Defesa de Proposta de Tese de Doutorado de Sidney Loyola de Sá, 14/04/2025, 15h, por videoconferência
Link para defesa: meet.google.com/sym-eume-uzy
Metric Networks with Graph-based Learning
Resumo:
O crescimento exponencial da Internet e o aumento da diversidade de dispositivos conectados impuseram novos desafios para o monitoramento e a gestão de redes. Neste contexto, a metrologia de redes, aliada a técnicas de Aprendizado de Máquina (AM), tem se mostrado uma abordagem promissora para estimar métricas de desempenho e qualidade percebida pelos usuários. Este trabalho propõe a aplicação de modelos baseados em Graph-based Learning, especialmente Graph Neural Networks (GNN) e Graph Attention Networks (GAT), para representar e analisar dados coletados da Rede Nacional de Ensino e Pesquisa (RNP). A hipótese central é de que a construção de um grafo de causalidade entre métricas de Qualidade de Serviço (QoS) pode aprimorar a predição da Qualidade de Experiência (QoE) do usuário. A metodologia inclui a coleta automática de dados da RNP, o cálculo de causalidade entre métricas via transferência de entropia e a construção de um modelo preditivo utilizando GAT. Os experimentos iniciais indicam que a abordagem é capaz de melhorar a acurácia preditiva e identificar métricas com maior influência causal sobre a QoE. A proposta contribui tanto para a literatura de metrologia de redes quanto para aplicações práticas de gerenciamento pró-ativo de desempenho em redes complexas. Palavras-chave: Qualidade de Experiência (QoE), Qualidade de Serviço (QoS), Aprendizado de Máquina, Grafos de Causalidade, Graph Neural Networks, Metrologia de Redes.
Abstract:
The exponential growth of the Internet and the increasing diversity of connected devices have introduced new challenges for network monitoring and management. In this context, network metrology combined with Machine Learning (ML) techniques has become a promising approach for estimating performance metrics and user-perceived quality. This work proposes the application of Graph-based Learning models—particularly Graph Neural Networks (GNN) and Graph Attention Networks (GAT)—to represent and analyze data collected from the Brazilian National Research and Education Network (RNP). The central hypothesis is that building a causality graph among Quality of Service (QoS) metrics can improve the prediction of users’ Quality of Experience (QoE). The methodology includes automatic data collection from RNP, computation of causality via transfer entropy, and construction of a predictive model using GAT. Preliminary experiments indicate that the proposed approach enhances predictive accuracy and identifies metrics with stronger causal influence on QoE. This research contributes to both the theoretical foundations of network metrology and practical applications in proactive performance management of complex networks. Keywords: Quality of Experience (QoE), Quality of Service (QoS), Machine Learning, Causality Graphs, Graph Neural Networks, Network Metrology.
Banca examinadora:
Prof. Antonio Augusto de Aragão Rocha, UFF – Presidente
Profa. Aline Marins Paes Carvalho, UFF
Prof. Leandro Santiago de Araújo, UFF
Prof. José Ferreira de Rezende, UFRJ
Prof. Leobino Nascimento Sampaio, UFBA