O Programa de Pós Graduação em Ciência da Computação tem a honra de convidar toda a comunidade acadêmica para participar da Defesa de Qualificação de Doutorado abaixo relacionadas:

Matrícula: 201620080005.
Titulo: "Um Mecanismo Autonômico e Inteligente Baseado em Aprendizado Profundo para a Alocação de Funções Virtuais de Redes em Ambientes de Nuvens" 

Orientador: Prof. Dr.Antônio Jorge Gomes Abelém
Data: 29/11/2018.

Hora: 09h00 

Local: LABTIC da Ufpa.

Banca Examinadora:

1. Prof. Dr. Antônio Jorge Gomes Abelém - Orientador (PPGCC/UFPA)
2. Prof. Dr. Denis Lima do Rosário - Membro Interno (PPGCC/UFPA)
3. Prof. Dr. Marcos Cesar da R. Seruffo - Membro Externo (ITEC /UFPA) 
4. Pesquisador Billy Anderson Pinheiro - Membro Externo (UFPA)
5. Prof. Dr. Edmundo Albuquerque S. e Silva - Membro Externo (UFRJ)

Resumo 

Implantar novos serviços ou atualizá-los por meio da compra de novos equipamentos implica em aumento de gastos de capital (CAPEX – Capital Expenditure) e de custos operacionais (OPEX – Operational Expenditure) por parte dos provedores de infraestrutura. Com a demanda por mais serviços,  equipamentos especializados (middleboxes) precisam ser adicionados à infraestrutura para que o provedor atenda às demandas em maior escala. Entretanto, são equipamentos caros e com tempo de vida útil curto, além de ser inviável integrá-los com outros equipamentos por conta de incompatibilidades entre fabricantes. Dentro deste contexto, um novo conceito para o fornecimento de serviços em redes foi criado, a Virtualização de Funções de Rede (NFV – Network Function Virtualization). Em NFV, os serviços de rede são virtualizados em servidores de uso geral, potencializando a tecnologia de virtualização no que diz respeito a como se pensar e projetar redes. Ao invés de haver um equipamento especializado executando uma única função dentro da rede, o que existe são módulos de software executando uma Função Virtual de Rede (VNF – Virtual Network Function) em um servidor. Com isso, há uma maior modularidade e isolamento de cada função na rede, melhor aproveitamento dos recursos físicos disponíveis, resultando, assim, na redução de custos por parte dos operadores de serviço, porém com maior escala. No contexto de NFV, um dos desafios diz respeito à alocação das VNFs nos servidores. O problema reside em escolher quais servidores receberão que instâncias de VNFs, considerando os requisitos do serviço e as restrições dos recursos, de forma a se otimizar uma dada métrica alvo, como minimização no uso de recursos físicos, redução de consumo energético ou taxa de serviços providos, por exemplo. Tal problema torna-se mais complexo em ambientes de larga escala, como, por exemplo, ambientes de nuvens, que possuem dezenas ou, até mesmo, centenas de servidores em seus datacenters. Desta forma, esta proposta de tese pretende apresentar uma proposta de solução para o problema supracitado por meio de técnicas computacionais inteligentes, especificamente Aprendizado Profundo, via Redes Neurais Profundas. Acredita-se que tais modelos podem ajudar a resolver o problema da alocação de VNFs por meio de predição de requisições de serviços em NFV. A predição dos serviços permitirá verificar quais VNFs tem maior probabilidade de compor um serviço e, com isso, o mecanismo será capaz de alocá-las nos servidores. Isso evita que VNFs afins sejam distribuídas pelos servidores de maneira não otimizada, fazendo com que o tempo para o fornecimento de um serviço que utilize tais funções seja alto por conta de uma má alocação. Além disso, permitirá um melhor gerenciamento dos recursos físicos, visto que, como se trata de um ambiente dinâmico, evita que uma alocação estática previamente definida seja utilizada e resulte em uma baixa taxa de fornecimento de serviços e um alto consumo energético.