko protokoloaren portaera hobetzen du, eta bere funtzioa barietate handiko aplikazio desberdinen errendimendu behar globaletara egokitzen da, era banatuan eta auto-antolatuan lan egiten duelarik.

Artikuluaren fitxa

• Aldizkaria: Ekaia
• Zenbakia: Ekaia 33
• Artikuluaren izena: Sareari adimena gehitzen: machine learning eta gaitasun kognitiboen sarrera sare mailan monitorizaziorako eta matxuren diagnostikorako.
• Laburpena: Ohiko sare-ereduak erabiliz belaunaldi berriko sareen ezaugarri espezifikoek 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 kognitiboak gaineratzeak datuei erantsita sarean zehar garraiatzen den protokolo-informazioaren 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 interpretatuz. Testuinguruaz kontzientea den modulu kognitibo honek monitoreatutako sare-egoeraren arabera bideraketa protokoloaren portaera manipulatzen du, horrela matxurak ekidinez, trafikoa orekatuz eta hobekuntza globala eskuratuz.
• Egileak: Janire Taboada eta Bego Blanco.
• Argitaletxea: UPV/EHUko argitalpen zerbitzua.
• ISSN: 0214-9001
• Orrialdeak: 181-193
• DOI: 10.1387/ekaia.17847

Egileez

Jon Andrade del Olmo eta Leyre Pérez Álvarez UPV/EHUko Zientzia eta Teknologia Fakultateko Kimika Fisikoa saileko Kimika Makromolekularreko Laborategian dabiltza.

Ekaia aldizkariarekin lankidetzan egindako atala.