dc.creator.ID |
ARAUJO, A. S. |
pt_BR |
dc.creator.Lattes |
http://lattes.cnpq.br/7586196643780905 |
pt_BR |
dc.contributor.advisor1 |
SANTOS, Danilo Freire de Souza. |
|
dc.contributor.advisor1ID |
Danilo F. S. Santos. |
pt_BR |
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/9890987649970131 |
pt_BR |
dc.contributor.referee1 |
VALADARES, Dalton Cézane Gomes. |
|
dc.contributor.referee2 |
CÉSAR SOBRINHO, Álvaro Alvares de Carvalho. |
|
dc.description.resumo |
As redes de comunicação 5G desempenham um papel fundamental nas fábricas inteligentes,
proporcionando melhorias significativas nos fatores de segurança e Qualidade do Serviço
(em inglês Quality of Service, QoS) em comparação com as gerações anteriores. A ca pacidade de transmitir grandes volumes de dados com baixa latência possibilita o controle e
monitoramento remoto em cenários críticos, envolvendo o controle de máquinas, dispositivos
industriais e o monitoramento de sensores inteligentes. Observando este cenário de redes 5G
aplicadas à indústria, nota-se a oportunidade de realizar a priorização de fluxos e serviços, a
partir de ferramentas autônomas de gestão de rede. Sistemas de redes baseadas em intenção
(em inglês, Intent-Based Network Systems) são ferramentas que combinam técnicas de in teligência artificial e orquestração de rede para atender à objetivos definidos em linguagem
de alto nível, aprimorando eficácia da comunicação e fomentando o bom funcionamento dos
sistemas de rede de forma autônoma. Nesse contexto, este trabalho objetiva integrar os da dos e estatísticas provenientes de dispositivos de internet das coisas (em inglês Internet of
Things, IoT) presentes em um ambiente industrial conectado, com as métricas providas pela
rede 5G utilizada na indústria, para realizar a comparação quantitativa entre modelos de rede
neural capazes de distinguir eventuais cenários de problemas na rede e na comunicação en tre os dispositivos IoT, como o aumento da latência na comunicação. Portanto, a avaliação
quantitativa do desempenho desses modelos ressalta a importância dos dados advindos dos
dispositivos do ambiente industrial nesta tarefa de classificação de cenários de problemas de
rede. Evidenciando o potencial de realizar a automação da gestão e aprimorar o processo
de reconfiguração de rede de forma rápida e segura, assegurando o cumprimento objetivos
definidos no modelo de negócio do ambiente industrial. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
Centro de Engenharia Elétrica e Informática - CEEI |
pt_BR |
dc.publisher.program |
PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO |
pt_BR |
dc.publisher.initials |
UFCG |
pt_BR |
dc.subject.cnpq |
Ciência da Computação. |
pt_BR |
dc.title |
Avaliação da integração de métricas de rede com dados de equipamentos industriais para uso em redes móveis 5g de fábricas inteligentes. |
pt_BR |
dc.date.issued |
2024-02-16 |
|
dc.description.abstract |
5G mobile networks play a fundamental role in connected smart factories, providing signif icant improvements in security and Quality of Service (QoS) factors compared to previous
generations. The ability to transmit large amounts of data with low latency enables remote
control and monitoring in critical scenarios, involving the control of machines, industrial
devices, and the monitoring of smart sensors. Considering the scenario in which 5G mo bile networks are applied to industry, the opportunity to prioritize data transmission flows
and network services using network orchestration tools becomes evident. For this purpose,
Intent-Based Network Systems (IBNs) are tools that combine artificial intelligence tech niques and network orchestration capabilities to comply with high-level defined business
intents, improving communication effectiveness and promoting the adequate functioning of
the systems involved. In this context, this work aims to evaluate the integration between the
data and statistics from Internet of Things (IoT) devices, observed within a connected indus trial environment, and the metrics provided by the 5G network utilized in smart factories, in
the use of neural network models for the task of classifying network problem scenarios like
the increase of communication latency. Therefore, the quantitative evaluation of these mod els’ performance highlights the potential of IoT devices’ data in the task of network problem
scenario classification. Bringing out the potential to automate and reconfigure network sys tems in a fast, secure, and autonomous way, promoting compliance with the rules defined in
the business model of the specific industrial environment. |
pt_BR |
dc.identifier.uri |
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/37315 |
|
dc.date.accessioned |
2024-08-14T17:53:03Z |
|
dc.date.available |
2024-08-14 |
|
dc.date.available |
2024-08-14T17:53:03Z |
|
dc.type |
Dissertação |
pt_BR |
dc.subject |
Redes móveis 5G . |
pt_BR |
dc.subject |
Fábricas inteligentes |
pt_BR |
dc.subject |
Intent-based networks |
pt_BR |
dc.subject |
Aprendizado de máquina |
pt_BR |
dc.subject |
Internet das coisas |
pt_BR |
dc.subject |
Engenharia de software |
pt_BR |
dc.subject |
5G mobile networks |
pt_BR |
dc.subject |
Smart factories |
pt_BR |
dc.subject |
Intent-based networks |
pt_BR |
dc.subject |
Machine learning |
pt_BR |
dc.subject |
Internet of things |
pt_BR |
dc.subject |
Software engineering |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.creator |
ARAUJO, Aramis Sales. |
|
dc.publisher |
Universidade Federal de Campina Grande |
pt_BR |
dc.language |
por |
pt_BR |
dc.title.alternative |
Evaluation of the integration of network metrics with data from industrial equipment for use in 5g mobile networks of smart factories. |
pt_BR |
dc.identifier.citation |
ARAUJO, Aramis Sales. Avaliação da integração de métricas de rede com dados de equipamentos industriais para uso em redes móveis 5g de fábricas inteligentes. 2024. 79 f. Dissertação (Mestrado em Ciência da Computação) – Programa de Pós-Graduação em Ciência da Computação, Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande, Paraíba, Brasil, 2024. |
pt_BR |