Proposta de TCC (Unisinos) - Redes Mesh Cognitivas: mantendo a qualidade da transmissão utilizando...

UNIVERSIDADE DO VALE DO RIO DOS SINOSUnidade Acadêmica de Graduação

PROPOSTA DE TRABALHO DE CONCLUSÃO

IDENTIFICAÇÃO

ALUNO

Iuri Andreazza

MATRÍCULA

0943892CURSO

Bacharelado em Ciência da ComputaçãoENDEREÇO

Rua Marechal Deodoro da Fonseca, 119A

BAIRRO

São Roque

CIDADE

Farroupilha

UF

RSCEP

95180-000

TELEFONE

(54)91714718

E-MAIL

[email protected] DE DESENVOLVIMENTO

NOME DO ORIENTADOR

Mateus RaederE-MAIL DO ORIENTADOR

[email protected]

TÍTULO DO TRABALHO

Redes Mesh Cognitivas: mantendo a qualidade da transmissão utilizando análise e predição de tráfego com Redes Neurais ArtificiaisPALAVRAS-CHAVE Redes mesh Redes Neurais Artificias Roteamento de Pacotes

MOTIVAÇÃO

Evolução da comunicação sem fio

Ao final do século XX e nesse início do século XXI, a evolução tecnológica tanto na informática como na comunicação popularizou a computação móvel e as redes de computadores sem fio, aumentando sua presença em ambientes acadêmicos, industriais e domésticos quase ao nível natural.

Um dos fatores que forçam os limites das redes sem fio é a presença cada vez maior de dispositivos móveis, notebooks e outros aparelhos que usufruem da infraestrutura para acesso à Internet. Com serviços e ferramentas online disponíveis para usuários tanto de desktops como de dispositivos móveis, a necessidade constante de informação e conectividade se torna imprescindível, assim como a qualidade desta informação [Zhu, Mutka , & Ni 2010].

A maioria das redes sem fio populares trabalham de modo centralizado, ou seja, existe um ponto de acesso

Av. Unisinos, 950 Caixa Postal 275 CEP 93022-000 São Leopoldo Rio Grande do Sul BrasilFone: (51) 3591-1122 http://www.unisinos.br

mailto:[email protected]


para todos os clientes. Nesses cenários, a rede fica exposta a falhas sendo que se o ponto de acesso ficar indisponível ou inalcançável todos os clientes que se comunicavam com esse ponto perdem a rede. Um padrão existente que pode propiciar um cenário em que mesmo com a perda do ponto de acesso a rede continue a existir entre seus clientes, é o padrão de malha (do inglês mesh). Esse modelo de rede possui características importantes como auto-reparação, auto-configuração e auto-layout, que estão entre as principais, as quais dão vantagem sobre os outros modelos [Akyildiz 2005].

Entretanto, a rede mesh atualmente não dá grande suporte à qualidade de serviço, ou seja, a transmissão de dados dentro da malha é lenta e tende a retransmissão de dados, sendo assim inviável a manutenção de um fluxo (stream) de dados para clientes dentro da malha.

Os clientes das redes de dados estão cada vez mais presentes no mundo digital e necessitando de conectividade constante. No advento das ferramentas online e digitais, a necessidade da qualidade da conexão urge, forçando a atual estrutura perto dos limites. Apesar das redes suportarem grande quantidade de usuários e com nível alto de qualidade [AKYILDIZ, 2005], esses modelos não previam a entrada de outros tipos de usuários (dispositivos gerais do cotidiano) como, geladeiras, celulares, tablets, impressoras, centrais de informação, carros, casas. Ou seja, a onipresença de mecanismos computacionais força a estrutura da rede, pois prevê que todo o ambiente estará conectado aos dispositivos, assim recorrendo a um constante e intenso fluxo de dados [Zhu, Mutka , & Ni 2010].

Com novos tipos de usuários aparecendo, o modelo da rede mesh se mostra atrativo para uma implantação em larga escala assim criando uma abertura para que tantos dispositivos coexistam, gerando um “ecossistema computacional” natural de dispositivos, sem que os usuários tenham que configurar manualmente cada um de seus dispositivos.

No ecossistema da rede mesh, o problema se torna evidente, ou seja, o fluxo de dados entre dispositivos distintos e com a Internet é um fator determinante na qualidade da conexão. Considerando que um dispositivo requisita um stream de informação, a rede tem que ser capaz de manter o fluxo da informação, sempre selecionando o caminho menos sobrecarregado e com menor custo [Baransel 1995]. Considerando a problemática, manter a eficiência da rede se faz necessário. Assim sendo, o desenvolvimento de tecnologias chaves deve ser prospectado e avaliado, para possibilitar que o modelo da rede mesh tenha a flexibilidade necessária para suportar aplicações em larga escala.

Rede MeshO modelo de redes em malha está cada vez mais em foco nas grandes corporações e entidades acadêmicas. Existem muitos pontos na área de pesquisa na tentativa de aprimorar o padrão, assim mostrando que o modelo possui características únicas, apontando serem viáveis os esforços dedicados a sua evolução. O foco do mercado no modelo é pela sua fácil aplicação em larga escala e por ter forma de implantação simples e rápida.

O funcionamento da rede contempla o formato de malha, ou seja, a rede é composta de computadores vistos como nós (nodes) da malha, conectados com os nodes vizinhos, formando uma topologia multidimensional chamada de mesh conforme visto na Figura 1. Os nodes da rede podem ser separados em três grandes classes: os clientes (mesh clients), os routers (mesh routers) e a infraestrutura (backbones), que são as torres de transmissão.



Figura 1. Estrutura geral de uma Rede Mesh, mostrando o funcionamento em camadas, na qual percebe-se a separação da camada dos clientes (em amarelo) da camada dos Pontos de Acesso (Access Points, ilustrados

em verde) conectados às torres de transmissão.

Os mesh routers geralmente formam uma camada única, interconectando outros routers e eventualmente conectando-se diretamente com torres de transmissão de dados, estando ligadas diretamente à rede global. Esses routers são mais flexíveis e versáteis em comparação com pontos de acesso (Access Points, ou APs) normais, pois conseguem atingir a mesma, senão mais, cobertura com muito menos energia. Isso ocorre pois a estrutura da rede é baseada em conexões ponto a ponto, permitindo que ocorram múltiplos saltos durante a comunicação [Song 2010].

Os mesh clients contêm o aparato necessário para se comportarem tanto como um client quanto um router. Entretanto, deve ser visto que as funções de ponte (bridge) e gateway não se encontram presentes [AKYILDIZ, 2005]. Apesar dessa pequena desvantagem, os clients podem manter a conectividade com seus vizinhos (ad-hoc) e por ter um hardware mais simples. A consequência é que o software para eles pode ser ligeiramente mais simples.

Com os pontos positivos da rede a conectividade entre mesh clients e routers promove a auto-organização, considerando que conforme os nodes vão se conectando, formam-se aglomerados de dispositivos gerando uma rede de forma automática, ou seja, auto-configurável e auto-organizável. Outro aspecto que se pode identificar nesse padrão de funcionamento é a capacidade de auto-correção: quando um client ou um router parar de funcionar a rede não desaparece, continua a existir achando um caminho alternativo para o roteamento de pacotes [AKYILDIZ, 2005].

Uma das grandes vantagens é a construção de uma infraestrutura de rede na qual o acesso a ela se torna facilitado, podendo clientes que possuam uma placa de rede sem fio conectem-se tanto a um client como também, caso estiver ao alcance, a um router. Também é possível ter um ambiente híbrido, no qual uma Ethernet seja ligada a um router que faça parte do ecossistema de nodes da rede.



Redes Neurais Artificiais (RNAs)

Basicamente, as RNAs são sistemas paralelos distribuídos compostos por pequenas e simples unidades de processamento (neurônios artificiais), as quais calculam determinadas funções matemáticas (normalmente não-lineares). Essas unidades são organizadas em camadas e interligadas por um grande número de conexões, na maioria das vezes unidirecionais (veja Figura 2). Entretanto, existem outros modelos que utilizam conexões de retorno (backpropagation) [Venkataram 2002].

Figura 2. Estrutura tradicional de uma RNA de Hopfield [Braga ET AL 2007] mostrando as camadas de processamento do sinal a camada de entrada, camadas escondidas e a camada de saída. A camada de entrada refere-se aos parâmetros de

entrada da RNA, as camadas escondidas fazem o processamento dos sinais e a camada de saída parametriza a saída da RNA.

Em grande parte as conexões estão associadas a pesos, nos quais são armazenados o conhecimento adquirido pela rede e servem para ponderar sobre a entrada recebida por cada neurônio. A solução de problemas por meio de RNAs é bastante atrativa, uma vez que a forma com que suas estruturas internas são representadas e o paralelismo natural inerente a sua arquitetura geram a possibilidade de um desempenho superior aos métodos tradicionais de decisão [Venkataram 2002].

Em RNAs o processamento básico de uma solução de problemas passa por uma fase inicial de aprendizagem, sendo que alguns modelos necessitam que o desenvolvedor da rede faça ajustes manuais, ou seja, apresente cenários de aprendizagem exemplos. Outros modelos, por sua vez, suportam a aprendizagem dinâmica (convergência), ou seja, automática, sem a interferência humana no seu aprendizado. Com base nesse aprendizado, a RNA é capaz de extrair as características básicas para representar a informação do conhecimento nos problemas apresentados a ela. Mais tarde, essas informações serão utilizadas para gerar respostas automáticas a conjuntos de dados com grande similaridade do mesmo problema [Braga ET AL 2007].

Redes Neurais Artificiais e Redes Mesh

O modelo da rede apresentado anteriormente pode acabar gerando estados de caos completo, impactando diretamente na qualidade da transmissão de dados. O uso de alternativas para conter a incerteza na transmissão, conseguindo manter a conectividade e a eficiência da rede, torna-se necessário. A aplicação das RNAs neste cenário mostra-se atraente, uma vez que a capacidade de aprender e generalizar a informação é, sem dúvida, uma das principais características a ser empregada no roteamento de pacotes [Li 2009], podendo assim, utilizar essa capacidade para tomar decisões de roteamento, como por exemplo, trocar rota do pacote, reconhecer que um caminho não é mais ótimo etc.

Sendo capazes de extrair informações não apresentadas de forma explícita, as RNAs podem ser capazes de mostrar dados estatísticos da rede. Essa capacidade habilita a RNA a tomar decisões mesmo em cenários estocásticos, transformando todo o processo de roteamento de pacotes em um processo cognitivo [Li 2009].

Tal cognitividade trabalha na forma de prever eventos futuros, ou seja, a sobrecarda de transmissão ou possivelmente a perda de um node mesh. Sendo assim, o protocolo de roteamento será capaz de prever esses cenários e dar a flexibilidade necessária ao modelo da rede, para que seja possível manter a



eficiência mesmo em cenários de caos. O protocolo irá usar a RNA como ferramenta de análise no padrão do fluxo de dados dentro do ecossistema de dispositivos. Essa análise será usada como base para os ajustes das métricas do roteamento na tentativa de sempre manter a eficiência da rede [Zhen 2008][Ling 2008].OBJETIVOS

Objetivo Geral

Tendo em vista a problemática da manutenção da eficiência da rede, a predição de tráfego torna-se uma alternativa atraente para conseguir criar um mecanismo que opere de forma cognitiva, ajustando o caminho do fluxo de informação conforme o estado do caminho entre nodes. Neste cenário, 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.

Objetivos Específicos Construir métricas de funcionamento da RNA para a tomada de decisão no roteamento de pacotes;

Aprimorar o conhecimento necessário em relação a redes mesh como também Redes Neurais Artificiais, com o intuito de desenvolver uma análise em relação aos mecanismos tradicionais de roteamento;

Validar o mecanismo de roteamento em cenários de redes estocásticas e extrair métricas de desempenho;

METODOLOGIA

A partir de uma investigação minuciosa sobre Redes Mesh e RNAs será criado um conjunto de métricas e mecanismos para um modelo de roteamento baseado em predição de tráfego de pacotes dentro da malha de dispositivos. Após instituição do algoritmo, será composto um conjunto de simulações de diversos cenários visando extrair dados de convergência das RNAs e métricas dos roteamentos dos pacotes para futura análise.

Com os dados das simulações será feita a análise comparativa dos mecanismos atuais de roteamento contra o modelo proposto. Essa análise será de forma quantitativa na comparação dos valores de taxa de transferência (do inglês throughput), média de pacotes transmitidos por node (eficiência do node no roteamento) e tempo de comunicação ponto a ponto e taxa de transmissão bem sucedida (quando um pacote chega consegue efetivamente chegar a um node final).

A avaliação qualitativa se dará de forma a analisar o quanto o protocolo de roteamento é capaz de se ajustar a situações de aleatoriedade, assim como também a capacidade de um cliente de manter seu fluxo de dados constante.

São definidas as seguintes atividades para a realização do trabalho: Levantamento bibliográfico; Projeto do algoritmo de roteamento; Definição da RNA; Implementação do algoritmo de roteamento; Desenvolvimento da simulação; Análise e Validação Resultados; Redação da monografia; Revisão; Entrega monografia; Apresentação monografia;



CRONOGRAMA

BIBLIOGRAFIA

[Akyildiz 2005] Akyildiz, I.F.; Xudong Wang; , "A survey on wireless mesh networks," Communications Magazine, IEEE , vol.43, no.9, pp. S23- S30, Set. 2005.

[Baransel 1995] Baransel, C.; Dobosiewicz, W.; Gburzynski, P.; , "Routing in multihop packet switching networks: Gb/s challenge," Network, IEEE , vol.9, no.3, pp.38-61, Mai/Jun 1995.

[Li 2009] LI, Zhiyuan; RUCHUAN, Wang. A Multipath Routing Algorithm Based on Traffic Prediction in Wireless Mesh Networks. Communications and Network, 1, 82-90. 2009.

[Venkataram 2002] Pallapa Venkataram, Sudip Ghosal, and B. P. Vijay Kumar. 2002. Neural network based optimal routing algorithm for communication networks. Neural Netw. 15, 10 (Dezembro 2002), 1289-1298.

[Zhu, Mutka , & Ni 2004] Feng Zhu; Mutka, M.; Ni, L.; , "PrudentExposure: a private and user-centric service discovery protocol," Pervasive Computing and Communications, 2004. PerCom 2004. Proceedings of the Second IEEE Annual Conference on , vol., no., pp. 329- 338, 14-17 Março 2004.

[Zhen 2008] Zhen Xu; Chuanhe Huang; Yong Cheng; , "Interference-Aware QoS Routing in Wireless Mesh Networks," Mobile Ad-hoc and Sensor Networks, 2008. MSN 2008. The 4th International Conference on , vol., no., pp.95-98, 10-12 Dez. 2008.

[Song 2010] Yang Song; Chi Zhang; Yuguang Fang; , "Stochastic Traffic Engineering in Multihop Cognitive Wireless Mesh Networks," Mobile Computing, IEEE Transactions on , vol.9, no.3, pp.305-316, Março 2010.

[Ling 2008] LING, Bo; GAO, Jianling; XIE, Xiayao. Optimized Routing Design for Wireless Mesh Based on Neural Network. Funding Project of Guizhou Province, 2008.



[Braga ET AL 2007] BRAGA, Antônio de Pádua; CARVALHO, André; LUDERMIR, Teresa. Redes Neurais Artificias – Teorias e Aplicações. Vol., no., pp0-0, 2007.

AVALIADORES

1. Rafael Ávila2. Viviane Todt3. Ernesto Lidnstaedt4. Monica PyDATA

ALUNO ORIENTADOR


Este documento deve ser entregue na Secretaria do Curso pelo aluno, até a 3ª. semana de aula do primeiro semestre letivo do TCC.

Proposta de TCC (Unisinos) - Redes Mesh Cognitivas: mantendo a qualidade da transmissão utilizando...

Documents

Transcript of Proposta de TCC (Unisinos) - Redes Mesh Cognitivas: mantendo a qualidade da transmissão utilizando...