Análise de Qualidade de Serviço em Redes por Meio de Detecção de Pontos de Mudança e Clusterização Baseada em Sobrevivência
Autores
|
7666 |
754,3302
|
|
|
7667 |
754,3302
|
Informações:
Publicações do PESC
Este trabalho apresenta uma metodologia integrada para análise da qualidade de serviço (QoS) em redes de computadores que combina detecção de pontos de mudança em séries temporais e clusterização baseada em análise de sobrevivência. Desenvolvida como consequência da colaboração entre a Rede Nacional de Ensino e Pesquisa (RNP) e o Measurements Lab (M-Lab), a metodologia foi validada utilizando dados reais coletados durante três meses via protocolo Network Diagnostic Tool (NDT) em um provedor de internet brasileiro. A abordagem implementa duas estratégias analíticas complementares: uma baseada em alterações na vazão de download e outra em mudanças no tempo de resposta (RTT) de upload. Os resultados evidenciaram que intervalos com mudanças estatísticas frequentes apresentam métricas de desempenho significativamente inferiores. A análise dos coeficientes de um modelo de regressão logística, acoplado ao algoritmo de clusterização, permitiu identificar e quantificar sistematicamente os clientes e servidores problemáticos e as métricas que exercem maior impacto na instabilidade da rede. Por fim, a interpretação desses coeficientes é realizada por Grandes Modelos de Linguagem (LLMs), transformando a análise estatística em uma ferramenta de diagnóstico acessível a operadores de rede.
This work presents an integrated methodology for Quality of Service (QoS) analysis in computer networks that combines changepoint detection in time series and survival-based clustering. Developed as a consequence of the collaboration between the Brazilian National Education and Research Network (RNP) and the Measurement Lab (M-Lab), the methodology was validated using real data collected over three months via the Network Diagnostic Tool (NDT) protocol from a Brazilian internet service provider. The approach implements two complementary analytical strategies: one based on changes in download throughput and another on variations in upload round-trip time (RTT). The results showed that intervals with frequent statistical changes exhibit significantly inferior performance metrics. The analysis of the coefficients from a logistic regression model, coupled with the clustering algorithm, allowed for the systematic identification and quantification of problematic clients and servers and the metrics that have the greatest impact on network instability. Finally, the interpretation of these coefficients is carried out by Large Language Models (LLMs), transforming the statistical analysis into a diagnostic tool accessible to network operators.