Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 694
Aluno: Daniel Bezerra
Orientador: Prof. Djamel Fawzi Hadj Sadok
Título: A Lightweight Digital Twin for Latency Optimization and
Configuration Recommendation in Time-Sensitive Networking Using
Reinforcement Learning
Data: 25/02/2026
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Jose Augusto Suruagy Monteiro (UFPE / Centro de Informática)
Prof. Renato Mariz de Moraes (UFPE / Centro de Informática)
Prof. Eduardo James Pereira Souto UFAM / Instituto de Computação)
Prof. Dave Alberto Tavares Cavalcanti (Intel Corporation / Intel Labs)
Prof. Alexandre Magno Andrade Maciel ( UPE / Escola Plitécnica de PE)
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.
Palavras-chave: Time-Sensitive Networking; Credit-Based Shaper; IdleSlope; Digital Twin; Graph Neural Networks; Reinforcement Learning; Multi-Objective Optimization.
Comentários desativados