• Nenhum resultado encontrado

4.1 Simulação

4.1.2 Escalabilidade

As figuras 12 e 13 mostram a influência da variação dos nós, ou de agentes, que estão no cenário de desastre, dessa forma podemos verificar qual algoritmo possui o melhor desempenho se tratando de escalabilidade, de forma que poderão ser usadas estas informações para desastres de pequeno, médio ou grande porte.

Para a geração do gráfico foi considerado que os dispositivos móveis tenham um raio de transmissão fixo de 10 metros, atendendo a uma grande parte desses dispositivos.

Figura 12 - Overhead – Influência do número de nós na rede

Pela figura 12 pode-se observar que o algoritmo colônia de formigas tem uma grande vantagem em relação aos demais algoritmos, esse algoritmo possui um overhead em média de 10 vezes menor que o epidêmico e 6 vezes menor que o PRoPHET. Dessa forma vê-se que o algoritmo colônia de formigas aplicado

0 50 100 150 200 250 300 350 30 45 60 75 90 Ov e rh e ad = ( M sg t ran sm itidas - M sg e n tr e gu e s)/ M sg e n tr e gu e s) Número de nós

Influência do número de nós - Overhead

Epidêmico PRoPHET

aos dispositivos móveis trará uma economia significativa de recursos de bateria para estes dispositivos.

Figura 13 - Taxa de entrega – Influência do número de nós na rede

A figura 13 mostra que com o raio de transmissão fixo em 10 metros e variando apenas o número de agentes (nós), observa-se que a taxa de entrega varia sempre proporcionalmente com os três algoritmos, porém com uma melhor taxa no algoritmo PRoPHET.

Essa ligeira vantagem do PRoPHET em relação ao colônia de formigas é dado em 13%, e 44% melhor que o epidêmico, dessa forma, para regiões onde ocorreu algum desastres, e os órgãos responsáveis pela busca não possuam dispositivos mais robustos, com alcance maior, o algoritmo PRoPHET é uma opção consideravelmente aceitável, pois pela análise ele entrega mais mensagens que os demais algoritmos, porém consome mais recursos de bateria para efetuar as transmissões.

A seguir, nas figuras 14 e 15, temos a mesma variação de nós, porém com um raio de transmissão fixo igual a 30 metros, considerando dispositivos

0 5 10 15 20 25 30 45 60 75 90 Pr o b ab ili d ad e d e e n tr e ga ( % ) Número de nós

Influência do número de nós - Taxa de entrega

Epidêmico PRoPHET

mais robustos utilizados em veículos e até mesmo por agentes que se movimentam a pé.

Figura 14 - Overhead – Influência do número de nós

Como visto nos demais gráficos o overhead do algoritmo colônia de formigas se mantém constante e muito melhor em relação aos outros dois. Nessa situação o overhead do algoritmo PRoPHET se manteve 10 vezes maior que o colônia de formigas e o algoritmo epidêmico sofreu um acréscimo, aumentando para 8 vezes em relação ao algoritmo colônia de formigas, verificando assim, menos retransmissões de mensagens, e uma economia maior de recursos energéticos dos dispositivos móveis.

0 50 100 150 200 250 300 350 400 450 30 45 60 75 90 Ov e rh e ad = ( M sg t ran sm itidas - M sg e n tr e gu e s)/ M sg tr an sm itidas) Número de nós

Influência do número de nós - Overhead

Epidêmico PRoPHET

Figura 15 - Taxa de entrega – Influência do número de nós

Finalizando a seção de escalabilidade, vê-se que a taxa de entrega para o algoritmo PRoPHET possui uma ligeira vantagem em relação ao colônia de formigas até um cenário de 50 nós, para cenários acima deste vê-se que eles possuem uma pequena diferença, em média essa diferença, considerando todas as variações de cenários, o PRoPHET tem uma taxa de entrega 7% maior que o colônia de formigas e 48% maior que o epidêmico.

A diferença no overhead do algoritmo colônia de formigas observada nas figuras 10, 12 e 14, considerando a escalabilidade e o raio de transmissão, podem ser explicados pelo fato de que o algoritmo epidêmico não faz a troca de informações da rede com os nós vizinhos, ele apenas repassa as mensagens. E, muitas das vezes, essas mensagens são repassadas várias vezes e nem sempre chegarão ao seu destino, isso é dado pela movimentação dos nós, que tendem a se mover por caminhos conhecidos e dessa forma encontrar sempre com os mesmos nós vizinhos.

Nos algoritmos baseados em colônia de formigas e PRoPHET, a diferença no overhead (Figura 10,12 e 14) se dá pela forma em que eles trocam

0 5 10 15 20 25 30 30 45 60 75 90 Pr o b ab ili d ad e d e e n tr e ga ( % ) Número de nós

Influência do número de nós - Taxa de entrega

Epidêmico PRoPHET

as suas informações, de forma que o PRoPHET tem um custo alto para a troca de mensagens, pois efetua cálculos de probabilidade de entrega do nó vizinho e também cálculo de transitividade, já o algoritmo colônia de formigas efetua o cálculo do decaimento do feromônio e dessa forma ele passa sua mensagem de forma que obtenha o menor caminho.

Os cálculos efetuados pelo algoritmo PRoPHET, trazem um custo alto em relação a troca de mensagens, porém ele obtém como mostrado nas figuras 11,13 e 15, uma taxa de entrega ligeiramente maior que o algoritmo colônia de formigas, considerando um raio de transmissão até 25 metros em média, já o epidêmico não obteve um resultado tão satisfatório comparado aos outros dois. Esta boa atuação nos resultados do algoritmo PRoPHET em relação ao colônia de formigas e epidêmico se deve aos cálculos de probabilidade e transitividade que ele efetua ao encontrar um nó vizinho e repassar sua mensagem.

4.1.3 Latência

O cálculo da latência é um fator importante, no que se trata em saber qual o tempo médio em que uma mensagem criada chegará ao seu destino, o simulador The ONE, oferece a possibilidade de se calcular a latência média, considerando que a simulação utiliza um valor de 20000 unidades de tempo de simulação (U.T.S) para indicar um tempo real de 6 horas, temos nas figuras 16 e 17 a latência média.

Figura 16 - Latência – Influência do raio de transmissão

A figura 16 apresenta uma latência semelhante entre os algoritmos epidêmico e colônia de formigas, a maior diferença está no raio de 5 metros, a partir disso eles possuem uma ligeira diferença nos tempos, essa diferença é dada por 12% em vantagem ao colônia de formigas e em comparação com o PRoPHET o algoritmo colônia de formigas é 21% mais rápido na entrega de mensagens. 1000 1500 2000 2500 3000 3500 4000 4500 5000 5 10 15 20 25 30 35 40 45 50 Latê n ci a (U. T.S )

Raio de transmissão (metros)

Influência do raio de transmissão - Latência

Epidêmico PRoPHET

Figura 17 - Latência – Influência do número de nós

Pela análise da figura 17, novamente o algoritmo colônia de formigas se manteve mais estável, com pequenas variações a medida que varia-se os nós, essa diferença entre o algoritmo epidêmico é em média de 7% e 25% em relação ao PRoPHET, dessa forma pode-se observar que em situações de variação de raio de transmissão e número de nós o algoritmo colônia de formigas é mais rápido na entrega das mensagens.

4.1.4 Influência do Buffer

A capacidade de armazenamento dos dispositivos móveis é um fator que deve ser verificado, pois interfere nos envios das mensagens e na avaliação dos algoritmos utilizados.

Dessa forma a capacidade de buffer dos dispositivos móveis utilizados na simulação foi variado em 25,50,75,100 Mbytes, essa variação se aplica tanto para os agentes quanto para as viaturas, e o raio de transmissão ficou fixo em 50

1000 1200 1400 1600 1800 2000 2200 30 45 60 75 90 Latê n ci a (U. T.S ) Número de nós

Influência do número de nós- Latência

Epidêmico PRoPHET

metros, utilizando dispositivos mais robustos, os outros parâmetros de simulação foram os mesmos mostrados na tabela 3.

Novamente, os cálculos de overhead e de probabilidade de entrega foram avaliados, sendo que estes dão uma base sobre o comportamento dos dispositivos móveis e do cenário de simulação, provendo o entendimento sobre o custo de recursos energéticos e o número de mensagens entregues.

Figura 18 – Influência do buffer – Overhead

A figura 18, mais uma vez nos mostra a eficácia do algoritmo colônia de formigas em relação ao epidêmico e PRoPHET, pela análise do overhead, assim o algoritmo epidêmico em média retransmite 14 vezes mais mensagens que o colônia de formigas e o PRoPHET, retransmite 11 vezes mais mensagens, verificando dessa forma uma economia maior por parte do algoritmo colônia de formigas. 0 200 400 600 800 1000 1200 25 50 75 100 Ov e rh e ad Buffer (Mbytes)

Influência do Buffer- Overhead

Epidêmico PRoPHET Pheromone

Esse fato, como ocorrido também nos gráficos acima, pode ser explicado pelo fato do algoritmo colônia de formigas efetuar menos saltos que os demias para entregar a mensagem, e o seu cálculo de probabilidade ser menor, gastando menos tempo para a transmissão, troca de informações entre os nós vizinhos, de modo que ele efetua em sua primeira movimentação uma análise dos possíveis nós que poderão chegar ao destino e retém essa informação.

Dessa maneira o algoritmo colônia de formigas ao passar do tempo, também adquire informações e efetua o cálculo do feromônio, assim ele fica mais tempo com a mensagem em seu buffer, porém transmite a mensagem para um nó em que a probabilidade de entrega é muito alta e assim diminui as retransmissões.

Figura 19 – Influência do buffer – Taxa de Entrega

Pela análise da figura 19, pode-se observar que a probabilidade de entrega do algoritmo colônia de formigas é superior ao epidêmico e PRoPHET,

20 25 30 35 40 45 50 55 60 65 70 25 50 75 100 Pr o b ab ili d ad e d e e n tr e ga ( % ) Buffer (Mbytes)

Influência do Buffer- Taxa de entrega

Epidêmico PRoPHET Pheromone

de forma que a probabilidade de entrega varia entre 35 e 67% para o algoritmo colônia de formigas, 17 e 57% para o epidêmico e para o PRoPHET, varia entre 31 e 66%, dessa forma obtendo a média das probabilidades, pode-se verificar que o algoritmo colônia de formigas entrega 32% a mais de mensagens que o epidêmico e 9% a mais que o PRoPHET.

Sob a observação das probabilidades de entrega e do overhead, pode-se concluir que a capacidade de buffer dos dispositivos usados no resgate é um fator que deve ser levado em consideração, já que com um buffer de 5Mbytes e um raio de transmissão de 50 metros, utilizados na figura 11, a taxa de entrega do algoritmo colônia de formigas teve um salto de 40%, avaliando os mesmos 50 metros de alcance e na figura 19 os 100Mbytes de capacidade de buffer.

5 CONCLUSÃO

O presente trabalho de conclusão de curso propôs analisar algoritmos de roteamento para redes tolerante à atrasos (DTN), e que se apliquem as redes móveis ad hoc (MANET) utilizados em cenários emergenciais.

Os algoritmos analisados nesse trabalho foram, o algoritmo epidêmico, o algortimo PRoPHET e o algoritmo bio-inspirado em colônia de formigas. O primeiro é um algoritmo de replicação de mensagens e os demais utilizam cálculos de probabilidade para a transmissão de mensagens para seus vizinhos.

Para a avaliação, foram feitas várias simulações que ao fim de cada retornavam relatórios sobre a situação dos algoritmos no cenário proposto, assim com os dados de mensagens criadas, mensagens entregues, mensagens repassadas, tempo de transmissão entre origem e destino, pode-se avaliar os algoritmos pela taxa de entrega, overhead, e latência.

Nas avaliações com variação do raio de transmissão, o algoritmo bio- inspirado obteve, em média, um melhor resultado na avaliação do overhead, e da taxa de transmissão. Com a variação do número de nós na rede, o algoritmo colônia de formigas se mostrou melhor na avaliação do overhead, porém obteve uma ligeira desvantagem em relação ao algoritmo PRoPHET na avaliação da taxa de entrega, o algoritmo PRoPHET obteve uma taxa de entrega 7% maior que o colônia de formigas .

Na avaliação da latência, o algoritmo colônia de formigas obteve melhores resultados que os demais, tanto na variação do raio de transmissão quanto na variação do número de nós, e por fim na avaliação em que o buffer é variado, novamente o algoritmo colônia de formigas obteve melhores resultados, obtendo uma taxa de entrega em média 32% maior que o epidêmico e 9% maior que o PRoPHET, e os algoritmos epidêmico e PRoPHET, obtiveram respectivamente um overhead de 14 e 11 vezes maior que o colônia de formigas.

Dessa forma, com as inúmeras variações do raio de transmissão, do número de nós da rede e da capacidade de buffer de cada dispositivo móvel, pode-se concluir que o algoritmo bio-inspirado em colônia de formigas obteve melhores resultados em todas avaliações do overhead e variações do buffer. Assim pode ser aplicado em situações de emergência, e que de preferência possuam dispositivos robustos com grande capacidade de buffer e longos alcances de transmissão.

5.1 Trabalhos Futuros

Com as avaliações feitas dos algoritmos nesse trabalho, surge a oportunidade de fazer avaliações com outros algoritmos para redes DTN, utilizar cenários diferentes, variações de métricas diferentes, bem como modelos de movimento diferentes, a fim de obter uma visão mais ampla do universo das redes emergenciais.

6 REFERENCIAS BIBLIOGRÁFICAS

Atanasio, A. & Li, L. T. Algoritmos epidêmicos em computaç ão distribuída. Trabalho da Unicamp, 2007.

Becker, C. & Schiele G. New Mechanisms for Routing in Ad Hoc Networks. 4th Plenary Cabernet Wksp. 2001.

Boice, J., Garcia-luna-aceves, J., Obraczka, K., On-Demand Routing in Disrupted Environments. Proceedings of IFIP Networking 2007, 155–166, 2007.

Boukerche, A. Algorithms and protocols for wireless and mobile ad hoc networks. 1a Edição, Wiley, 2009.

Burguess, J., Gallagher, B., Jensen, D., Levine, B., MaxProp: Routing for Vehicle-Based Disruption-Tolerant Networks. Proceedings of IEEE Infocom, 2006.

Burns, B., Brock, O., & Levine, B., My routing and capacity building in disruption tolerant networks. Proceedings of IEEE Infocom, 2005.

Buttyán, L., Dóra, L., Félegyházi, M., Vajda, I., Barter trade improves message delivery in opportunistic networks, Ad Hoc Networks, 2009.

Careem, M.; De Silva, C.; De Silva, R.; Raschid, L. & Weerawarana, S. Demonstration of sahana: free and open source disaster management. In dg.o '07: Proceedings of the 8th annual international conference on Digital government research, 266-267. Digital Government Society of North America, 2007.

Di Caro, G.; Ducatelle, F. & Gambardella, L.M. AntHocNet: an ant-based hybrid routing algorithm for mobile ad hoc networks. In Proceedings of Parallel Problem Solving from Nature (PPSN VIII), 3242 :461-470, 2004.

Dorigo, M.; Di Caro, G. & Gambardella, L. M. Ant algorithms for distributed discrete optimization.Artificial Life, 5(2):137-172, 1999.

DTNRG, The Delay-Tolerant Networking Research Group, http://www. dtnrg.org, 2002, Consultado em 09/06/2010.

Gupta, I.; Birman, K.; & Renesse, R. Fighting fire with fire: using randomized gossip to combat stochastic scalability limits. Quality and Realibility Engineering International, 18:165–184, 2002.

Hinton, D.; Klein, T. E. & Haner, M. An Architectural Proposal for Future Wireless Emergency Response Networks with Broadband Services. Bell Labs Technical Journal 10(2): 121–138, 2005.

IRTF, Internet Research Task Force, http://www.irtf.org, Consultado em 09/06/2010.

Iyengar, S. M.; Pattnaik, S. N.

Solving the MANET Routing Problem using Ant Colony Algorithm. Tese de Doutorado,

National Institute of

Technology Rourkela, 2010.

Jain, S., Fall, K., & Patra, R. Routing in a delay tolerant network. Proceedings of ACM SIGCOMM’04, 2004.

Jung, C. F. Metodologia para pesquisa & desenvolvimento: aplicada a novas tecnologias, produtos e processos. Rio de Janeiro/RJ: Axcel Books do Brasil Editora, 2004.

Jasper, A. P. Entendendo rede wirelles. Disponível em www.vivaolinux.com.br/artigo/Entendendo-rede-wireless. Consultado em 21/06/2010.

Keranen, A. & Ott, J. Increasing reality for DTN protocol simulations. Networking Laboratory, Helsinki University of Technology, Tech. Rep, 2007.

Keranen, A.; Ott, J.; Kärkkäinen, T. The ONE Simulator for DTN Protocol Evaluation. Networking Laboratory, Helsinki University of Technology, Tech. Rep, 2009.

Kanchanasut, K.; Wongsaardsakul, T.; Chansutthirangkool M.; Laouiti, A.; Tazaki, H. & Arefin, K. R. DUMBO II: A V-2-I Emergency Network. ACM AINTEC’08, 37-38, 2008.

Lindemann, C. & Waldhorst, O. P., Modeling Epidemic Information Dissemination on Mobile Devices with Finite Buffers*.ACM SIGMETRICS’05, 121-132, 2005.

Lindgren, A., Doria, A., Scheln, O., Probabilistic Routing in Intermittently Connected Networks. Proceedings of the Fourth ACM International Symposium on Mobile Ad Hoc Networking and Computing (MobiHoc 2003), 2003.

Manoj, B. S. & Baker, A. H. Communication challenges in emergency response. Communications of the ACM, 50(3):51-53, 2007.

Musolesi, M. Adaptive Routing for Intermittently Connected Mobile Ad Hoc Networks. IEEE WoWMoM. 2005.

Nain D. Integrated Routing and Storage for Messaging Applications in Mobile Ad Hoc Networks. Proc. WiOpt. 2003.

Oliveira, C. T. Uma Proposta de Roteamento Probabilístico para Redes Tolerantes a Atrasos e Desconexões. Dissertação de Mestrado,Universidade Federal do Rio de Janeiro, 2008.

OpenJUMP - The free, Java based and open source Geographic Information System for the World, http://openjump.org, consultado em 25/10/2010.

Panagakis, A., Vaios, A., Stavrakakis, I., On the Effects of Cooperation in DTNs. Communication Systems Software and Middleware,2007. COMSWARE 2007. 2nd International Conference on, 1–6, 2007.

Poersch, A. M. Localização de recursos em redes de emergência tolerantes a atrasos e desconexões. Dissertação de Mestrado, Universidade Federal de Minas Gerais, 2010.

Rosa, R. L. Análise da associação dos protocolos de roteamento AODV e DSR com o algoritmo Gossip, Sistema de Quorum e com um novo algoritmo de economia de energia, PWSave. Dissertação de Mestrado, Universidade de São Paulo, 2009.

Schmitt, T.; Council, N. R.; Rao, R. R. & Eisenberg, J. Improving Disaster Management: The Role of IT in Mitigation, Preparedness, Response, and Recovery . National Academy Press, Washington, DC, USA. 2007.

Shen, C. Interrogation-Based Relay Routing for Ad Hoc Satellite Networks. IEEE Globecom.’02. 2002.

Small, T. & Haas, Z. J. The Shared Wireless Infostation Model — A New Ad Hoc Networking Paradigm (or Where there is a Whale, there is a Way).

Mobihoc 2003, June 1–3, 2003.

Spyropoulos, T., Psounis, K., and Raghavendra, C. Spray and focus: Efficient mobility-assisted routing for heterogeneous and correlated mobility. IEEE PerCom, on the International Workshop on Intermittently Connected Mobile Ad hoc Networks (ICMAN), 2007.

Spyropoulos, T., Psounis, K., and Raghavendra, C. Efficient routing in intermittently connected mobile networks: the multiple-copy case. To appear in ACM/IEEE Transactions on Networking, 2008.

Tan, K., Zhang, Q. & Zhu, W. Shortest Path Routing in Partially Connected Ad Hoc Networks. IEEE Globecom, 2003.

Tennent, P., Hall, M., Brown, B., Chalmers, M., Sherwood S. Three Applications for Mobile Epidemic Algorithms. ACM MobileHCI’05,223-226, 2005.

Vahdat, A. & Becker, D. Epidemic routing for partially connected ad hoc networks. Technical report, Duke University, 2000.

Wang, Y. Erasure-Coding Based Routing for Opportunistic Networks. SIGCOMM DTN Workshop, 2005.

Weiwei, Wu & Xuanxi, Ning. Evaluation of the Reliability of Emergency Networks under Time Constraints. International Conference on Automation Science and Engineering, 259-263, 2006.

Zhang, Z., Routing in Intermittently Connected Mobile Ad Hoc Networks and Delay Tolerant Networks: Overview and Challenges, IEEE Communication Surveys and Tutorials, 2006.

Documentos relacionados