NetVision

Em palavras simples: a internet às vezes fica lenta ou instável, e o NetVision tenta perceber isso automaticamente. O projeto aborda a necessidade de detectar falhas de rede de forma independente da rota — uma resposta de 340 ms pode ser normal entre Brasil e África do Sul, mas grave entre duas cidades alemãs. Para isso, propõe-se um modelo capaz de classificar cada medição comparando-a com o comportamento típico do próprio caminho, com potencial para apoiar o monitoramento e a prevenção de falhas.

O sistema recebe medições de ping entre sensores espalhados pelo mundo, calcula o comportamento normal de cada caminho (a ficha de baseline) e aplica uma árvore de decisão para dizer se a rede está bem, em risco ou em falha.

O pipeline apresenta as principais etapas do sistema, desde a entrada dos dados até a geração do resultado:

1. 1
   Origem dos dados

   API RIPE Atlas — medições ICMP ping (msm 1001)

   ↳ Probes e Anchors pelo mundo

2. 2
   Coleta e organização

   2.178.902 registros em 10 fluxos (probe → anchor)

   ↳ data/raw/

3. 3
   Pré-processamento

   Ficha de baseline por fluxo no Período A: mediana, MAD, jitter e perda típicos

   ↳ baseline_por_fluxo.csv

4. 4
   Extração de atributos

   z_robusto, aumento_pct, jitter_relativo, perda_pct, janelas n5

   ↳ Sem país, IP, rota ou RTT absoluto

5. 5
   Treinamento e validação

   Árvore de decisão (Gini, profundidade 6, folha ≥ 50, poda 0,001)

   ↳ Corte temporal dentro do Período B

6. 6
   Predição

   Classe por medição: OK, RISCO ou FALHA

   ↳ Teste medido uma única vez

7. 7
   Apresentação do resultado

   Matriz 3×3, F1 por classe e F1 macro

   ↳ Regras legíveis em português

Foram utilizados 2.178.902 registros de medições do RIPE Atlas, coletados entre setembro e outubro de 2026, com as variáveis latência, perda de pacotes e jitter (e suas versões normalizadas). O modelo foi avaliado por meio de um corte temporal — treino com dados mais antigos e teste com os mais recentes — e métricas como F1 por classe e F1 macro.

O modelo obteve F1 macro de 0,9241 e identificou 97,89% das falhas na validação, superando a árvore inicial (0,9064). Esses resultados indicam que o modelo detecta quase todas as falhas, com a maior confusão entre RISCO e FALHA, considerando as condições e os dados utilizados no estudo.

As previsões dependem da qualidade e das características dos dados analisados. Por isso, devem ser interpretadas como estimativas do modelo, e não como garantias.

• O baseline é fixo e não acompanha trocas de rota.
• Rajadas curtas (3 pacotes) estimam mal o jitter.
• Anchors do RIPE Atlas não representam a rede do campus.
• O rótulo usa as mesmas métricas da árvore: ela aprende a política, funcionando como detector do estado atual.
• Fluxos sem ficha de baseline (menos de 1.500 RTT válidos) não são avaliados.

Apresentação de 90 segundos do projeto, explicando o problema, a proposta, o funcionamento e os principais resultados.

• Integrantes: Guilherme Trajane da Silva, Leandro do Nascimento Lemes, Mariana Moreira Barbosa, Samara Fernandes Soares, Vitor Julião Diogo dos Santos
• Curso e instituição: Ciência da Computação · Centro Universitário Braz Cubas
• Orientadora: Profª. Andrea Ono Sakai
• Repositório: github.com/guilhermetrajanedasilva/Trabalho-Estruturas-de-Dados-II
• Referências: RIPE Atlas Docs, Zenodo — RTT latency in Europe, scikit-learn DecisionTreeClassifier