Artigo de autoria do doutorando Manoel Lopes Filho e da professora Rossana Andrade é escolhido como um dos melhores trabalhos do evento ICAI 2024
Data da publicação: 8 de novembro de 2024 Categoria: NotíciasO artigo Events Correlations for Fault Identification in GPON Networks foi escolhido pela editora Spinger – SN Computer Science como um dos Best Papers do evento 7th International Conference on Applied Informatics (ICAI 2024), ocorrido nos dias 24 a 26 de outubro de 2024 na Universidad Andrés Bello, em Viña del Mar, Chile.
O trabalho possui autoria do aluno de doutorado Manoel Lopes Filho e da professora Rossana Maria de Castro Andrade, bem como do professor Danilo Reis de Vasconcelos (IFCE), egresso do curso de doutorado do MDCC, do professor Ismayle de Sousa Santos (UECE), também egresso do MDCC (mestrado e doutorado, além de ter sido professor visitante do programa) e do professor Alex Lacerda Ramos (IFCE).
A professora Rossana Andrade participou presencialmente do evento ICAI 2024 e apresentou o trabalho na conferência.
Resumo do artigo: A correlação eficaz de eventos é essencial para que os sistemas de gerenciamento de rede identifiquem e abordem problemas de forma rápida. No entanto, os algoritmos convencionais enfrentam desafios de desempenho em cenários com alta demanda de largura de banda, levando a latências, perdas de pacotes e entregas fora de ordem, causadas pelo uso de protocolos UDP. Este artigo propõe uma solução para a correlação de eventos em gerenciamento de rede que combina correlação baseada em regras, coleta de dados em tempo real, integração com várias fontes de notificação e tolerância a falhas. A solução utiliza o Logstash para coleta de dados em tempo real, padronizando e publicando notificações via protocolos SNMP e Syslog em um broker de mensagens Kafka. As notificações são compatíveis com as regras de correlação, e uma abordagem de janela deslizante garante correlação oportuna. Uma limitação deste trabalho é que ele requer que um analista identifique as notificações necessárias para compor as regras de correlação. O sistema alcança uma taxa de identificação de 100% em testes do mundo real com múltiplas OLTs e ONTs. Testes simulados, considerando perda de pacotes e entrega fora de ordem, resultam em uma taxa de precisão de 93,42%.
