IA aplicada a Redes de Computadores (AI Networking)

Curso prático e progressivo que integra Redes de Computadores (Cisco Packet Tracer) com Inteligência Artificial aplicada à operação, monitoramento e automação de redes.

Este repositório foi pensado como material vivo de estudo, documentação técnica e base para aulas, labs e projetos, seguindo boas práticas de versionamento e organização no GitHub.

---

🎯 Objetivo do Curso

Capacitar estudantes e profissionais de redes a:

• Compreender e configurar redes modernas (switching, roteamento, VLANs, NAT, ACLs, serviços).

• Coletar e analisar dados de rede (logs, fluxos, PCAPs, métricas).

• Aplicar técnicas de IA / Machine Learning para:

  • Detecção de anomalias
  • Classificação de tráfego
  • Apoio à tomada de decisão

• Automatizar tarefas de rede com Python e APIs.

• Entender como IA se encaixa em SDN, Telemetria e Intent-Based Networking.

---

👥 Público-alvo

• Estudantes de cursos Técnicos, Graduação ou Formação Profissional em Redes.
• Profissionais de Infraestrutura, Redes, NOC ou DevOps.
• Pessoas que já estudam redes e querem dar o próximo passo rumo à automação e IA.

Pré-requisitos

• Conceitos básicos de redes (OSI, TCP/IP, IPv4).
• Noções básicas de Python (variáveis, listas, dicionários, leitura de arquivos).
• Vontade de aprender na prática 😉.

---

🧠 Abordagem Didática

Cada módulo segue sempre a mesma lógica:

1. Conceito de Redes (teoria essencial)
2. Lab no Cisco Packet Tracer (.pkt + instruções)
3. Notebook em Python/Jupyter aplicando análise de dados ou IA

Quando o Packet Tracer não suportar determinado recurso, são indicadas alternativas reais (Wireshark, Mininet, GNS3, Docker ou datasets públicos).

---

🗂️ Estrutura do Repositório

.
├── README.md
├── syllabus.md
├── setup.md
├── labs/
│   ├── 01_basics/
│   │   ├── 01_basics_subnetting.pkt
│   │   ├── lab_instructions.md
│   │   └── solution.md
│   ├── 02_vlans/
│   │   ├── 02_vlans_trunk.pkt
│   │   ├── lab_instructions.md
│   │   └── analysis_notebook.ipynb
│   └── ...
├── notebooks/
│   ├── common_utils.py
│   ├── 10_anomaly_isolation.ipynb
│   └── ...
├── data/
│   └── sample_flows/
├── slides/
├── assignments/
├── project_final/
├── CONTRIBUTING.md
└── LICENSE

---

🚀 Como Começar

1. Instale o Cisco Packet Tracer (Cisco Networking Academy).

2. Instale Python 3.9+.

3. Clone este repositório:

   git clone https://github.com/seu-usuario/ai-networking.git

4. Siga o arquivo setup.md para criar o ambiente Python.

5. Comece pelo lab:

   labs/01_basics/lab_instructions.md
   

---

📚 Syllabus Resumido (12 Módulos)

Módulo 0 — Onboarding e Ambiente

• Setup do Packet Tracer e Python
• Estrutura do repositório
• Primeiro lab de conectividade

Módulo 1 — Fundamentos de Redes

• OSI x TCP/IP
• IPv4 e Subnetting
• Lab PT: LAN básica
• Notebook: análise simples de logs

Módulo 2 — Switching e VLANs

• VLANs, Trunking, STP (introdução)
• Lab PT: VLANs + Router-on-a-Stick
• Notebook: tráfego por VLAN

Módulo 3 — Roteamento

• Rotas estáticas e OSPF
• Lab PT: roteamento dinâmico
• Notebook: análise de caminhos simulados

Módulo 4 — NAT, DHCP e Serviços

• NAT estático e dinâmico
• DHCP Server
• Notebook: correlação de IPs internos/externos

Módulo 5 — Segurança Básica

• ACLs e conceitos de AAA
• Lab PT: filtragem de tráfego
• Notebook: classificação simples de tráfego

Módulo 6 — Captura e Análise de Pacotes

• Wireshark e troubleshooting
• PCAPs e extração de features
• Notebook: dataset TCP/UDP

Módulo 7 — Telemetria e Monitoramento

• SNMP, NetFlow, Telemetria
• Pipelines de dados de rede

Módulo 8 — Automação com Python

• Netmiko, APIs, RESTCONF
• Backup, coleta e mudanças automatizadas

Módulo 9 — SDN e Intent-Based Networking

• Conceitos de SDN
• Limitações do Packet Tracer
• Discussão com Mininet/GNS3

Módulo 10 — IA: Detecção de Anomalias

• Modelos não supervisionados
• Isolation Forest / DBSCAN
• Avaliação de resultados

Módulo 11 — IA: Classificação de Tráfego

• Feature engineering
• Random Forest
• Decisões de QoS baseadas em ML

Módulo 12 — Projeto Final

• Integração de redes + IA
• Dashboard + relatório técnico

---

🧪 Avaliação e Entregáveis

• Labs práticos: 50%
• Notebooks e mini-projetos: 20%
• Projeto final integrador: 30%

Critérios avaliados:

• Funcionamento da infraestrutura
• Qualidade dos dados
• Clareza do código e documentação
• Aplicação correta dos conceitos de IA

---

🛠️ Ferramentas Utilizadas

• Cisco Packet Tracer
• Wireshark
• Python 3.9+
• JupyterLab / Notebook
• pandas, numpy, scikit-learn
• netmiko, paramiko, requests
• Mininet / GNS3 (opcional)

---

🤝 Contribuições

Contribuições são bem-vindas!

• Veja o arquivo CONTRIBUTING.md
• Utilize commits claros e objetivos
• Mantenha o padrão de nomenclatura dos labs

---

📌 Autor

Robson Vaamonde Infraestrutura • Redes • Automação • Ensino

---

Este projeto une fundamentos sólidos de redes com práticas modernas de IA, preparando o aluno para o cenário real de operação e evolução das redes de computadores.