The Role of Machine Learning in Networks and Network Security

Machine learning (ML):

• Programas de computadora que pueden accesar a datos y usarlos para aprender más.
• El campo de estudio que le da a las computadoras la habilidad de aprender sin necesidad de haber sido explícitamente programadas

La inteligencia artificial (IA) está revolucionando el área de servicios de red, al hacer mejores decisiones basadas en los datos disponibles. Es un pilar en las redes cognitivas y de investigación de la comunicación

Algunas aplicaciones de la IA/ML:

• Administración automática de centros de datos e infraestructuras en la nube.
• Ciberseguridad, incluyendo la detección de anomalías, malware, etc.
• Monitorear redes y detectar anomalías en el rendimiento.
• Análisis de Big Data.
• Aplicaciones de computación evolutiva en la optimización de redes.
• Aplicaciones de la teoría de juegos en redes de computadoras.
• Redes de sensores autónomos y sistemas auto-organizados.
• Entre otros.

Mayores usos del Machine Learning:

Enrutamiento: toma en consideración la minimización de costo, maximización del uso de enlaces, políticas operacionales, etc.

Los modelos de ML son desafiados con la habilidad de hacer frente y escalar las dinámicas y complejas topologías actuales. Además, también deben tener la habilidad de aprender la correlación entre la ruta seleccionada y predecir las consecuencias a encarar por una decisión en particular. El aprendizaje reforzado ha hecho maravillas en este aspecto, su uso inicial fue a través del algoritmo de Q-routing.

Q-routing: un router 'x' aprende a mapear una política de enrutamiento particular (e.g. al destino 'D' a través de 'Y') a su valor 'Q'. Este valor 'Q' no es nada más que un estimado del tiempo que tomará al paquete llegar a 'D' a través de 'Y', incluídas las colas y retrasos de transmisión a través del enlace.

Este algoritmo de Q-routing se desempeña excepcionalmente en una topología dinámica que cambia constantemente, pero durante una carga muy pesada, este algoritmo cambia las políticas de enrutamiento constantemente, lo que crea cuellos de botella en la red. El modelo más exitoso ha sido el TPOT-R, propuesto por Veloso y Stone.

Predicción del tráfico: juega un rol mayor en las redes complejas y diversas de hoy. Time Series Forecasting (TSF) es la mejor solución a este problema de predicción del tráfico futuro en una red. Es un simple modelo de regresión que es capaz de dibujar una precisa correlación entre el tráfico futuro y el volumen de tráfico previamente observado.

Los modelos existentes de predicción de tráfico son modelos de análisis estadísticos supervisados por modelos de Machine Learning. Estos modelos estadísticos suelen estar construidos con el modelo ARIMA. Debido al rápido crecimiento de las redes y la complejidad del tráfico, los modelos TSF actuales se están viendo comprometidos, lo que ha llevado a un avance y aumento de los modelos de machine learning.