Banca de DEFESA: DANIEL BEZERRA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: DANIEL BEZERRA
DATA : 25/02/2026
HORA: 14:00
LOCAL: virtual
TÍTULO:

A Lightweight Digital Twin for Latency Optimization and
Configuration Recommendation in Time-Sensitive Networking Using
Reinforcement Learning

 

PALAVRAS-CHAVES:

Time-Sensitive Networking; Credit-Based Shaper; IdleSlope; Digital Twin; Graph Neural Networks; Reinforcement Learning; Multi-Objective Optimization.

PÁGINAS: 155
RESUMO:

Redes Time-Sensitive Networking (TSN) permitem comunicação determinística em aplicações industriais ao combinar mecanismos de escalonamento e traffic shaping com garantias de latência fim a fim. Entre esses mecanismos, o Credit-Based Shaper (CBS) é amplamente utilizado para limitar a interferência entre classes de tráfego, porém sua configuração adequada é não trivial, pois envolve compromissos entre redução de latência e aumento de perdas, além de depender de topologia, cargas e prioridades. Esta tese investiga como modelos preditivos podem apoiar a recomendação de configurações de CBS, reduzindo o custo de exploração do espaço de parâmetros em comparação a abordagens puramente baseadas em simulação. Primeiro, é conduzido um estudo comparativo do comportamento de TSN em ambientes simulados, bare-metal e virtualizados, estabelecendo a confiabilidade da simulação para a geração de dados e destacando condições em que efeitos de plataforma influenciam as métricas observadas. Em seguida, é proposto um pipeline de surrogate modeling e otimização multiobjetivo para estimar latência e perdas por fluxo e buscar configurações quase ótimas em um cenário topológico fixo, evidenciando a necessidade de tratar perdas explicitamente para evitar soluções degeneradas. Por fim, é apresentado um lightweight digital twin baseado em Graph Neural Networks (GNN) capaz de prever, a partir de topologias e descritores de tráfego, métricas por fluxo, sendo utilizado como ambiente para treinar uma política de reinforcement learning que ajusta valores de idleSlope e produz recomendações de configuração com baixa latência e perdas controladas, em topologias não vistas durante o treinamento. Os resultados indicam que o lightweight digital twin viabiliza avaliações rápidas e análises para suporte à engenharia de TSN, mantendo a decisão final sob supervisão do operador e explicitando limitações de transferência para testbeds físicos.

MEMBROS DA BANCA:
Externo à Instituição - ALEXANDRE MAGNO ANDRADE MACIEL - UPE
Externo à Instituição - DAVE ALBERTO TEIXEIRA CAVALCANTI - OUTRA
Externo à Instituição - EDUARDO JAMES PEREIRA SOUTO - UFAM
Presidente - 1131524 - JOSE AUGUSTO SURUAGY MONTEIRO
Interno - 1288283 - RENATO MARIZ DE MORAES