ANR-NSF - Appel à projets générique 2021 - NSF Lead Agency

Modélisation du trafic réseau moderne: de la représentation des données à l'apprentissage automatique automatisé – MINT

Résumé de soumission

Internet et les réseaux individuels qui le composent jouent un rôle essentiel
dans l'économie et la société d'aujourd'hui. Afin de maintenir et sécuriser avec succès
ces réseaux, les opérateurs doivent surveiller leur comportement et enquêter
nouveaux problèmes. Cependant, les progrès récents des réseaux et des protocoles posent des problèmes fondamentaux
défis de la surveillance du trafic réseau. Le trafic devient omniprésent
crypté empêchant l'accès direct aux indicateurs de qualité de service. Réseaux
ont augmenté des ordres de grandeur plus rapidement, empêchant une journalisation et une analyse détaillées
paquets ou flux individuels. Internet lui-même a évolué pour devenir plus
centralisé, empêchant les adresses IP d'identifier les services.
Dans cette proposition, nous abordons trois questions de recherche interconnectées pour retrouver
visibilité sur le trafic réseau moderne:

Dans Méthodes de représentation du trafic réseau, nous étudierons comment représenter
données de trafic d'une manière qui se prête à la modélisation et qui pourrait optimiser
modèles pour les tâches de modélisation supervisées et non supervisées. Cette étude va
explorer l'impact des représentations à travers quatre dimensions: (1) séries temporelles
représentations; (2) représentations à travers les flux; (3) représentations à un niveau supérieur
couches; et (4) opérations sur des données compressées.

Dans les méthodes de sélection et de référence des modèles, nous nous appuierons sur notre travail sur
représentation des données, pour développer un ensemble d'outils pour explorer automatiquement le modèle
et des représentations du trafic adaptées aux problèmes de trafic réseau. Ces méthodes
permettra l'identification des points de fonctionnement optimaux pour une variété de
problèmes dans la gestion du réseau. Pour soutenir cet objectif, nous allons construire un
référentiel à grande échelle de flux étiquetés à travers un certain nombre de
applications et services ainsi que d'évaluer les représentations de données qui peuvent être
utilisé pour créer des modèles d'apprentissage statistique sur le trafic réseau.

Dans Méthodes pour opérationnaliser les modèles de trafic réseau, nous utiliserons le
plates-formes logicielles et primitives algorithmiques que nous avons construites pour concevoir de nouvelles techniques
et des outils pour les opérateurs pour résoudre les défis qui les empêchent
transfert de modèles développés à partir d'expériences de laboratoire isolées vers le monde réel
déploiements. Nous soutiendrons leur besoin de surveiller leurs réseaux et
étudier les problèmes en temps réel en: (1) étendant la sélection automatisée de modèles à
tenir compte des coûts des systèmes et des limites du monde réel; (2) répondre à la nécessité de
être capable de déterminer quand les modèles deviennent inexacts et de distinguer le modèle
l'inexactitude des problèmes inhérents au réseau; (3) améliorer les modèles
robustesse en étudiant une approche généralisée de transfert de modèle.

Coordinateur du projet

Monsieur Francesco Bronzino (LABORATOIRE D'INFORMATIQUE, SYSTÈMES, TRAITEMENT DE L'INFORMATION ET DE LA CONNAISSANCE)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

The University of Chicago
Stanford University
LISTIC LABORATOIRE D'INFORMATIQUE, SYSTÈMES, TRAITEMENT DE L'INFORMATION ET DE LA CONNAISSANCE

Aide de l'ANR 602 719 euros
Début et durée du projet scientifique : - 36 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter