Aprendizaje por Refuerzo Aplicado al Etiquetado de Tráfico de Red

CARLOS CATANIA; ELINA PACINI; RODRIGO GONZALEZ; JORGE GUERRA; TATIANA PARLANTI; LUCIANO ROBINO; EDUARDO PAVEZ

Junin, Buenos Aires

Workshop; Workshop de Investigadores en Ciencias de la Computación; 2023

RED UNCI

El presente proyecto se enfoca en la aplicación de técnicas deaprendizaje por refuerzo (RL) dentro de un ciclo de AprendizajeActivo (AL) de tal manera que permita desarrollar herramientaspara facilitar el proceso de etiquetado de tráfico de red. Elaprendizaje por refuerzo (RL) es un área del aprendizajeautomático que se focaliza en el desarrollo de agentes inteligentescapaces de realizar acciones en un entorno a fin de maximizar unarecompensa acumulada.Normalmente, en un flujo de trabajo de AL, se aplica una políticafija para decidir cuándo preguntar al usuario por el valor para laetiqueta de una instancia en particular. La política más común estábasada en el concepto de incertidumbre que consiste en seleccionaraquellas trazas de tráfico que se encuentran cerca de la frontera dedecisión del modelo de AA, es decir, para las cuales la política nopuede decidir de manera autónoma cómo etiquetar. Sin embargo,esta política puede no resultar adecuada cuando se trabaja congrandes volúmenes de datos. Las técnicas de RL son un enfoque dereciente aplicación en el aprendizaje de una política dinámica de ALa partir de los datos. Al utilizar RL es posible aprender nuevaspolíticas que tengan en consideración otras recompensas como serla experiencia o capacidad del usuario junto a aspectos distintivosdel proceso de etiquetado como ser la calidad, oportunidad yrelevancia, entre otros. De esta manera se evita depender de unaúnica heurística a la hora de tomar la decisión de consultar alusuario. Esto último resulta fundamental para el desarrollo desistemas de detección basados en técnicas de AA.