Conteúdo Poluído
5.4 Análise dos Resultados
Os modelos criados anteriormente foram formalizados e analisados em uma ferramenta específica denominada PRISM [68]. O PRISM é uma ferramenta de checagem de modelos probabilísticos, onde é possível modelar e analisar sistemas que exibem comportamento aleatório ou probabilístico [36,45,68]. Essa ferramenta suporta 3 tipos de modelos Markovianos, sendo eles: cadeias discretas, contínuas, e processos de decisão. Além desses 3 modelos básicos, também são suportadas extensões deles, com adição de custos e recompensas. Um dos fatores que determinaram o uso da ferramenta foi a sua ampla utilização para analisar sistemas de comunicação, protocolos multimídia e protocolos de segurança.
Os parâmetros dos modelos, como número de parceiros, distância média entre os participantes, foram obtidos a partir da caracterização realizada no capítulo 4. Por exemplo, o número de parceiros utilizado nos resultados abaixo foi obtido a partir da caracterização dos usuários do SopCast. A distância média entre os participantes também foi obtida a partir dos experimentos realizados a caracterização do SopCast.
Por simplificação, serão adotados os valores médios para a resolução dos modelos propostos. Apesar disso, a ferramenta utilizada (o PRISM) aceita distribuições de probabilidades dos parâmetros adotados. A tabela 5.2resume os parâmetros utilizados para determinar os valores de sobrecarga de poluição a partir dos modelos apresentados.
Tabela 5.2: Parâmetros para avaliação dos modelos propostos.
Parâmetro Descrição Valor
m número de participantes do sistema 1000
ni número médio de parceiros 100
bi número médio de parceiros poluidores 1; 10 y Proporção de parceiros que podem servir 0.5 ; 1 h Distância média entre os participantes 1.677
No caso de um participante ter 100 parceiros em média e 1 poluidor entre eles (1% de poluidores na rede), o modelo proposto para um cenário otimista apresenta uma sobrecarga de aproximadamente 2%. A proporção entre poluidores e não poluidores é bastante baixa (1 : 100), mesmo que somente 50% dos parceiros possam servir os dados, em um determinado momento essa proporção continua baixa (1 : 50). Essa proporção torna pouco provável a escolha de um poluidor como candidato a servir o dado requisitado, levando a uma baixa sobrecarga.
aproximadamente 169%. Em outras palavras, espera-se que os participantes do sistema sejam obrigados a pedir retransmissão de 1.69 chunk para cada um requisitado. Assim, os participantes do sistema podem precisar de praticamente o triplo de banda necessária para a recepção de 1 mídia. Mesmo que o número de parceiros com capacidade de compartilhar a mídia aumente, o cenário pessimista continua apresentando um mau desempenho com relação a sobrecarga. Se todos os participantes puderem colaborar com o seu parceiro (y = 1), a sobrecarga terá um valor de aproximadamente 167%. Ou seja, continua sendo um valor alto.
Quando o número de poluidores aumenta, os resultados encontrados mostram um cenário ainda pior. Mesmo no modelo com cenário otimista, a sobrecarga é aproximadamente 32,2%, quando se tem 10 parceiros poluidores. Para o modelo em cenário pessimista, esse número sobe para aproximadamente de 180%. Novamente, mesmo que o número de parceiros úteis seja de 100%, a sobrecarga continua alta, superando 177%.
A tabela5.3exibe os resultados encontrados para os modelos em cenário otimista e pessimista. Na tabela abaixo, além dos resultados com a carga média da rede necessária para a recepção do conteúdo ao vivo, são exibidos o número de estados e de transições do modelo em questão.
Tabela 5.3: Resultado da avaliação dos mdelos - 100 parceiros em média.
Cenário # de Poluidores Estados Transições Carga Média da Rede
Otimista 1 5 6 1.0204081632653061 Pessimista (y = 0.5) 1 5 6 2.677 | 2,69040816 Pessimista (y = 1) 1 5 6 2.677 | 2,677 Otimista 10 23 33 1.3225806074103288 Pessimista (y = 0.5) 10 23 33 2,992580607 Pessimista (y = 1) 10 23 33 2.776890102
Quando o número de parceiros de um participante diminui, os resultados para os cenários otimista ou pessimista também se alteram. A tabela5.4 resume os resultados encontrados para os modelos propostos com um número menor de parceiros; mantida a proporção de poluidores da rede.
O modelo em cenário otimista apresenta uma sobrecarga maior que a situação anterior com 100 parceiros. Porém, a sobrecarga ainda pode ser considerada pouco impactante, com cerca de 4% de banda de rede adicional necessária para a transmissão ao vivo. Para um cenário pessimista, caso 50% dos parceiros possam colaborar com um
participante, o resultado encontrado mostra uma situação de alta sobrecarga. Mesmo com 1 único poluidor, um participante está sujeito a cerca de 171% de sobrecarga. Mesmo que a quantidade de parceiros úteis seja de 100%, no cenário pessimista um participante estará sujeito a mais de 168% de sobrecarga.
Quando o número de poluidores aumenta, o cenário otimista terá a sua proporção de poluidores/participantes bastante alterada em relação às situações anteriores. Por esse motivo, a sobrecarga no cenário otimista se eleva, chegando a cerca de 166%. No cenário pessimista, sob as mesmas condições, essa sobrecarga ultrapassa 333%. Porém, se a proporção de parceiros úteis for alterada no cenário pessimista, o resultado encontrado para ele não se distancia tanto do resultado encontrado no cenário otimista. Nesse caso, o valor encontrado para o cenário pessimista é cerca de 191%.
Esse resultado mostra que, além da influência notória do algoritmo de seleção de chunks, uma melhor relação de parcerias pode influenciar na sobrecarga imposta durante um ataque. Parceiros que são altruístas podem alterar a relação entre atacantes e participantes úteis do sistema, e assim, diminuir a influência dos poluidores.
Tabela 5.4: Avaliação do modelo - 50 parceiros em média.
Cenário # de Poluidores Estados Transições Carga Média da Rede
Otimista 1 5 6 1.0416666666666667 Pessimista (y = 0.5) 1 5 6 2,711666667 Pessimista (y = 1) 1 5 6 2.687 Otimista 10 23 33 2.6666666666666665 Pessimista (y = 0.5) 10 23 33 4,336666667 Pessimista (y = 1) 10 23 33 2.910902351
5.5 Resumo do Capítulo
Neste capítulo foi descrito um modelo estocástico simples, que pode ser utilizado para comparar o impacto de ataques de poluição em diferentes estratégias de busca de dados em redes P2P de mídia ao vivo. Essa comparação foi baseada, principalmente, em uma métrica: sobrecarga de rede (quanto a mais de dados é necessário para a visualização da mídia devido aos dados poluídos).
Foram analisadas as duas estratégias mais comuns de seleção de dados para busca na rede P2P. Uma das estratégias tenta distribuir mais rapidamente os chunks recém criados, e a outra, tenta evitar perdas na exibição do conteúdo. Essas estratégias
influenciam no resultado de um ataque de poluição e, dependendo da estratégia escolhida, a sobrecarga imposta à rede pode ser maior ou menor.
No caso de um cenário otimista, todos os parceiros podem atender aos pedidos realizados por um determinado participante. Esse cenário é apropriado ao uso da estratégia de seleção de chunks gulosa, onde se escolhe o chunk mais próximo de seu deadline, por consequência, mais antigo na rede (e mais difundido). Porém, essa estratégia de seleção só é viável em situações em que a latência da rede não é importante. Para os cenários mais comuns, onde a relação entre poluidores e parceiros é baixa, a sobrecarga para esse cenário ficou abaixo de 5%. Porém, quando essa relação se altera, essa sobrecarga pode chegar a mais de 170%.
No cenário pessimista (estratégia de seleção de chunks raros) a sobrecarga imposta por ataques é alta. Na maior parte dos casos, os participantes devem ter pelo menos 3 vezes a quantidade de banda de rede necessária para a transmissão.
Finalmente, além da influência dos algoritmos de seleção de chunks, uma melhor relação de parcerias pode influenciar na sobrecarga imposta durante um ataque. Quanto melhor a relação entre parceiros úteis/poluidores, menores são os danos causados por um ataque. Esse resultado evidencia a importância de algoritmos de seleção de parceiros e de isolamento de participantes poluidores.