CCCra. 7 #2-34 Institución Universitaria Colegio Mayor del Cauca
Cra. 7 #2-34 Institución Universitaria Colegio Mayor del Cauca
Resumen: Mediante este artículo se presenta una propuesta de arquitectura para la agricultura de precisión soportada en tecnologías abiertas de Internet de las Cosas (IoT) para la obtención, monitoreo y análisis de variables climáticas. La propuesta se basa en la estructura de la arquitectura Lambda, considerando diferentes capas como son: La capa de captura de datos, cuya función es la obtención de variables asociadas a un cultivo. La capa de almacenamiento, cuya función es recopilar la información en tiempo real desde los sensores. La capa de procesamiento, genera predicciones y recomendaciones, la cual es evaluada mediante pruebas de carga con el fin de determinar su capacidad y tiempo de respuesta. La capa de consulta, permite a los usuarios finales visualizar en una interfaz web los datos climáticos y las predicciones. Así, esta arquitectura pretende servir de referencia para la implementación de servicios basados en IoT en el área de la agricultura.
Heavy-Hitters (HHs) are large-volume flows that consume considerably more network resources than other flows combined. In SDN-based DCNs (SDDCNs), HHs cause non-trivial delays for small-volume flows known as non-HHs that are delay-sensitive. Uncontrolled forwarding of HHs leads to network congestion and overall network performance degradation. A pivotal task for controlling HHs is their identification. The existing methods to identify HHs are threshold-based. However, such methods lack a smart system that efficiently identifies HH according to the network behaviour. In this paper, we introduce a novel approach to overcome this lack and investigate the feasibility of using Knowledge-Defined Networking (KDN) in HH identification. KDN by using Machine Learning (ML), allows integrating behavioural models to detect patterns, like HHs, in SDN traffic. Our KDN-based approach includes mainly three modules: HH Data Acquisition Module (HH-DAM), Data ANalyser Module (HH-DANM), and APplication Module (HH-APM). In HH-DAM, we present the flowRecorder tool for organizing packets into flows records. In HH-DANM, we perform a cluster-based analysis to determine an optimal threshold for separating HHs and non-HHs. Finally, in HH-APM, we propose the use of MiceDCER for routing non-HHs efficiently. The per-module evaluation results corroborate the usefulness and feasibility of our approach for identifying HHs.
5G aims to provide a complete wireless communication system with various applications, network services and technologies. In terms of 5G network management, Software-Defined Networking (SDN), and Network Functions Virtualization (NFV)are expected to control and manage network resources. Network Softwarization provides better management of network traffic. However, it does not guarantee network performance will not degradation when the traffic rises. Flow identification has been raised as a solution for keeping the network performance, and it has become a hot topic in both, academy and industry. In particular, there is a high interest in identifying video streaming flows since thanks to 5G and its benefits that improve the streaming media industry, the video streaming traffic is expected to increase dramatically due to the massive connection of 5G compatible devices. Motivated by this, we presented a novel approach for identifying video streaming services. Our approach includes three modules: video stream acquisition module, video stream analyzer module, and application module. In the video stream acquisition module, we capture video streaming packets and organize them in to flow records. In the video streaming analyzer module, we analyze the flow records using supervised machine learning algorithms to find the appropriate algorithm that performs better. In the application module, we provide a brief explanation of the applications of our approach. Additionally, we provide an analysis of the overall workload generated by our approach. The results of the evaluation by module corroborate the usefulness and feasibility of our approach for identifying video streaming services.
Objetivo: Caracterizar el comportamiento de las curvas de casos, muertes y personas recuperadas por el COVID-19 en Colombia, en esta investigación se propuso como aporte el uso del enfoque de regresión polinomial para el modelar el comportamiento de los datos. Metodología: Se obtuvieron los datos a partir de los reportes proporcionados por el Ministerio de Salud de Colombia. En primera instancia, se estudió el procedimiento empleado para la obtención de la regresión polinomial mediante la regresión lineal múltiple, en segunda instancia, se diseñó e implementó una herramienta para la aplicación del procedimiento estudiado sobre el conjunto de datos recolectado, y finalmente, se realizó el análisis de los resultados. Resultados: Se obtuvo para los tres estudios considerados (casos, muertes y personas recuperadas) 20 polinomios en conjunto con el error medio cuadrático (RMSE) y el nivel de determinación (R2) asociados a cada uno. Así mismo, se obtuvo un conjunto de predicciones basadas en las regresiones lineales obtenidas para cada estudio. Conclusiones: La volatilidad de los polinomios con valores futuros, las ecuaciones polinómicas son más útiles para evaluar el comportamiento de la curva del COVID-19 hasta el día de captura de los datos, it means, pueden ser usadas para determinar el impacto de las medidas gubernamentales en un periodo determinado de tiempo. Igualmente, las librerías de machine learning provistas por el lenguaje Python, demostraron ser de gran apoyo a la estimación de la regresión polinomial.