Apresentacao tcc - Redes Mesh Cognitiva
-
Upload
iuri-andreazza -
Category
Science
-
view
137 -
download
3
description
Transcript of Apresentacao tcc - Redes Mesh Cognitiva
Orientador: Prof. MSc. Mateus Raeder
Iuri Andreazza
Junho - 2012
Redes Mesh Cognitivas: Mantendo a Qualidade da Transmissão Utilizando Análise e Predição de Tráfego com Redes Neurais Artificiais
Universidade do Vale do Rio dos Sinos - UNISINOS Unidade Acadêmica de Graduação Curso de Ciência da Computação
Nível Bacharel
de 37
Organização✤ Introdução ✤ Motivação ✤ Objetivos ✤ Assuntos Envolvidos
✤ Redes Neurais Artificiais ✤ Redes Mesh ✤ Simulador NS-3
✤ Simulações ✤ Avaliação ✤ Trabalhos Relacionados ✤ Conclusão
2
de 37
Introdução
3
de 37
Motivação
✤ Algoritmos tradicionais ineficientes para cenários estocásticos
✤ Manutenção da Eficiência da rede
✤ Gestão e Predição do Tráfego
✤ Capacidade Cognitiva e Empírica no roteamento
✤ Uso de Redes Neurais Artificiais para flexibilização
✤ Flexibilidade em cenários de alterações constantes
4
de 37
Objetivos
Este trabalho objetiva propor um novo mecanismo de roteamento para Redes Mesh que vise manter a conectividade e maximize a qualidade da transmissão, conseguindo se ajustar à constante mudança da topologia da rede.
5
de 37
Objetivos
✤ Contribuições:
✤ Flexibilizar o protocolo de roteamento
✤ Aumentar a qualidade da rede em cenários de caos
✤ Melhorar a qualidade da conexão para dispositivos com alta mobilidade
✤ Demonstrar o uso efetivo de Redes Neurais Artificiais juntamente com Redes Mesh
6
de 37
Redes Neurais Artificiais
✤ Semelhança à célula neural humana
✤ Reconhecimento e classificação de Padrões
✤ Correção de Padrões
✤ Previsão de séries temporais
✤ Geração e descoberta de informação
✤ Aprendizagem dinâmica (Supervisionada, Não supervisionada)
7
de 37
Redes Neurais Artificiais
✤ Modelos:
✤ Hopfield (LOESCH; SARI, 1996)
✤ RRS (Rede Recorrente Simples)
✤ RRDD (Rede Recorrente Dinamicamente Dirigida)
✤ Reconhecimento Temporal de padrões
✤ Representação Implícita
✤ Representação Explícita
8
de 37
Redes Mesh
✤ Rede no padrão de malha ✤ Funcionamento em camadas:
✤ Mesh Routers ✤ Mesh Clients
✤ Infraestrutura de acesso fácil ✤ Autorreparação ✤ Autoconfiguração ✤ Auto-organização ✤ Mecanismo de Roteamento
9
de 37
Simulador NS-3
✤ Escrito em C++ com uma interface para Python;
✤ Integração com softwares padronizados para entrada e saída de informação;
✤ Organização lembrando implementações físicas;
✤ Integração com o Kernel Linux;
✤ Mescla Ambientes reais e simulados para simulação da rede;
✤ Rica documentação
✤ Modelo de relatórios é compatível com ferramentas de análise de rede
10
de 37
Simulações
✤ Criado um cenário base
✤ 250 Simulações
✤ 8 cenários diferentes
✤ Parâmetros de alteração:
✤ Modelo de Mobilidade (Static, Car, Walk)
✤ Tamanho (X,Y)
✤ Tempo de Simulação
11
de 37
Simulações✤ Topologia exemplo de como o
algoritmo se comporta na avaliação dos estados
✤ Busca sempre evitar mesh clients que em um futuro breve tenham problemas
✤ Avalia antes de encaminhar o pacote
✤ Inicia busca por rotas de transmissão alternativas
12
de 37
Simulações✤ Transmite os dados junto ao
pacote administrativo
✤ Mesh Header alterado para comportar os dados de controle utilizados como entrada da RNA
✤ 3 novas informações transmitidas
✤ Tx,Rx,Delay
✤ Inicialmente a RNA não é usada para transmissão dos pacotes
13
de 37
Simulações RNA Aplicada no Roteamento
✤ Modelos escolhido foi o RRDD
✤ Capaz de aprender sem necessidade de cenários e supervisão
✤ Memória matricial com atraso temporal
✤ Utiliza um supervisor automático
✤ Opera durante a execução da rede
✤ Mantêm os pesos dentro dos parâmetros especificados no projeto
14
de 37
Simulações RNA Aplicada no Roteamento
✤ O aprendizado automático ocorre durante o processo de roteamento
✤ Memória matricial serve para avaliar os dados no futuro
✤ Simulação da RRDD no NS-3 sobrecarregou o ambiente
✤ Outro modelo de RNA escolhido foi o Hopfield (3 Camadas)
✤ É possível mapear a variação dos estados dos mesh clients como séries temporais e assim habilitar a RNA para conseguir prever seus padrões
15
de 37
Simulações RNA Aplicada no Roteamento
16
de 37
Simulações RNA Aplicada no Roteamento
✤ Hopfield convergiu corretamente na previsão dos estados dos nodes
✤ RNA executada de forma paralela à simulação
✤ Retropropagação habilitou a rede a ajustar os pesos conforme os estados eram gerados
17
de 37
Avaliação
✤ Métricas utilizadas:
✤ Média de entrega de pacotes (PDF - Average Packet Delivery Fraction)
✤ Taxa de Transmissão de pacote
✤ Média do atraso de entrega de pacotes
✤ Pacotes que chegaram ao destino
18
de 37
Avaliação
✤ Feito com base nas simulações ✤ Uso de caminhos alternativos como apoio na manutenção do fluxo de
transmissão
✤ Determinado que a decisão empírica da RNA afeta positivamente a Rede Mesh
✤ Avaliações baseadas nos autores: ✤ Venkataram, Ghosal e Ku- mar (2002) ✤ Zhi-yuan, Ru-chuan e Jun-lei (2009) ✤ Song, Zhang e Fang (2010) ✤ Baumann et al. (2007) e Paul et al. (2010)
19
de 37
Avaliação✤ Entregas de pacotes
ficam acima dos 90%
✤ Cenários de grande mobilidade mantém a estabilidade
✤ Comparativo mostra que poucos outros algoritmos conseguiram manter taxas altas
20
de 37
Avaliação✤ Demonstração da eficiência
geral da rede;
✤ Taxas se mantêm na média de 85% de entregas
✤ Comparativo feito utilizando 10 casos médios de todas as simulações
✤ Comparativo demonstrando 25 execuções da simulação com e sem o uso da RNA na avaliação dos estados dos mesh clients
21
de 37
Avaliação✤ Demonstração do atraso
médio da rede
✤ Taxas baixas de atraso para entrega
✤ Eficiência em manter o tempo de entrega de pacotes
✤ Caminhos alternativos funcionam como rota temporária para evitar congestionamento
22
de 37
Avaliação
✤ Pacotes transmitidos com sucesso
✤ Tempo médio de atraso na entrega
✤ Atraso de entrega comparando simulação normal e com RNA
23
de 37
Avaliação
✤ Dispersão do PDF das 250 simulações
✤ Dispersão do tempo de Entrega
24
de 37
Trabalhos RelacionadosTrabalho Autor RNA Pred. Hard Metr.
A Multipah Routing Algorithm Based on Traffic Prediction in Wireless Mesh Networks
Zhi-yuan, Ru-chuan e Jun-lei (2009)
X X - -
Neural network based optimal routing algorithm for communication networks
Venkataram, Ghosal e Kumar (2002)
X - X X
Stochastic Traffic Engineering in Multihop Cognitive Wireless Mesh Networks
Song, Zhang e Fang (2010) X - - X
High Performance AODV Routing Protocol for Hybrid Wireless Mesh Networks
PIRZADA; PORTMANN, 2007
- - - X
A high-throughput path metric for multi-hop wireless routing De Couto et al. (2005) - - - X
Quality-Aware Routing Metric for Time-Varying Wireless Mesh NetworksKoksal e Balakrishnan (2006)
- X - X
Bio-inspired Link Quality Estimation for Wireless Mesh Networks Caleffi e Paura (2009) X X - X
Cognitive Wireless Mesh Networks with Dynamic Spectrum Access Chowdhury e Akyildiz (2008) X - - X
25
de 37
Conclusão
✤ Abordagem Cognitiva ao roteamento em redes mesh
✤ Flexibilizou o HWMP para suportar alterações bruscas na topologia
✤ Maior qualidade de conexão da rede
✤ Neurociência influenciou diretamente a pesquisa
✤ Nas simulações, caminhos sobrecarregados eram evitados
✤ Caminhos alternativos servem como pontes de apoio
26
de 37
Conclusão
✤ Tempo de espera do pacote diminuto
✤ Uso coerente da topologia de forma a dispersar o fluxo intenso de pacotes
✤ É possível utilizar RNA para habilitar a cognição no processo de roteamento
✤ Flexibilidade empírica
27
de 37
Trabalhos Futuros
✤ Usar RNA para avaliar o caminho 6 saltos à frente
✤ Alterar a RNA para ter um treinamento não supervisionado
✤ Construir seus dados a partir da informação que trafega na rede
✤ Testar em ambiente real
✤ Determinar a sobrecarga que a simulação contém utilizando a RNA para determinar os resultados mais próximos da realidade
28
de 37
Referências
✤ AKYILDIZ, I. F.; XUDONG, W. Wireless Mesh Networks. 2th. ed.: Willey, 2009.
✤ AKYILDIZ, I.; WANG, X. A survey on wireless mesh networks. Communications Magazine, IEEE, v. 43, n. 9, p. S23 – S30, sept. 2005.
✤ BARANSEL, C.; DOBOSIEWICZ, W.; GBURZYNSKI, P. Routing in multihop packet switching networks: gb/s challenge. Network, IEEE, [S.l.], v. 9, n. 3, p. 38 –61, may/jun 1995.
29
de 37
Referências
✤ BAUMANN, R.; HEIMLICHER, S.; LENDERS, V.; MAY, M. Routing Packets into Wireless Mesh Networks. In: WIRELESS AND MOBILE COMPUTING, NETWORKING AND COMMUNICATIONS, 2007. WIMOB 2007. THIRD IEEE INTERNATIONAL CONFERENCE ON, 2007, White Plains, NY, USA. Anais. . ., 2007. p. 38. (WIMOB ’07).
✤ BRAGA, A.; CARVALHO, A.; LUDEMIR, T. Redes Neurais Artificiais - Teorias e Aplicações. 1th. ed.: LTC, 2007.
✤ CALEFFI, M.; PAURA, L. Bio-inspired link quality estimation for wireless mesh networks. In: WOWMOM, 2009. Anais. . . IEEE, 2009. p. 1–6.
30
de 37
Referências
✤ CHOWDHURY, K.; AKYILDIZ, I. Cognitive Wireless Mesh Networks with Dynamic Spectrum Access. Selected Areas in Communications, IEEE Journal on, Edmonton, AB, Canadá, v. 26, n. 1, p. 168 –181, jan. 2008.
✤ DE COUTO, D. S. J.; AGUAYO, D.; BICKET, J.; MORRIS, R. A high-throughput path metric for multi-hop wireless routing. Wirel. Netw., Hingham, MA, USA, v. 11, n. 4, p. 419–434, July 2005.
✤ GIL, A. C. Como elaborar projetos de pesquisa. 3th. ed. [S.l.]: ATLAS, 2004.
31
de 37
Referências
✤ GRANVILLE, L. Z.; CARISSIMI, A. D. S.; ROCHOL, J. Redes de Computadores. 20th. ed.[S.l.]: BOOKMAN COMPANHIA ED, 2009.
✤ HAYKIN, S. Redes Neurais - Princípios e Prática. 2th. ed. [S.l.]: Bookman, 2001.
✤ KOKSAL, C. E.; BALAKRISHNAN, H. Quality-aware routing metrics for time-varying wireless mesh networks. IEEE JSAC, [S.l.], v. 24, p. 1984–1994, 2006.
✤ LOESCH, C.; SARI, S. T. Redes Neurais Artificiais - Fundamentos e Modelos. 1th. ed. [S.l.]: FURB, 1996.
32
de 37
Referências
✤ MARCONI, M. d. A.; EVA MARIA, L. Metodologia do Trabalho Científico. 7th. ed. [S.l.]: ATLAS, 2011.
✤ PAUL, A.; KONWAR, S.; GOGOI, U.; CHAKRABORTY, A.; YESHMIN, N.; NANDI, S. Implementation and performance evaluation of AODV in Wireless Mesh Networks using NS-3. In: EDUCATION TECHNOLOGY AND COMPUTER (ICETC), 2010 2ND INTERNATIONAL CONFERENCE ON, 2010. Anais. . ., 2010. v. 5, p. V5–298 –V5–303.
✤ SEVERINO, A. J. Metodologia do Trabalho Científico. 23th. ed. [S.l.]: Cortez Editora, 2011.
33
de 37
Referências
✤ PIRZADA, A. A.; PORTMANN, M. High Performance AODV Routing Protocol for Hybrid Wireless Mesh Networks. In: FOURTH ANNUAL INTERNATIONAL CONFERENCE ON MOBILE AND UBIQUITOUS SYSTEMS: NETWORKING&SERVICES (MOBIQUITOUS), 2007., 2007, Washington, DC, USA. Proceedings. . . IEEE Computer Society, 2007. p. 1–5. (MOBIQUITOUS ’07).
✤ SONG, Y.; ZHANG, C.; FANG, Y. Stochastic Traffic Engineering in Multihop Cognitive Wireless Mesh Networks. Mobile Computing, IEEE Transactions on, [S.l.], v. 9, n. 3, p. 305 –316, march 2010.
34
de 37
Referências
✤ VENKATARAM, P.; GHOSAL, S.; KUMAR, B. P. V. Neural network based optimal routing algorithm for communication networks. Neural Netw., Oxford, UK, UK, v. 15, p. 1289–1298, December 2002.
✤ ZHI-YUAN, L.; RU-CHUAN, W.; JUN-LEI, B. A Multipath Routing Algorithm Based on Traffic Prediction in Wireless Mesh Networks. In: NATURAL COMPUTATION, 2009. ICNC ’09. FIFTH INTERNATIONAL CONFERENCE ON, 2009. Anais. . ., 2009. v. 6, p. 115 –119.
✤ ZHU, F.; MUTKA, M.; NI, L. PrudentExposure: a private and user-centric service discovery protocol. In: PERVASIVE COMPUTING AND COMMUNICATIONS, 2004. PERCOM 2004. PROCEEDINGS OF THE SECOND IEEE ANNUAL CONFERENCE ON, 2004. Anais. . ., 2004. p. 329 – 338.
35
de 3736
TCC - Inicio …
de 37
TCC - O trabalho✤ Muita Leitura, mas MUITA LEITURA
✤ Livros, artigos, referencias, tudo que for possível.
✤ Ter uma idéia, um objetivo e querer deixar a marca no mundo, uma contribuição realmente importante
✤ Pensar bem nas areas em que queres estudar e fazer o trabalho
✤ Essas idéias devem ja ter alguma forma antes de começar o TCC.
✤ Sempre trabalhar com ideia nas métricas e valores, sabendo avaliar aquilo que está sendo feito como está sendo feito.
✤ Ser metódico, bem analítico.
37
de 37
TCC - Como a vida é …✤ É o trabalho que define a vida acadêmica e a profissional
✤ Colocará a prova todos os conhecimentos
✤ Necessita de um pouco de skill social
✤ Dormir pouco, mas muito pouco mesmo!
✤ Ser assíduo com seus prazos e saber bem o que está sendo feito.
✤ Revisar, ler, ler novamente, revisar, ler outro livro, reprogramar, simular, agregar dados, ler valores, revisar novamente.
38
Perguntas?
@iuriandreazza/iuri.andreazza
/iuriandreazza
Orientador: Prof. MSc. Mateus Raeder
Iuri Andreazza
Junho - 2012
Redes Mesh Cognitivas: Mantendo a Qualidade da Transmissão Utilizando Análise e Predição de Tráfego com Redes Neurais Artificiais
Universidade do Vale do Rio dos Sinos - UNISINOS Unidade Acadêmica de Graduação Curso de Ciência da Computação
Nível Bacharel