A Two-Level LSTM Framework for Traffic Forecasting and Early Congestion Prediction in SD-WAN Networks

Resumo Técnico: Uma Estrutura de LSTM de Dois Níveis para Previsão de Tráfego e Predição Antecipada de Congestionamento em Redes SD-WAN

Definição do Problema
Os algoritmos de controle atuais de Redes Definidas por Software (SD-WAN) operam predominantemente de forma reativa, reconfigurando rotas apenas após o congestionamento ou a degradação do serviço já terem ocorrido. Essa latência leva a atrasos significativos no tráfego e potenciais falhas de rede. Embora pesquisas existentes abordem a previsão de tráfego de rede (previsão de valores numéricos) ou a detecção de congestionamento como tarefas separadas, há uma carência de estruturas integradas que combinem a previsão quantitativa de tráfego com a avaliação probabilística de estados críticos de rede. Os autores argumentam que previsões numéricas isoladas são frequentemente insuficientes para a tomada de decisão proativa, pois podem falhar em capturar a probabilidade de sobrecargas de impulso curtas e agudas que degradam a Qualidade de Serviço (QoS).

Metodologia
O artigo propõe uma estrutura de Long Short-Term Memory (LSTM) de dois níveis projetada para o gerenciamento ativo de rotas. O sistema utiliza o conjunto de dados CESNET-TimeSeries24, focando na utilização relativa de largura de banda como a métrica principal. A estrutura opera em dois níveis paralelos:

1. Nível 1: Previsão Numérica de Tráfego (Regressão)

   • Arquitetura: Uma rede neural recorrente multicamadas consistindo em duas camadas LSTM conectadas em série (64 e 32 células), uma camada de Dropout (0,2), duas camadas lineares totalmente conectadas e uma função de ativação Ramp.
   • Função: Prevê o valor numérico específico da carga futura do canal (Utilização de Largura de Banda) para horizontes de 5, 15, 30, 60 e 120 minutos.
   • Treinamento: Otimizado pelo algoritmo ADAM com um tamanho de lote (batch size) de 64 ao longo de 100 épocas.
   • Comparação: O modelo é comparado com métodos de Previsão Simples, Média Móvel e SARIMA.

2. Nível 2: Predição Antecipada de Congestionamento (Classificação)

   • Arquitetura: Uma estrutura LSTM semelhante (64 e 32 células, Dropout 0,2), mas configurada para classificação binária. Ela fornece probabilidades para duas classes: "Normal" e "Crítica" (definida como carga > 90%).
   • Função: Estima a probabilidade de que pelo menos um sobrecarga crítica ocorra dentro do horizonte de previsão especificado.
   • Limiarização (Thresholding): O limiar de classificação é otimizado para garantir um Recall de pelo menos 0,8, priorizando a detecção de eventos críticos sobre a minimização de falsos positivos, visto que perder um evento de congestionamento é considerado mais custoso do que um alarme falso.

Principais Contribuições

• Sistema de Suporte à Decisão Integrado: O artigo introduz uma estrutura unificada que realiza simultaneamente a previsão numérica de tráfego e a classificação de congestionamento crítico, alimentando ambos os resultados em um controlador SD-WAN para seleção proativa de rotas.
• Índice de Confiança de Decisão (DCI): Os autores propõem uma métrica inovadora para avaliar a confiabilidade das decisões da estrutura. Eles definem duas formas deste índice:
  • Uma média ponderada linear da confiança da previsão (derivada do MAPE) e da confiança da classificação (derivada da Precisão).
  • Um modelo de integração não linear ($R_{SD-WAN}^{(2)}$) que trata os dois níveis como fontes de informação independentes, calculando a probabilidade de que pelo menos um módulo forneça um resultado correto.
• Estratégia de Otimização de Limiar: Uma metodologia específica para a seleção de limiares de classificação é detalhada, equilibrando um alto Recall (≥0,8) com a Precisão máxima para atender às necessidades operacionais de SD-WAN.

Resultos Experimentais

• Precisão de Previsão: O modelo LSTM superou os métodos de Previsão Simples, Média Móvel e SARIMA em todos os horizontes testados (5–120 minutos) em termos de Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE) e Erro Percentual Absoluto Médio (MAPE). Para o horizonte mais longo (120 minutos), o LSTM alcançou um MAPE de 18,392%, comparado a 19,140% do SARIMA e erros significativamente maiores para os outros métodos.
• Desempenho de Classificação: O classificador LSTM manteve um Recall de aproximadamente 0,80–0,81 em todos os horizontes quando o limiar foi definido para atender à restrição de ≥0,8. A Precisão diminuiu conforme o horizonte aumentava (de 0,925 em 5 minutos para 0,613 em 120 minutos), refletindo a incerteza inerente à previsão de longo prazo. Os F1-scores variaram de 0,696 a 0,860.
• Confiança de Decisão: A integração dos dois níveis melhorou significativamente a confiabilidade geral do suporte à decisão. Usando o modelo de integração não linear ($R_{SD-WAN}^{(2)}$), o índice de confiança permaneceu alto (0,929 em 120 minutos) em comparação com a média linear (0,715), demonstrando que a combinação de modelos independentes compensa as fraquezas individuais.

Significância e Alegações
Os autores afirmam que a arquitetura de dois níveis proposta oferece uma solução viável e eficaz para a implementação de gerenciamento de rotas proativo em redes SD-WAN. Ao ir além da simples regressão numérica para incluir um classificador de probabilidade de congestionamento dedicado, o sistema fornece ao controlador SD-WAN inteligência mais confiável e acionável. O estudo conclui que a integração de modelos independentes de previsão e classificação produz um nível de confiança mais elevado na tomada de decisão do que confiar em qualquer uma das abordagens isoladamente. A estrutura é apresentada como um passo em direção a um gerenciamento de rede mais inteligente que pode prevenir a degradação do serviço antes que ela ocorra, embora os autores observem que trabalhos futuros devem envolver a validação em tráfego SD-WAN do mundo real e a integração de características multidimensionais como atraso (delay) e jitter.