A Universidade do Estado do Rio Grande do Norte (UERN) ofereceu docentes, alunos e estrutura do Departamento de Informática para a realização de um estudo que testa os limites da aprendizagem de máquina na sua capacidade de automatizar processos com a mínima intervenção humana. A conclusão é que algoritmos bem treinados conseguem prever variações sazonais de demanda e assim auxiliar na tomada de decisões de maneira antecipada.
A tese de dissertação “Autodimensionamento proativo para elasticidade assertiva de funções de rede virtuais em cadeias de serviço” foi desenvolvida pelo doutorando Sandino Barros Jardim, da Universidade Federal do Rio Grande do Norte (UFRN), e teve o professor Dr. Harold Bustos, da Uern, como co-orientador. Augusto Neto (orientador), da Ufrn,
e Marília Curado (co-orientadora), Universidade de Coimbra, Portugal, completaram a banca em outubro de 2020.
Os experimentos foram realizados em ambientes de simulação e exigiram recursos humanos e computacionais, o que só foi possível graças à parceria com a Uern e a participação do professor Dr. Harold Bustos do Departamento de Informática, que viabilizou tanto alunos de iniciação científica quanto o acesso ao cluster do Laboratório de Redes e Sistemas Distribuídos (LORDI), sediado no Departamento de Informática, na Faculdade de Ciências Exatas e Naturais (FANAT), Campus Central.
O Lordi é um laboratório de ensino e pesquisa ligado ao Grupo de Pesquisa em Redes de Computadores, Sistemas Distribuído e Multimídia, coordenado pelo professor Dr. Sebastião Emídio Alves Filho, do Departamento de Informática. Nele se encontra o Cluster UERN, equipamento multiusuário, adquirido através de recursos do Edital PRO-EQUIPAMENTO em 2012.
Pesquisa
Funções de rede virtuais são serviços oferecidos a partir da internet para, entre outras coisas, garantir requisitos de qualidade na conexão de pessoas e empresas. Um exemplo disso são funções de rede responsáveis por selecionar a melhor rede ao qual uma empresa ou pessoa está conectada, realizando uma tarefa conhecida como balanceamento de carga.
Uma vez que podem ser oferecidas de maneira virtualizada, permitem a expansão ou retração dos recursos computacionais necessários para a execução de seus serviços de acordo com a demanda. Acontece que esta variação de recursos pode muitas vezes não estar adequada à demanda atual, podendo incorrer tanto em problemas de subutilização dos recursos à disposição quanto na escassez destes. No primeiro caso, teríamos como consequência o desperdício de recursos, no segundo caso, a degradação do serviço oferecido.
“Nosso trabalho consistiu, portanto, no estudo do impacto da predição de demanda, auxiliada por algoritmos de aprendizagem profunda (deep learning), sobre estes serviços virtualizados para auxiliar nas decisões de expansão ou retração das funções com objetivo de minimizar a utilização de recursos e maximizar a qualidade do serviço oferecido, buscando aquilo que chamamos de decisões assertivas”, detalhou o doutorando Sandino Barros.
Uma das próximas etapas a partir do estudo consiste na avaliação do mesmo arcabouço sobre uma infraestrutura física real de provisão de serviços a partir de funções virtualizadas encadeadas.
