Estudo de Caso da Modelagem Proposta

A modelagem que descrevemos no Capítulo 3 consiste, resumidamente, em 4 fases:

5.1 Modelagem e Simulação 57

1. Geração da topologia inicial – a topologia inicial da WMN é gerada no tempo t1;

2. Atualização da topologia da camada de infraestrutura – a partir da topologia inicial gerada, os nós da camada de infraestrutura podem sofrer mudanças em sua posição e em seu estado (passar do estado vivo para não vivo e vice-versa) ao longo do tempo. Contudo, em nossa modelagem essas mudanças são raras;

3. Atualização da posição dos nós clientes na camada de serviço – conforme descrito no Capítulo 3, os nós clientes são móveis. Assim, a partir da topologia gerada, os nós clientes podem mudar a sua posição e seu estado ao longo do tempo na camada de serviço;

4. Atualização dos tráfegos da rede – um tráfego de pacotes entre um par de nós é atualizado quando há mudança na característica do tráfego entre o par de nós. Por exemplo, no protocolo UDP, mudança na taxa de envio de pacotes por segundo. Outra razão para a atualização é quando um dos nós que pertence ao caminho do tráfego sofre uma alteração em sua posição ou em seu estado. Uma terceira possibilidade, sendo a mais explorada nos estudo de caso a seguir, é a criação de um tráfego de pacotes entre pares de nós.

Nesta seção, vamos criar e atualizar uma WMN, denotada por W MNcap5, através da execução das quatro fases descritas. Iniciamos a fase 1 com a definição dos parâmetros de criação da topologia inicial da W MNcap5, que se encontram na Tabela 5.4. O limiar γ = 0, 93 foi escolhido com a finalidade de se criar uma WMN cuja topologia tenha componente conexo igual a um e, ao mesmo tempo, a topologia não ser um grafo completo.

Tabela 5.4: Valores utilizados para geração da W MN_cap5.

Parâmetro Valor

Área 1.000m × 1.000m

Nós roteadores 4

Nós APs 10

Nós clientes 10

Modelo de distribuição Gaussiana σ – desvio padrão da distribuição Gaussiana 100 α – regula a razão das arestas longas e curtas 1 no gerador Waxman

β – controla o grau médio da rede no gerador 1 Waxman

γ – limiar que define a existência das arestas 0,93

A partir dos parâmetros que se encontram na Tabela5.4, geramos as coordenadas de cada um dos 14 nós da camada de infraestrutura e, a partir do gerador de Waxman, definimos a probabilidade de conexão entre cada um dos pares de nós. Para cada par de

5.1 Modelagem e Simulação 58

nós que tem uma probabilidade de aresta maior ou igual ao limiar γ = 0, 93, é criada uma aresta entre eles. Na Figura5.3encontra-se a topologia da camada de infraestrutura, onde os nós em preto são roteadores e os nós em branco são APs. Observa-se que o roteador H está conectado diretamente à Internet e que os nós C e N são nós de articulação. A remoção desses nós de articulação da topologia resulta na geração de dois componentes conexos, onde cada um contém a metade do total de nós da WMN. As coordenadas de cada nó da camada de infraestrutura encontra-se na Tabela5.5. Mostramos a seguir um método que transforma a coordenada de um nó AP da camada de infraestrutura em um hexágono na camada de serviço.

Figura 5.3: Topologia da camada de infraestrutura gerada pela

modelagem de WMN.

Tabela 5.5: Coordenadas dos nós da camada de infraestrutura.

Nó Coordenadas A (501, 388) B (391, 465) C (487, 422) D (523, 614) E (432, 522) F (530, 606) G (605, 310) H (407, 415) I (581, 520) J (631, 428) H (563, 307) L (663, 439) M (582, 533) N (570, 473)

Como última etapa da fase 1, iremos gerar a seguir a topologia da camada de serviço. Uma etapa anterior à geração da topologia da camada de serviço é a definição da estrutura dos hexágonos que compõem essa camada. Definimos que a camada de

5.1 Modelagem e Simulação 59

serviço da W MNcap5é composta por hexágonos com 50 metros de lado, resultando em 13 hexágonos na horizontal e 23 hexágonos na vertical, ou seja, 13 × 23 = 299 hexágonos no total. A escolha de hexágonos com dimensões muito grandes pode não corresponder a valores reais de área de cobertura para APs. Por isso, foram escolhidos hexágonos de lado 50. Cada hexágono é identificado pelo par ordenador (x, y), onde 1 ≤ x ≤ 13 e 1 ≤ y ≤ 23, que corresponde às coordenadas do centro do hexágono na camada de serviços. Conforme se observa na Figura 5.4, os valores de x e y são ambos pares ou ambos ímpares. O correspondente valor de (x, y) na camada de infraestrutura (Vx,Vy) é calculado como:

Vx= ( ` +x−2<sub>2</sub> · 3` +3`<sub>2</sub>, se x é par, ` +(x−1)∗3`<sub>2</sub> , caso contrário. Vy= ` √ 3 + (y − 1) · (`√3),

onde ` é o tamanho do lado dos hexágonos na camada de serviço. Como mencionamos anteriormente, foi escolhido ` = 50 para a W MNcap5.

Uma vez definidos os hexágonos da camada de serviço, vamos posicionar a seguir os nós APs nos hexágonos da camada de serviço e definir em quais hexágonos estão localizados os nós clientes. Uma vez descobertos os hexágonos em que estão contidos os nós APs, deve-se garantir que não haja dois nós APs em um mesmo hexágono, como descrito no Capítulo3. A localização do hexágono na camada de serviço ao qual pertence o nó AP é descoberta através de uma técnica que acreditamos não ser nova, mas foi adotada por nós para a resolução de nosso problema nesta dissertação. A técnica descobre inicialmente em qual retângulo está contido o nó AP, onde entre quatro vértices desse retângulo, dois deles são centros de hexágonos. Desses dois possíveis hexágonos, o nó AP está contido naquele onde a distância do AP ao centro do hexágono é a menor. Consideramos que no hexágono em que o AP está contido, todos os clientes que estão localizados no hexágono irão se associar ao nó AP, ou seja, o nó AP tem a área completa do hexágono como sua área de cobertura. Na Figura5.4encontra-se o resultado do cálculo da localização dos nós APs da camada de infraestrutura nos hexágonos na camada de serviço.

O último passo para o término da topologia da camada de serviço da W MNcap5é o posicionamento dos nós clientes nos hexágonos. Visando avaliar três diferentes WMNs que têm diferentes tempos de atualização da posição dos nós clientes, geramos três configurações iniciais do posicionamento dos nós clientes. A junção da W MNcap5descrita até aqui com essas três configurações dos nós clientes resulta em três diferentes WMNs que iremos nomear como W MN1, W MN2e W MN3. Os 10 clientes em cada uma das três diferentes WMNs, são posicionados aleatoriamente, com distribuição uniforme, entre os 10 hexágonos que contém os 10 nós APs. A posição dos 10 clientes nos hexágonos,

5.1 Modelagem e Simulação 60

Figura 5.4: Camada de serviço da WMN.

em cada uma das três diferentes W MNscap5, encontra-se na Tabela 5.6. Desta maneira, terminamos a fase 1 da nossa modelagem.

Para a fase 2, consideramos que não há mudanças na topologia da camada de infraestrutura. Para a descrição da fase 3, definimos primeiramente a locomoção dos nós clientes. Conforme definido anteriormente no Capítulo 3, os nós clientes, que se encontram na camada de serviço, são móveis. Nas 3 WMNs avaliadas, definimos que a probabilidade das 7 possibilidades de locomoção (veja Figura3.5) dos 10 nós clientes são iguais, ou seja, a probabilidade de permanecer no hexágono é de 1₇ e de se locomover para cada um dos 6 hexágonos vizinhos é também de 1₇. Caso o cliente esteja contido em um hexágono de fronteira, a possibilidade de locomoção é igual a 1 mais a quantidade de seus vizinhos. Assim, a probabilidade de permanecer no hexágono e locomover para seus vizinhos é também de 1 dividido pelo número de possibilidades de locomoção. Por exemplo, se o cliente estiver contido em um hexágono de fronteira conforme a Figura3.6, a probabilidade de permanecer no hexágono é 1₄ e de se locomover para cada um dos 3 vizinhos é de 1₄. Durante a simulação, utilizamos uma distribuição uniforme para determinar qual movimento será feito pelo cliente.

Após a descrição do movimento dos nós clientes, mostramos que o movimento dos nós clientes resulta na variação no fluxo de pacotes das WMNs. Para que a mudança de tráfego não afete a variação de fluxo de pacotes nos nós da WMN, consideramos em nossas simulações que o tráfego entre todos os pares envolvidos na simulação é igual, tanto na origem do tráfego (Internet), como no tipo de tráfego (tráfego UDP). O tamanho

5.1 Modelagem e Simulação 61

Tabela 5.6: Posição inicial dos nós clientes na camada de serviço.

Clientes Posição W MN1 Posição W MN2 Posição W MN3

c1 AP-A AP-B AP-B

c2 AP-B AP-B AP-B

c3 AP-F AP-E AP-B

c4 AP-K AP-E AP-E

c5 AP-L AP-E AP-G

c6 AP-L AP-I AP-K

c7 AP-N AP-I AP-L

c8 AP-N AP-I AP-N

c9 AP-N AP-J AP-N

c10 AP-N AP-K AP-N

do datagrama é de 1024 bytes e é enviado a uma taxa constante de 10 datagramas/segundo ou um datagrama a cada 0, 1 segundo [70]. Nas 3 WMNs, cada experimento dura 1 hora em tempo de simulação. Em cada atualização da topologia da WMN, é feita uma nova simulação no ns-3 e são calculadas as métricas DyLaN e LLBC. Cada intervalo de simulação ti (i ∈ N∗) de uma WMN simulada no ns-3 é executado 20 vezes, onde os dados utilizados nos cálculos das métricas são as médias aritméticas das 20 execuções. Os valores obtidos em cada simulação são In(v), Out(v) e Fwd(v), para cada um dos 15 nós da topologia. Como descrevemos no Capítulo 3 e semelhante à abstração também utilizada em [77], os nós da camada de infraestrutura têm a visão de que são os nós APs que geram ou recebem o fluxo de pacotes, ou seja, o nó AP e os clientes associados a ele são considerados como um único nó.

Mostramos a seguir os resultados da execução das fases 3 e 4 da W MN1, W MN2 e W MN3 no ns-3, onde a fase 3 consiste na atualização da posição dos nós clientes e a fase 4 na obtenção dos dados de fluxo dos nós da rede. Como aplicação da modelagem, avaliamos as métricas de centralidade LLBC e DyLaN. Para o cálculo da métrica de centralidade DyLaN, buscando conceder um maior peso aos nós que encaminham tráfego, atribuímos o peso WF do encaminhamento de pacotes como 3. Mostramos a seguir que, utilizando esse valor de WF, a nossa métrica classifica adequadamente os nós das WMNs avaliadas. Parametrizamos a média móvel ponderada exponencial (exponentially weighted moving average – EWMA) com o valor fixo de WH = 0, 9, sendo uma escolha razoável para a classificação da métrica DyLaN, como mostraremos na Seção5.2.2. Portanto, os parâmetros WF = 3 e WH = 0, 9 serão utilizados pela métrica DyLaN na avaliação das WMNs a seguir.

5.1 Modelagem e Simulação 62

Avaliando a WMN1

Iniciamos a avaliação com os resultados obtidos no ns-3 para a W MN1. A cada intervalo de 10 minutos em tempo de simulação, os valores de In(v), Out(v) e Fwd(v) são coletados e as métricas LLBC e DyLaN são calculadas, gerando uma classificação dinâmica das centralidades. Esse intervalo de tempo é igual ao utilizado na validação da métrica de centralidade LLBC [77] na Dart-Mesh, uma plataforma de experimentação para pesquisas em redes sem fio. A Tabela 5.7 apresenta, para cada um dos 6 intervalos de simulação, em qual nó AP o cliente se associa ou o rótulo SEM AP, caso o cliente esteja em um hexágono que não contenha um nó AP. Isto é, o cliente não está associado a nenhum nó AP. Em cada uma das 6 medições, a topologia da rede não se modifica durante o intervalo.

Tabela 5.7: Associação dos nós clientes na camada de serviço da

W MN1.

c1 c2 c3 c4 c5 c6 c7 c8 c9 c10

t1 AP-A AP-B AP-F AP-K AP-K AP-L AP-L AP-N AP-N AP-N

t2 SEM AP SEM AP SEM AP AP-N AP-N SEM AP AP-L AP-A SEM AP AP-K

t3 AP-E AP-A AP-I AP-L SEM AP SEM AP AP-L AP-N SEM AP AP-K

t4 SEM AP SEM AP AP-N AP-L AP-I SEM AP AP-I AP-I SEM AP AP-N

t5 SEM AP AP-A AP-L SEM AP AP-F SEM AP AP-L SEM AP SEM AP AP-N

t6 SEM AP AP-N SEM AP AP-L AP-I SEM AP AP-L AP-I SEM AP AP-N

A Figura 5.5 apresenta uma classificação dinâmica das centralidades gerada pela métrica LLBC. Os nós D, E, G e L, Figura 5.3, têm valor de centralidade igual a 0 pois esses nós não pertencem ao menor caminho entre quais dois pares de nós da rede, exceto quando são origem ou destino do caminho. Na 3a _{medição, há uma} grande quantidade de fluxo (aproximadamente 57%) que passa ou tem como destino o nó N. Além disso, na 4a e 6a medições, os fluxos de pacotes são reencaminhados ou têm como destino o nó N. Devido a essa alta quantidade de fluxos que passa pelo nó N nessas três medições, associada a sua alta centralidade egocêntrica de intermediação (Tabela 5.8), o nó N é classificado nessas medições como o nó mais importante da rede. Contudo, a alta quantidade de fluxo que passa pelo nó N é menos intensa nas outras

Tabela 5.8: Centralidade egocêntrico de intermediação (Cego) dos

nós da camada de infraestrutura.

Nó A B C D E F G H I J K L M N

Cego 2 1 2 0 0 0,5 0 5 2 0,5 1 0 2 6

5.1 Modelagem e Simulação 63 1 2 3 4 5 6 7 8 9 10 11 1 2 3 4 5 6 Classificação Medição Nó A Nó B Nó C Nó D Nó E Nó F Nó G Nó H Nó I Nó J Nó K Nó L Nó M Nó N

Figura 5.5: Classificação da W MN1com a métrica LLBC.

H tem uma maior importância porque é através dele que a rede tem acesso à Internet. Consequentemente, essa classificação falha em representar corretamente a importância relativa do nó mais importante na 3a, 4ae 6amedição. A Figura5.6apresenta o coeficiente de carga (βt) obtido durante o cálculo da métrica LLBC para os nós da W MN1. O valor de βt(E) é inadequado, pois apresenta um valor maior do que βt(H). Isso reflete a importância em atender a premissa 2 apresentada na Seção 4.3, atribuindo um maior peso ao encaminhamento de pacotes na rede. Além disso, na 4a e 6a medições o valor de βt(H) é bem próximo de βt(N), mostrando mais uma vez a importância da premissa 2 para uma classificação mais adequada da importância relativa dos nós em uma WMN.

A classificação gerada pela métrica LLBC exibe também uma alta variação para uma grande quantidade de nós da rede. Por exemplo, o nó B não apresenta a mesma classificação em duas medições sucessivas, dificultando a tarefa dos administradores desse tipo de infraestrutura para verificarem a importância de um nó ao longo do tempo. Esse resultado ilustra por que é importante satisfazer à premissa 3 apresentada na Seção4.3e como a LLBC não a satisfaz.

A Figura 5.7 apresenta a classificação dinâmica das centralidades relativas calculadas pela métrica DyLaN. A métrica DyLaN fornece uma classificação dinâmica mais estável que a métrica LLBC (Figura5.5). No entanto, por ser uma característica da EWMA, as medições iniciais tendem a ser mais instáveis. Na classificação da métrica DyLaN, o nó H é classificado como o mais importante em todas as medições. Na 3a, 4a e 6a medição, onde há um aumento nos valores de carga do nó N, a DyLaN continua classificando o nó H como o mais importante, devido ao histórico da rede que é levado

5.1 Modelagem e Simulação 64 0,1 0,2 0,3 0,4 0,5 0,6 0,7 1 2 3 4 5 6 LLBC_ βt Medição Nó A Nó B Nó C Nó D Nó E Nó F Nó G Nó H Nó I Nó J Nó K Nó L Nó M Nó N

Figura 5.6: Coeficientes de carga com a métrica LLBC em W MN1.

1 2 3 4 5 6 7 8 9 10 11 1 2 3 4 5 6 Classificação Medição Nó A Nó B Nó C Nó D Nó E Nó F Nó G Nó H Nó I Nó J Nó K Nó L Nó M Nó N

Figura 5.7: Classificação da W MN1com a métrica DyLaN.

em consideração e um maior peso ao encaminhamento de pacotes que faz com que o coeficiente de carga do nó H permaneça elevado. A Figura5.8apresenta o coeficiente de carga (βt) obtido durante o cálculo da métrica DyLaN para os nós da W MN1. Observe que o valor inadequado de βt(E) que mostramos anteriormente não se repete, visto que o βt(H) permanece como o maior entre os nós analisados. Isso reflete a importância em atender a premissa 2, onde atribuímos um maior peso ao encaminhamento de pacotes na rede, configurando a variável WF com o valor 3. Além disso, há uma maior diferença entre

5.1 Modelagem e Simulação 65 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 1 2 3 4 5 6 DyLaN_ βt Medição Nó A Nó B Nó C Nó D Nó E Nó F Nó G Nó H Nó I Nó J Nó K Nó L Nó M Nó N

Figura 5.8: Coeficientes de carga com a métrica DyLaN na

W MN₁.

o valores de βt(H) e βt(N) durante as medições. Avaliando a WMN2

Nesta segunda avaliação, diminuímos o intervalo de atualização da localização dos nós clientes para 5 minutos em tempo de simulação. A Tabela5.9também apresenta, para cada um dos 12 intervalos de simulação, em qual nó AP o cliente está associado. Em cada uma das 12 medições, a topologia da rede não se modifica durante o intervalo.

A Figura5.9apresenta uma classificação dinâmica das centralidades gerada pela métrica LLBC. A métrica LLBC rotulou de maneira adequada a classificação relativa dos nós H e N durante as 12 medições. Contudo, o nó C foi classificado de maneira inadequada, uma vez que ele é um importante nó de articulação e há uma grande quantidade de tráfego que passa por ele. Por isso, o nó C deve ser classificado como o 3o_{nó mais importante. Na 10}a_{medição, por exemplo, o nó C é classificado como o 5}o_nó mais importante, ficando com uma classificação relativa menor do que nós que dependem dele para receberem tráfego, como por exemplo, o nó M. Portanto, essa classificação falha em representar corretamente a importância relativa, visto que o nó C, por suas características, deve continuar sendo classificado entre, pelo menos, os quatro nós mais importante da rede. Novamente, a classificação relativa dos nós gerada pela métrica LLBC exibe uma alta variação para uma grande quantidade de nós da rede. Por exemplo, ao longo das 12 medições, o nó B não apresenta a mesma classificação em duas medições sucessivas. Mais uma vez esse resultado reforça a importância em satisfazer a premissa 3

5.1 Modelagem e Simulação 66

Tabela 5.9: Associação dos nós clientes na camada de serviço da

W MN2.

c1 c2 c3 c4 c5 c6 c7 c8 c9 c10

t1 AP-B AP-B AP-E AP-E AP-E AP-I AP-I AP-I AP-J AP-K

t2 SEM AP AP-B SEM AP SEM AP AP-B AP-F SEM AP SEM AP AP-L SEM AP

t3 SEM AP AP-E SEM AP AP-I SEM AP AP-I AP-E SEM AP AP-I SEM AP

t4 SEM AP AP-B AP-E AP-I SEM AP AP-F SEM AP SEM AP AP-N SEM AP

t5 SEM AP AP-B AP-E AP-L SEM AP SEM AP AP-B SEM AP SEM AP SEM AP

t6 AP-B AP-E SEM AP AP-N SEM AP AP-A SEM AP SEM AP AP-E SEM AP

t7 AP-B AP-B SEM AP AP-K SEM AP AP-N SEM AP AP-A SEM AP SEM AP

t8 AP-B AP-E SEM AP SEM AP SEM AP AP-N SEM AP AP-N AP-E AP-A

t9 SEM AP SEM AP SEM AP SEM AP SEM AP AP-I SEM AP AP-A SEM AP SEM AP

t10 AP-E AP-F SEM AP AP-G SEM AP AP-I SEM AP SEM AP AP-E SEM AP

t11 AP-E AP-I SEM AP AP-G SEM AP AP-L SEM AP SEM AP AP-B SEM AP

t12 SEM AP SEM AP SEM AP SEM AP SEM AP AP-N SEM AP AP-A SEM AP SEM AP

1 2 3 4 5 6 7 8 9 10 11 1 3 6 9 12 Classificação Medição Nó A Nó B Nó C Nó D Nó E Nó F Nó G Nó H Nó I Nó J Nó K Nó L Nó M Nó N

Figura 5.9: Classificação da W MN2com a métrica LLBC.

e como a LLBC não a satisfaz. A Figura5.10apresenta o coeficiente de carga (βt) obtido durante o cálculo da métrica LLBC para os nós da W MN2.

O valor do coeficiente de carga é inadequado para alguns nós ao longo das 12 medições. Por exemplo, os nós E e G na 3a e 10a medição, respectivamente, têm um coeficiente de carga muito próximo ao do nó H. Mais uma vez, isso demonstra a relevância em atender a premissa 2. Os valores de βt(K) nas medições 10 e 11 são inadequados, mas compreensíveis. Isso ocorreu devido ao fluxo contínuo de pacotes destinados ao nó G que são encaminhados pelo nó K, uma vez que o nó K é um caminho obrigatório para os

5.1 Modelagem e Simulação 67 0,1 0,2 0,3 0,4 0,5 0,6 0,7 1 3 6 9 12 LLBC_ βt Medição Nó A Nó B Nó C Nó D Nó E Nó F Nó G Nó H Nó I Nó J Nó K Nó L Nó M Nó N

Figura 5.10: Coeficientes de carga com a métrica LLBC na

W MN₂.

pacotes destinados ao nó G (Figura5.3).

A Figura 5.11 apresenta a classificação dinâmica das centralidades relativas calculadas pela métrica DyLaN. Novamente, a métrica DyLaN fornece uma classificação

1 2 3 4 5 6 7 8 9 10 11 1 3 6 9 12 Classificação Medição Nó A Nó B Nó C Nó D Nó E Nó F Nó G Nó H Nó I Nó J Nó K Nó L Nó M Nó N

Figura 5.11: Classificação da W MN2com a métrica DyLaN.

dinâmica mais estável que a métrica LLBC (Figura 5.9). O nó C tem a classificação relativa constante como o 3o nó mais importante, devido ao maior peso atribuído a seus pacotes encaminhados e ao histórico do nó que é levado em consideração durante o

5.1 Modelagem e Simulação 68

cálculo da métrica DyLaN. Na classificação da métrica DyLaN, assim como ocorreu com a métrica LLBC, o nó H é classificado como o mais importante em todas as medições. A Figura 5.12 apresenta o coeficiente de carga (βt) obtido durante o cálculo da métrica DyLaN para os nós da W MN2. Observe que o comportamento inadequado na 3a e 10a medição foi resolvido. Contudo, ainda continua a anomalia na 10oe 11omedição com o nó K. Essa anomalia persiste devido, como comentamos anteriormente, ao fluxo contínuo de pacotes que é encaminhado pelo nó K e por sua característica topológica, pois é adjacente a nós com pouca carga de tráfego, e por ser um caminho obrigatório para os pacotes destinados ao nó G. Entretanto, devido à diferença entre as precisões da Figura 5.10 e Figura 5.12, não é tão perceptível que a diferença dos valores de βt(K) e βt(H) aumenta, onde na 10a medição a diferença aumentou em cerca de 25% e na 11a medição em cerca de 74%. Isso mostra a importância em atender a premissa 2. Na métrica DyLaN, essa anomalia do nó K é mitigada durante o cálculo, já que a métrica também leva em consideração o histórico da rede. Dessa maneira, mostramos a importância em atender a premissa 3. 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1 3 6 9 12 DyLaN_ βt Medição Nó A Nó B Nó C Nó D Nó E Nó F Nó G Nó H Nó I Nó J Nó K Nó L Nó M Nó N

Figura 5.12: Coeficientes de carga com a métrica DyLaN na

W MN₂.

Avaliando a WMN3

Nesta terceira avaliação, diminuímos novamente o intervalo de atualização da localização dos nós clientes, que será, agora, de 3 minutos em tempo de simulação. A Tabela 5.10 também apresenta, para cada uma dos 20 intervalos de simulação, em qual

5.1 Modelagem e Simulação 69

nó AP o cliente está associado. Em cada uma das 20 medições, a topologia da rede não se modifica durante o intervalo.

Tabela 5.10: Associação dos nós clientes na camada de serviço da

W MN3.

c1 c2 c3 c4 c5 c6 c7 c8 c9 c10

t1 AP-B AP-B AP-B AP-E AP-G AP-K AP-L AP-N AP-N AP-N

t2 SEM AP AP-E SEM AP AP-E AP-G AP-A AP-N AP-J AP-J AP-L

t3 SEM AP AP-B AP-E SEM AP AP-G SEM AP AP-J AP-N AP-K SEM AP

t4 SEM AP AP-B SEM AP AP-B AP-G AP-B AP-J SEM AP AP-J SEM AP

t5 SEM AP AP-E SEM AP AP-B AP-G SEM AP AP-N SEM AP AP-L SEM AP

t6 SEM AP SEM AP SEM AP AP-E AP-J SEM AP AP-I AP-N AP-I SEM AP