Aprendizaje máquina en redes de computadores

En esta charla yo y mi colega Nofre explicamos qué uso podríamos dar al aprendizaje máquina en redes modernas.

Transcript

1. Aprendizaje máquina en redes de computadores
6. aprendizaje máquina
7. aprendizaje automático
8. [datos] ! [comportamiento] ⇟
9. [datos] ! [comportamiento] análisis estadístico ⇟
10. [datos] ! [comportamiento] análisis estadístico ρ  =  [  1  /  N  ]  *  Σ  {  [  (Xi  -­‐  µμX)  /  σx  ]  *  [  (Yi  -­‐  µμY)  /  σy  ]  }
11. aprendizaje máquina supervisado
12. damos al algoritmo unos ejemplos de entrada y salida
13. “clases de datos”
14. y clasifica siguientes datos por clases
15. ejemplo: ¿va a tener éxito un pintor moderno?
16. aprendizaje máquina supervisado
17. aprendizaje máquina no supervisado
18. no le damos clases de datos al algoritmo
19. él mismo tiene que crear clases
20. él mismo tiene que buscar patrones
21. aprendizaje máquina no supervisado
22. usos
23. hoy en día tenemos mucho tráfico en nuestras redes
24. hoy en día tenemos mucho tráfico en Internet
25. hoy en día tenemos muchas imagenes de gatos
26. hoy en día tenemos balanceo de carga
27. hoy en día tenemos multihoming
28. hoy en día tenemos CDN
29. hoy en día tenemos redes virtuales
30. hoy en día tenemos muchos caminos entre routers
31. hoy en día tenemos muchos caminos entre hosts
32. una breve historia de routing 1980-2000
33. 1980: necesitamos un camino
34. 1990: necesitamos un camino corto
35. 2000: necesitamos el camino más rápido
36. rápido = mucho bandwidth
37. rápido = poca latencia
38. rápido = caminos más cortos
39. rápido = caminos menos saturados
40. ¿cómo podemos predecir carga de routers en el camino?
41. máquinas de vectores de soporte (SVM)
53. 99,99% de fiabilidad escogiendo la mejor ruta
54. 1,6 veces más que con técnicas regulares
56. redes cableadas
57. redes inalámbricas
58. redes inalámbricas
59. tcp
60. funciona muy bien en redes cableadas
61. pero hay un problema con tcp en redes inalámbricas
62. congestion avoidance
64. esto está muy bien para evitar congestión
65. pero en las redes inalámbricas
66. podemos perder paquetes por congestión
67. podemos perder paquetes por pérdida de conectividad
75. clasificar pérdidas
76. ¿de verdad hemos llegado a congestionar un enlace?
77. ¿o simplemente hemos perdido conectividad?
78. decision tree ensembles
84. <5% del volumen inicial de pérdidas
86. igp
87. reconvergencia en RIP y OSPF
88. proyecto ECODE
96. alternative RIB
97. bfs+
99. routers aprenden los caminos alternativos
100. de manera autónoma
101. así se consigue reducir pérdidas en caso de cambio en la red
102. así se consigue reducir tiempo de convergencia
104. routing inteligente
105. Q routing
106. medidas
107. local-preference
108. AS-path
109. métricas
110. “más bonito”
111. “time is money”
112. lo que importa es
113. tiempo
114. routing basado en tiempo
118. Q table
119. tiempo de envío aproximado para un paquete
120. dependiendo del next-hop
121. distintos tiempos para distintos tipos de paquetes
122. comunicación de tiempos de envío entre routers
127. ¿qué conseguimos con esto?
131. hay muchos más usos para aprendizaje máquina
132. eficiencia energética
133. balanceo inteligente de carga
134. predicción de consumo energético
135. diagnóstica médica
136. corrección de exámenes
137. preparación del café
138. machine learning para todo
140. ¡gracias!
141. 1.Justin A. Boyan Michael L. Littman. Packet routing in dynamically changing networks: a reinforcement learning approach. 1993. URL http://www.cs.rutgers.edu/ ~mlittman/papers/routing-nips.pdf. 2.Mariyam Mirza. A machine learning approach to problems in computer network performance. 2012. URL http://pages.cs.wisc.edu/~mirza/mirza_thesis.pdf. 3.Guy Leduc Pierre Geurts, Ibtissam El Khayat. A machine learning ap- proach to improve congestion control over wireless computer networks. 2004. URL http:// citeseerx.ist.psu.edu/viewdoc/download?doi=10. 1.1.63.7976&rep=rep1&type=pdf. 4.Peter Stone Shimon Whiteson. Machine learning in network systems. IBM DeveloperWorks, 2006. URL http://www.ibm.com/developerworks/library/ac- adapt/. 5.Didier Colle Mario Pickavet Piet Demeester Wouter Tavernier, Dimitri Papadimitriou. Automated learning of loop-free. alternate paths for fast re- routing. 2011. URL http://ieeexplore.ieee.org/xpl/articleDetails. jsp?tp=&arnumber=6078861.