Os métodos atuais usam modelos que são treinados principalmente offline, esses modelos podem ser caros para construir em termos de custo de comunicação e computação e dependem de dados coletados por longos períodos de tempo. Além disso, eles ficam desatualizados quando ocorrem alterações no sistema.

Com isso se estuda usar o aprendizado on-line para oferecer uma alternativa com a perspectiva de tempos de aprendizado mais curtos e menor sobrecarga, adequado para ambientes de borda. O aprendizado online visa encontrar um equilíbrio entre alto desempenho e recursos computacionais e de memória limitados, ou seja, obter modelos o mais precisos possível com menor overhead computacional, menos memória e tempos de aprendizado mais curtos, comparado ao aprendizado offline.

Os modelos de “Aprendizado de máquina” ML geralmente são treinados offline com medições coletadas por meio de monitoramento. Este método, apesar de apresentar bons resultados, apresenta vários inconvenientes. Primeiro, o processo leva muito tempo, muitas vezes horas, pois o sistema deve ser observado em vários estados para obter um modelo preciso.

Já o aprendizado online é entendido como um método de aprendizagem em que o conjunto de treinamento é continuamente atualizado.

A abordagem a ser desenvolvida permite tempos de aprendizado mais curtos e custos computacionais mais baixos, adequado para treinamento em ambientes de borda ou outros com recursos limitados.

A maioria dos estudos de processo de seleção de variáveis existentes de aprendizagem online requer o acesso a todos os atributos/variáveis  das instâncias de treinamento. O principal desafio da seleção do processo de seleção de variáveis online é como fazer previsões precisas para uma instância usando um pequeno número de variáveis ativos. Isso contrasta com a configuração clássica do aprendizado on-line, onde todas as variáveis podem ser usadas para previsão.

 

Funções e serviços inovadores de engenharia de tráfego exigem que os mecanismos de roteamento e encaminhamento sejam executados com baixa sobrecarga em topologias de rede complexas. [2]

O Multipath Routing é uma estratégia eficaz para alcançar robustez, balanceamento de carga, redução de congestionamento e aumento do throughput em redes de computadores. [4]

O roteamento de origem (SR) é uma alternativa proeminente ao roteamento baseado em tabela para reduzir o número de estados de rede [1]. O protocolo PolKA possibilita a utilização de técnicas de rápida reação a falhas e migração ágil de caminhos (fast failure reaction and agile path migration) [1]. Com base nos benefícios de cada tópico apresentado, esta pesquisa se torna relevante e atual a partir destes referenciais, o que pode proporcionar uma contribuição significativa para a academia.

·      Promover o aprendizado de máquina a partir de imagens existentes e da acuracidade dos dados gerados pelas análises;

·      Atingir um nível de precisão e padronização superior às análises realizadas de forma visual.

Ocorre que, apesar de a classificação seguir critérios pré-definidos, a análise do material é realizada baseada na observação de uma pessoa. Portanto, com alto grau de subjetividade e possibilidade de erro.

Nosso estudo busca identificar esses padrões utilizando-se de redes neurais convulacionais e, a partir dos critérios definidos, propor a classificação daquele material.