[Todos CMAT] Conferencia INGEMAT – Paola Bermolen – 4 de noviembre

[Marco Scavino - IMERL]

Estimados:

Quiero recordarles que el miércoles 4 de noviembre, de 11 a 12 horas  
en el Salón de Seminarios del IMERL (Facultad de Ingeniería),
la Lic. Paola Bermolen (doctoranda ENST Télécom Paris, France)
dictará la conferencia
Support Vector Machine para la Predicción y Clasificación de Tráfico  
en Internet.

Resumen

La convergencia de diferentes servicios (datos, voz y video) en una  
misma red tiene como consecuencia, entre muchas otras, un cambio en la  
estructura del tráfico que atraviesa dicha red. La cantidad del  
tráfico cursado aumentó, pero también cambió la naturaleza del mismo.  
Esto se debe principalmente a la oferta de nuevos servicios (e.g. P2P,  
telefonía y televisión por Internet). Como resultado el tráfico es  
cada vez más complejo y dinámico. Estas características implican que  
dicho tráfico sea de difícil predicción, al menos con técnicas  
tradicionales y simples. Sería entonces de mucha utilidad diseñar un  
esquema de predicción que sea capaz de predecir con precisión esta  
variabilidad del tráfico, y hacerlo además en línea y con la menor  
cantidad de hipótesis sobre la estructura del tráfico.
Por otro lado, la predicción del volumen de tráfico no da información  
sobre el tráfico en si mismo. Algunas situaciones requieren conocer el  
tipo de tráfico cursado en la red, o incluso la aplicación que lo  
generó. Ejemplos de esto son el bloqueo de aplicaciones no deseadas  
(e.g. P2P o chat en la oficina), o la identificación de aplicaciones  
muy populares con fines comerciales (e.g. venta de publicidad). En  
particular hay varios sistemas P2P-TV (sistemas a gran escala de video  
streaming en tiempo real basado en el paradigma de peer-to-peer), de  
gran popularidad y que pueden convertirse en un serio problema si  
crecen desmedidamente. Además, el diseño de estas aplicaciones es  
propietario y cerrado, lo que vuelve el problema de su identificación  
de mayor importancia.
En esta charla, presentaremos posibles maneras de analizar estos dos  
problemas.
En particular utilizaremos como herramienta una técnica de aprendizaje  
estadístico conocida como Support Vector Machines (SVM). Esta  
herramienta ha sido utilizada con muy buenos resultados en otras  
áreas, debido principalmente a su buena capacidad de generalización.  
Además pueden ser aplicadas en línea de manera adaptativa, una  
característica muy deseable para nuestras aplicaciones. Nuestros  
resultados nos permiten afirmar que en ambos casos SVM probó ser una  
herramienta muy útil y versátil.
Mientras para la predicción de la carga en un enlace, los mayores  
beneficios de SVM son su robustez y bajo costo computacional, para la  
clasificación de aplicaciones P2P-TV, SVM brinda resultados  
extremadamente acertados.


Saludos cordiales,
Marco


----------------------------------------------------------------
This message was sent using IMP, the Internet Messaging Program.