
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Correia, Luiz Henrique Andrade | - |
| Autor(es): dc.contributor | Malheiros, Neumar Costa | - |
| Autor(es): dc.contributor | Vieira, Alex Borges | - |
| Autor(es): dc.creator | Oliveira, Tiago André Carbonaro de | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:10:51Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:10:51Z | - |
| Data de envio: dc.date.issued | 2019-04-16 | - |
| Data de envio: dc.date.issued | 2019-04-16 | - |
| Data de envio: dc.date.issued | 2019-04-16 | - |
| Data de envio: dc.date.issued | 2019-02-27 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/33595 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1156046 | - |
| Descrição: dc.description | The new paradigm of Software Defined Networking (SDN) establishes the separation of control and data planes. In this type of network, such separation implies the insertion of another element of the network, the controller. The standard communication protocol known as OpenFlow (OF), allows routing elements to provide a programming interface for the network professional. In addition, OF allows the network administrator to extend the access and control of the query table used by the hardware. This control model determines the next step of each package, being built through programmable rules. Faced with these new concepts and applications generated by software-defined networks, it became necessary to measure, test and evaluate equipment that supports this technology standard. The controller acting on the SDN switch directly modifies the profile of the generated traffic, since it is accompanied by static and dynamic rules influences (inserted in the controller) that generate, in many cases, hesitations to the network professional about daily diagnoses. A classification tool is very useful in this context of static and dynamic rules, acting on a wide traffic and full of variable values. The use of an Artificial Neural Network (ANN), provides excellent results for the classification of rules observing the context of functionalities of a layer. Thus, an ANN was proposed as a classification model of rules of the SDN controller according to the effective traffic parameters, generated by two specific tools BWPING and OSTINATO. In addition, the traffic generated was based on four types of protocols: ICMP, TCP, UDP and HTTP. The controller used was the POX and the function of the rules was applied on the Link layer covering aspects of routing. Some parameters such as round-trip time, delay, bandwidth, number of packets, and flow table rules served as the basis for ANN feeding. The modeling and simulation were performed through a lab environment with network equipment and also using the Mininet virtualization for the SDN. The results of the experiments showed satisfactory performance of the neural network, reaching about ninety per cent accuracy. | - |
| Descrição: dc.description | O novo paradigma de Redes Definidas por Software – SDN (Software Defined Networking) estabelece a separação dos planos de controle e de dados. Neste tipo de rede, tal separação implica na inserção de mais um elemento da rede, o controlador. O protocolo de comunicação padrão conhecido como OpenFlow (OF), permite que os elementos de encaminhamento ofereçam uma interface de programação para o profissional de redes. Além disso, o OF possibilita ao administrador da rede, a extensão do acesso e controle da tabela de consulta utilizada pelo hardware. Esse modelo de controle determina o próximo passo de cada pacote, sendo construído através de regras programáveis. Diante desses novos conceitos e aplicações geradas pelas redes definidas por software, tornou-se necessário medir, testar e avaliar equipamentos que suportem esse padrão de tecnologia. O controlador atuando no switch SDN modifica diretamente o perfil do tráfego gerado, pois o mesmo vem acompanhado de influências de regras estáticas e dinâmicas (inseridas no controlador) que geram, em muitos casos, dúvidas ao profissional de rede sobre diagnósticos cotidianos. Uma ferramenta de classificação é muito útil nesse contexto de regras estáticas e dinâmicas, atuando sobre um tráfego amplo e repleto de valores variáveis. A utilização de uma Rede Neural Artificial (RNA), fornece excelentes resultados para a classificação de regras observando o contexto de funcionalidades de uma camada. Dessa forma, uma RNA foi proposta como modelo de classificação de regras do controlador SDN de acordo com os parâmetros de tráfego efetivos, gerados por duas ferramentas específicas o BWPING e o OSTINATO. Além disso, o tráfego gerado foi baseado em quatro tipos de protocolos: ICMP, TCP, UDP e HTTP. O controlador utilizado foi o POX e a função das regras foi aplicada sobre a camada de Enlace abrangendo aspectos de encaminhamento. Alguns parâmetros como round-trip time, atraso, largura de banda, quantidade de pacotes e regras da tabela de fluxo, serviram de base para a alimentação da RNA. A modelagem e a simulação foram realizadas por meio de um ambiente laboratorial com equipamentos de rede e, também, com a utilização do virtualizador Mininet para a SDN. Os resultados dos experimentos mostraram desempenho satisfatório da rede neural, atingindo cerca de noventa por cento de acerto. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Ciência da Computação | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Departamento de Ciência da Computação | - |
| Direitos: dc.rights | restrictAccess | - |
| Palavras-chave: dc.subject | Software Defined Networking (SDN) | - |
| Palavras-chave: dc.subject | Rede Neural Artificial (RNA) | - |
| Palavras-chave: dc.subject | OpenFlow | - |
| Palavras-chave: dc.subject | Ciência da Computação | - |
| Título: dc.title | Classificação de regras de um controlador sdn utilizando redes neurais artificiais | - |
| Tipo de arquivo: dc.type | dissertação | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: