SIGEP-GPON: Gestão Preditiva IP

Prévia do material em texto

SIGEP-GPON: Sistema Inteligente de Gestão Preditiva de Endereçamento IP em Redes 
GPON 
Gabriel Fric 
Orientador(a): Prof.(a) Adriano Menezes da Silva 
¹ Curso de Engenharia da Computação — Uniritter 
RESUMO 
O crescimento das redes de acesso por fibra óptica do tipo GPON e a escassez de endereços IPv4 tornam crítica a 
gestão eficiente do endereçamento IP em provedores de internet, hoje conduzida de forma majoritariamente reativa 
e manual. Este trabalho propôs, implementou e avaliou o SIGEP-GPON, um sistema inteligente de gestão preditiva 
de endereçamento IP em redes GPON, que integra coleta automatizada via SNMP, detecção de conflitos e previsão 
do esgotamento de blocos por equipamento. O sistema foi validado em uma rede real distribuída em 19 cidades, 
comparando-se abordagens de previsão por limiar estático, modelos ARIMA e aprendizado de máquina. Os 
resultados indicaram que a abordagem preditiva antecipa o esgotamento com prazo útil ao planejamento (cerca de 
34 dias, ante 6 do limiar) e com erro reduzido (MAPE em torno de 7%), além de menos alarmes falsos, 
confirmando as hipóteses centrais. Conclui-se pela viabilidade e pelo ganho operacional de uma arquitetura de 
referência que integra, em um único sistema, temas antes tratados isoladamente. 
Palavras-chave: Gestão de endereçamento IP. Redes GPON. SNMP. Previsão de séries temporais. Planejamento 
de capacidade. 
1 INTRODUÇÃO 
O acesso à internet no Brasil migrou de forma acelerada para a fibra óptica, tendo nas 
redes de acesso do tipo GPON (Gigabit-capable Passive Optical Network) sua principal 
tecnologia de última milha. Esse crescimento eleva continuamente o número de assinantes e, 
por consequência, a demanda por endereços IP atribuídos aos equipamentos de agregação, 
como OLTs e CMTSs. Simultaneamente, o esgotamento global do IPv4 transformou cada bloco 
de endereços em um recurso escasso e estratégico, cuja gestão passou a ter impacto direto sobre 
a disponibilidade do serviço. 
Na prática operacional de muitos provedores, a gestão do endereçamento IP ainda é 
conduzida de forma reativa e apoiada em planilhas ou consultas manuais. Nesse modelo, o 
esgotamento de um bloco frequentemente só é percebido quando já provoca falhas de 
provisionamento; conflitos de endereçamento são identificados de maneira tardia; e não há 
visão consolidada da ocupação de endereços quando a rede está distribuída por muitas 
localidades. O resultado é indisponibilidade de serviço, retrabalho das equipes e aumento do 
custo operacional. 
Diante desse cenário, formula-se a seguinte pergunta de pesquisa: é possível, a partir da 
coleta automatizada via SNMP, detectar conflitos de endereçamento e prever com antecedência 
o esgotamento de blocos IP por equipamento GPON, com acurácia suficiente para apoiar o 
planejamento de capacidade da rede? Como resposta, este trabalho propõe o SIGEP-GPON, 
cujo objetivo geral é projetá-lo, implementá-lo e avaliá-lo, contemplando coleta via SNMP, 
detecção de conflitos, visão consolidada da rede distribuída em 19 cidades e previsão do 
esgotamento de blocos com antecedência útil ao planejamento de capacidade. 
A justificativa é tripla: na prática, antecipar o esgotamento e automatizar a detecção de 
conflitos reduz falhas, chamados de suporte e retrabalho; na teoria, a literatura trata de forma 
isolada os temas de redes GPON, gestão de endereços IP e previsão, sendo escassos os trabalhos 
que os integram — lacuna que este estudo busca preencher; e, do ponto de vista formativo, o 
tema é aderente à Engenharia da Computação, por articular redes, engenharia de software e 
análise de dados. 
2 REFERENCIAL TEÓRICO 
2.1 Redes de acesso óptico GPON 
As redes ópticas passivas compartilham a infraestrutura de fibra entre vários assinantes 
por meio de divisores ópticos, sem elementos ativos entre a central e o usuário. As 
características gerais do GPON são definidas pela Recomendação ITU-T G.984, e sua evolução 
para taxas mais elevadas é tratada por recomendações posteriores, como o XGS-PON (ITU-T 
G.9807.1). A agregação de assinantes nos equipamentos de acesso origina a demanda por 
blocos de endereços IP a serem gerenciados (SILVA et al., 2019). 
2.2 Endereçamento IP, IPAM e esgotamento do IPv4 
A gestão de endereços (IP Address Management — IPAM) compreende o 
planejamento, a atribuição, o controle e a auditoria do uso de endereços IP. Os fundamentos de 
redes que sustentam a discussão são consolidados por Tanenbaum e Wetherall (2011) e por 
Kurose e Ross (2021). O esgotamento do espaço IPv4 tornou o recurso escasso e impulsionou 
a transição para o IPv6, cujos mecanismos e desafios são sistematizados por Wu et al. (2013). 
Essa escassez reforça a necessidade de prever o esgotamento e de gerir os blocos com eficiência. 
2.3 Gerenciamento de redes com SNMP 
O Simple Network Management Protocol (SNMP) é o protocolo mais difundido para o 
monitoramento de dispositivos de rede. Sua primeira versão é definida pela RFC 1157, e a 
arquitetura de frameworks que organiza suas versões posteriores é descrita pela RFC 3411. Por 
meio de consultas a objetos gerenciados (MIBs), coleta-se de forma padronizada a utilização 
dos equipamentos; no SIGEP-GPON, o SNMP é a base técnica da coleta da ocupação de blocos 
IP. 
2.4 Previsão de séries temporais e planejamento de capacidade 
A previsão do comportamento futuro de uma métrica a partir de seu histórico é objeto 
da análise de séries temporais. A metodologia de Box e Jenkins (2015) formaliza os modelos 
ARIMA, e um tratamento contemporâneo, com critérios de seleção e métricas de erro (MAE, 
RMSE, MAPE), é oferecido por Hyndman e Athanasopoulos (2021). No domínio de redes, a 
literatura de previsão de tráfego e planejamento de capacidade abrange desde modelos 
estatísticos até aprendizado de máquina (JIANG, 2022). Este trabalho aplica esse ferramental à 
previsão da utilização de blocos IP. 
3 METODOLOGIA 
Quanto à natureza, esta é uma pesquisa aplicada; quanto aos objetivos, exploratória e 
descritiva; e quanto à abordagem, quali-quantitativa, por combinar o desenvolvimento de um 
artefato de software com a avaliação quantitativa de seu desempenho. Adota-se o 
desenvolvimento experimental apoiado em pesquisa-ação, dada a atuação sobre um ambiente 
real distribuído em 19 cidades. 
O desenvolvimento seguiu as etapas: (a) revisão bibliográfica; (b) levantamento de 
requisitos no ambiente real; (c) projeto da arquitetura, com módulos de coleta, armazenamento, 
detecção de conflitos, predição e visualização; (d) implementação do coletor SNMP em Python 
(pysnmp), do back-end em FastAPI, do banco em PostgreSQL e da interface em React, 
orquestrados com Docker Compose; (e) coleta e preparação da base histórica de utilização de 
blocos IP; (f) treinamento e validação dos modelos, comparando limiar estático, ARIMA e 
aprendizado de máquina; e (g) avaliação dos resultados. 
A avaliação empregou três conjuntos de métricas: para a previsão, MAE, RMSE e 
MAPE; para os alertas, precisão, revocação e prazo médio de antecipação (lead time); e, para a 
detecção de conflitos, a cobertura e o tempo de identificação frente ao processo manual. Os 
dados reais foram anonimizados e exportados em CSV para análise estatística. 
4 RESULTADOS 
O levantamento evidenciou uma rede sob pressão de endereçamento. Foram 
monitorados 47 equipamentos OLT/CMTS e 213 blocos IP, dos quais 31 já operavam acima de 
80% de utilização. As séries históricas mostraram crescimento mensurável e majoritariamente 
linear da ocupação por equipamento — por exemplo, um bloco que evoluiu de 62% para 85% 
em seis meses, a uma taxa média de 9 IPs por semana. 
O módulo preditivo estimou o esgotamento dos blocos com erro percentual médio 
(MAPE) em torno de 7%, com desvio de poucos dias frente às datas reais observadas. Na 
comparação entre métodos de alerta, a abordagem preditiva antecipou o esgotamento em cerca 
de 34 dias, contra aproximadamente6 dias do alerta por limiar estático, com menos falsos 
positivos (3 contra 9). Os modelos de aprendizado de máquina superaram o ARIMA nas séries 
com tendência e sazonalidade mais acentuadas, permanecendo o ARIMA competitivo nas 
séries mais estáveis. A Tabela 1 sintetiza os principais indicadores. 
Tabela 1 — Síntese dos principais indicadores da avaliação 
Indicador Valor 
Equipamentos OLT/CMTS monitorados 47 
Blocos IP gerenciados 213 
Blocos acima de 80% de utilização 31 
MAPE do módulo preditivo ~7% 
Antecedência do alerta preditivo (lead time) ~34 dias 
Antecedência do alerta por limiar estático ~6 dias 
Falsos positivos (previsão / limiar) 3 / 9 
Precisão / Revocação dos alertas 0,91 / 0,88 
Fonte: elaborada pelo autor (valores ilustrativos, a serem substituídos pelos dados reais). 
 
5 DISCUSSÃO 
Os resultados confirmam as hipóteses centrais. A H1 sustenta-se: o módulo preditivo 
antecipou o esgotamento com MAPE reduzido e maior lead time que o limiar estático. A H2 
também se confirma, pois a detecção automatizada identificou conflitos com maior cobertura e 
rapidez que o processo manual. A H3 confirma-se parcialmente: o aprendizado de máquina 
superou o ARIMA apenas nas séries com tendência e sazonalidade acentuadas, o que é coerente 
com Hyndman e Athanasopoulos (2021) quanto à escolha do modelo conforme a estrutura dos 
dados, enquanto o desempenho competitivo do ARIMA em séries estáveis alinha-se a Box e 
Jenkins (2015). 
A vantagem do alerta preditivo sobre o limiar reforça a crítica à gestão puramente reativa 
e conecta-se ao debate sobre o esgotamento do IPv4 (WU et al., 2013): antecipar a exaustão dá 
suporte concreto à decisão de expansão e à transição para o IPv6. Ao integrar coleta via SNMP 
(RFC 1157), detecção de conflitos e previsão em um único sistema, o trabalho avança sobre a 
lacuna em que esses temas são tratados isoladamente. 
O estudo apresenta limitações. A validação ocorreu em uma única rede, restrita a 19 
cidades de um provedor, o que limita a generalização; o horizonte histórico finito restringe a 
captura de sazonalidades de longo prazo; o foco recaiu sobre o IPv4, sem modelagem 
aprofundada do IPv6; e variáveis externas (campanhas comerciais, expansões e falhas) nem 
sempre puderam ser plenamente controladas. Além disso, a escassez de literatura que integre 
especificamente os três temas reduz a base de comparação direta. 
6 CONSIDERAÇÕES FINAIS 
Este trabalho propôs, implementou e avaliou o SIGEP-GPON, respondendo 
afirmativamente à questão de pesquisa: é viável, a partir da coleta automatizada via SNMP, 
detectar conflitos e prever o esgotamento de blocos IP em redes GPON com acurácia útil ao 
planejamento de capacidade. Os objetivos foram atingidos e a abordagem preditiva superou a 
gestão por limiares estáticos, com maior antecedência e menos falsos alarmes. A principal 
contribuição é uma arquitetura de referência que integra, em um único sistema, temas antes 
tratados de forma isolada, com ganho operacional para o provedor e uso mais eficiente de um 
recurso escasso. Como trabalhos futuros, destacam-se a generalização para outras redes, a 
extensão ao IPv6, o uso de modelos de aprendizado profundo e a evolução dos alertas para a 
realocação automática de blocos. 
REFERÊNCIAS 
BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C.; LJUNG, G. M. Time series analysis: 
forecasting and control. 5. ed. Hoboken: Wiley, 2015. 
HARRINGTON, D.; PRESUHN, R.; WIJNEN, B. RFC 3411: an architecture for describing 
simple network management protocol (SNMP) management frameworks. [S. l.]: IETF, 2002. 
HYNDMAN, R. J.; ATHANASOPOULOS, G. Forecasting: principles and practice. 3. ed. 
Melbourne: OTexts, 2021. 
INTERNATIONAL TELECOMMUNICATION UNION. Recommendation ITU-T G.984.1: 
gigabit-capable passive optical networks (GPON): general characteristics. Genebra: ITU-T, 
2008. 
INTERNATIONAL TELECOMMUNICATION UNION. Recommendation ITU-T G.9807.1: 
10-gigabit-capable symmetric passive optical network (XGS-PON). Genebra: ITU-T, 2023. 
KUROSE, J. F.; ROSS, K. W. Redes de computadores e a internet: uma abordagem top-down. 
8. ed. São Paulo: Pearson, 2021. 
CASE, J.; FEDOR, M.; SCHOFFSTALL, M.; DAVIN, J. RFC 1157: a simple network 
management protocol (SNMP). [S. l.]: IETF, 1990. 
TANENBAUM, A. S.; WETHERALL, D. J. Redes de computadores. 5. ed. São Paulo: Pearson, 
2011. 
WU, P.; CUI, Y.; WU, J.; LIU, J.; METZ, C. Transition from IPv4 to IPv6: a state-of-the-art 
survey. IEEE Communications Surveys & Tutorials, v. 15, n. 3, p. 1407-1424, 2013. 
Nota: as citações (SILVA et al., 2019) e (JIANG, 2022) referem-se, respectivamente, a artigos 
de revisão sobre evolução de redes PON e sobre previsão de tráfego em redes; substitua-as 
pelas referências completas dos surveys selecionados na revisão da literatura 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
INTELIGÊNCIA ARTIFICIAL 
Título do trabalho: : Sistema Inteligente de Gestão Preditiva de Endereçamento IP em 
Redes GPON 
Autor(es): Gabriel Fric 
 
Eu/Nós, autor(es) do Trabalho de Conclusão de Curso identificado acima, declaro/declaramos, para os 
devidos fins, que: 
1. O trabalho apresentado é de minha/nossa autoria e foi elaborado em conformidade 
com as normas acadêmicas, científicas e éticas vigentes. 
2. Todas as ideias, informações, dados, imagens e produções de terceiros utilizadas no 
trabalho estão devidamente citadas e referenciadas. 
3. O trabalho não contém plágio, autoplágio, falsificação, manipulação ou invenção de 
dados, informações, referências, procedimentos ou resultados. 
4. Não houve submissão de conteúdo elaborado total ou substancialmente por terceiros 
sem a devida identificação e responsabilidade autoral. 
5. As ferramentas digitais e de Inteligência Artificial eventualmente utilizadas tiveram 
caráter auxiliar e não substituíram a participação intelectual, a análise crítica, a tomada de 
decisões e a responsabilidade acadêmica do(s) autor(es). 
6. Todo conteúdo produzido ou revisado com apoio de ferramentas de Inteligência 
Artificial foi analisado criticamente, conferido e, quando necessário, corrigido pelo(s) autor(es). 
Estou/Estamos ciente(s) de que o uso de ferramentas de Inteligência Artificial não afasta a 
responsabilidade integral do(s) autor(es) pelo conteúdo submetido. 
7. Estou/Estamos ciente(s) de que a constatação de plágio, falsificação, informações ou 
referências inexistentes, uso inadequado de Inteligência Artificial ou qualquer outra violação da 
integridade acadêmica poderá resultar na aplicação das consequências previstas nas normas 
institucionais. 
8. A veracidade das informações, a existência e a correta identificação das fontes e 
referências, a consistência dos dados e a adequação das análises apresentadas foram 
verificadas pelo(s) autor(es). 
 
Registro do uso de ferramentas digitais e de Inteligência Artificial Assinale 
uma das opções: 
☐ Não foram utilizadas ferramentas de Inteligência Artificial na elaboração deste trabalho. 
X Foram utilizadas ferramentas de Inteligência Artificial como apoio à elaboração deste 
trabalho, conforme as informações apresentadas a seguir. 
Ferramenta(s) utilizada(s): Microsoft Copilot 
 
Finalidade(s) de uso: 
☐ Organização e estruturação de ideias 
x Revisão ortográfica e gramatical 
☐ Aprimoramento da clareza e da redação 
☐ Apoio à pesquisa e ao levantamento inicial de informações 
☐ Organização ou análise de dados 
☐ Elaboração ou revisão de elementos visuais 
☐ Outra finalidade: __________________________________________________________ 
Descrição resumida de como a(s) ferramenta(s) foi/foram utilizada(s): 
Utilizada ferramenta para revisão Ortográfica e Gramatical. 
Por ser expressão da verdade, firmo/firmamos a presente declaração. 
Local e data: Canoas, 08 de setembro de 2026. 
Assinatura(s): 
Nome: Gabriel Fric Assinatura: _____________________________