O segundo conjunto simulado avaliou o desempenho dos diferentes níveis de inteligência em um cenário mais realista, construído através dos dados geográfi- cos do Google Maps (GOOGLE, 2012) (PELUSI et al., 2006). Depois das experiências
gundo conjunto de simulações proporcionar meios para avaliar o desempenho da abordagem proposta em um ambiente menos favorável e previsível.
A figura 14 apresenta as médias de resultados obtidos relacionados com a primeira métrica, com barras representam intervalo de confiança de 95%. Es- tes resultados seguem a mesma apresentação que é utilizado na subseção anterior, comparando o número médio de migrações dos agentes de acordo com os diferen- tes níveis de inteligentes (baseado no destino, caminho direto ou avançado).
Figura 14: Média de migrações por agentes no modelo de movimento Google Maps.
É possível observar a coerência dos resultados alcançados nesta segunda simulação em conjunto com a comparação da primeira simulação apresentada an- teriormente. Note-se que em relação aos outros níveis de inteligência preservam a mesma relação, em que o baseado no destino e o avançado mantem um menor o número de migrações realizadas pelo agente enquanto o caminho direto possui um desempenho pior.
Os resultados alcançados neste segundo cenário, em geral, apresenta um pior desempenho (apresentando mais saltos e menor porcentagem do tempo dentro da TR) do que no primeiro cenário. Isto pode ser explicado pela geografia do
Numero de nós Nível de Inteligência Média Desvio Padrão
60 Baseado no Destino 8 0,96
60 Caminho Direto 21 2,117
60 Avançado 29 3,528
Tabela 3: Os valores de média e desvio padrão para a métrica que avalia o tempo dentro da TR no modelo do Google Maps.
mapa. O primeiro cenário é uma área avaliada regularmente quadrada dividida em blocos quadrados do mesmo tamanho, enquanto Lavras é muitos irregular cheia de ruas com mão únicas e com blocos de diferentes formas e dimensões. Além disso, como os nós no segundo modelo de movimento simula movimentos de táxis em uma cidade como Lavras, muitos eventos que não são considerados no cenário anterior podem ocorrer, tais como carros usando ruas secundárias, vias com uma grande concentração de carros, entre outros.
A análise cruzada dos resultados de ambos os cenários e das duas métricas torna possível considerar o uso do nível de inteligência avançada para fornecer suporte a aplicações que rodam em cima de nós móveis, tais como o proposto neste trabalho. Mesmo o nível de raciocínio baseado em destino fornece resultados consideráveis que são melhorados pelo aumento da capacidade de analisar mais informações, ou seja, uma melhora para o caminho direto, e, finalmente, estes resultados apresentam melhora ainda maior com a utilização do nível utilizando a inteligência avançada.
Apesar da desvantagem apresentada pela maior sobrecarga do caminho direto em relação ao nível baseado no destino, os melhores resultados obtidos pelo agente com inteligência avançada em todas as métricas mostra o valor em utilizar informações mais relevantes.
Observando os resultados apresentados nas Figuras 13 e 14, os algoritmos com um nível de inteligência baseado no destino apresentam um melhor desem-
penho no cenário da primeira simulação utilizando o modelo de quadras com as quadras regularmente divididas. Na segunda simulação utilizando dados reais do Google Maps os resultados não foram muito satisfatórios.
Isso apresenta uma evidência de que os níveis mais elevados inteligentes são mais robustos mantendo os seus comportamentos em diferentes cenários, mas também que é possível tirar proveito no nível baseado no destino em cenários mais regulares. Este fato suporta a ideia proposta de permitir que os agentes selecionem os nível de inteligente para usar de acordo com o contexto de tempo de execução real.
6 CONCLUSÃO E TRABALHOS FUTUROS
Este trabalho apresentou uma abordagem em que os agentes de software móveis são usados para divulgar dados em VANETs. A utilização de informação geográfica foi planejada para apoiar as decisões dos agentes sobre suas migrações entre os nós na rede. Foram propostos diferentes níveis de inteligência para serem desenvolvidos e testados.
Os resultados experimentais indicam que o aumento da quantidade de in- formação fornece melhores resultados em manter os agentes em suas respectivas TRs. No entanto, o custo associado devido à quantidade de migração não segue a mesma tendência, como pode ser observado através da comparação dos resulta- dos obtidos pela abordagem de caminho direto para os alcançar o destino. Apesar de manter os agentes um tempo razoável dentro (ou perto) da TR, a abordagem caminho direto requer uma quantidade de migração do agente aproximadamente três vezes maior do que o baseado no destino. A abordagem avançada, que utiliza informações mais completas, permitem obter os melhores resultados mantendo o agente dentro TR por mais tempo. A quantidade de migrações realizada pelo agente na abordagem avançada é menor, resultado que é muito semelhante ao ob- tido pela abordagem baseada no destino.
Diferenças geográficas nos cenários simulados também foram exploradas. O modelo de movimento baseado em quadras possui uma distribuição dos nós me- lhor distribuída. O modelo de movimento utilizando o Google Maps apresenta uma distribuição dos nós mais concentrada. A conclusão obtida com essa variação geográfica causa impacto a densidade dos nós. A melhor distribuição dos nós no modelo baseado em quadras gerou resultados melhores dos algoritmos apresenta- dos do que o modelo utilizando o Google Maps. A análise dos resultados obtidos nos dois cenários fornecem evidências de que os níveis mais elevados de inteli-
gência são mais robustos, mantendo o seu comportamento em ambos os cenários, enquanto o baseado no destino possui um comportamento mais inconstante.
Como propostas para continuidade deste trabalho, sugere-se combinar as três diferentes abordagens apresentadas neste trabalho, de modo que um agente possa adaptar o seu comportamento de acordo com a densidade dos nós, as con- dições ambientais e informação de contexto disponível. O uso de informações de contexto está também prevista para melhorar a comunicação entre os nós opor- tunistas, tais como utilização de algoritmos de inteligência artificial nos dados transmitidos e análise nas condições de tráfego, além do uso de informação geo- gráfica. O tempo de contato entre os nós, tal como apresentado em (MARFIA et al.,
2011), podem também ser adicionados para melhorar a proposta. O uso das técni- cas propostas nas diferentes aplicações também é um campo que apresenta muitas oportunidades a serem exploradas, que enriquecerão a proposta acima referida do uso de informação semântica adicional.
REFERÊNCIAS
ANDM, K. L.; LARSSON, T. A spatial qos requirements specification for v2v applications. In: Intelligent Vehicles Symposium (IV), 2010 IEEE. [S.l.: s.n.], 2010. p. 548 –553. ISSN 1931-0587.
BAI, F.; SADAGOPAN, N.; HELMY, A. Important: a framework to systema- tically analyze the impact of mobility on performance of routing protocols for adhoc networks. In: INFOCOM 2003. Twenty-Second Annual Joint Conference of the IEEE Computer and Communications. IEEE Societies. [S.l.: s.n.], 2003. v. 2, p. 825 – 835 vol.2. ISSN 0743-166X.
BURGESS, J.; GALLAGHER, B.; JENSEN, D.; LEVINE, B. N. Maxprop: Rou- ting for vehicle-based disruption-tolerant networks. In: INFOCOM 2006. 25th IEEE International Conference on Computer Communications. Proceedings. [S.l.: s.n.], 2006. p. 1 –11. ISSN 0743-166X.
BYCHKOVSKY, V.; CHEN, K.; GORACZKO, M.; HU, H.; HULL, B.; MIU, A.; SHIH, E.; ZHANG, Y.; BALAKRISHNAN, H.; MADDEN, S. The car- tel mobile sensor computing system. In: Proceedings of the 4th internatio- nal conference on Embedded networked sensor systems. New York, NY, USA: ACM, 2006. (SenSys ’06), p. 383–384. ISBN 1-59593-343-3. Disponível em: <http://doi.acm.org/10.1145/1182807.1182866>.
CHENG, P.-C.; LEE, K. C.; GERLA, M.; HäRRI, J. Geodtn+nav: Geographic dtn routing with navigator prediction for urban vehicular environments. Mob. Netw. Appl., Springer-Verlag New York, Inc., Secaucus, NJ, USA, v. 15, n. 1, p. 61–82, fev. 2010. ISSN 1383-469X. Disponível em: <http://dx.doi.org/10.1007/s11036- 009-0181-6>.
CHESS, D.; GROSOF, B.; PARRIS, C.; LEVINE, D.; PARRIS, C.; TSUDIK, G.; SWITZERLAND, R.; WATSON, T. J. Itinerant Agents for Mobile Computing. 1995.
CONTI, M.; CROWCROFT, J.; GIORDANO, S.; HUI, P.; NGUYEN, H. A.; PAS- SARELLA, A. Routing Issues in Opportunistic Networks Middleware for Network Eccentric and Mobile Applications. In: GARBINATO, B.; MIRANDA, H.; RO- DRIGUES, L. (Ed.). Middleware for Network Eccentric and Mobile Applications. Berlin, Germany: Springer, 2009. cap. 6, p. 121–147. ISBN 978-3-540-89706-4. Disponível em: <http://dx.doi.org/10.1007/978-3-540-89707-1_6>.
DRESSLER, F. A study of self-organization mechanisms in ad hoc and sen- sor networks. Computer Communications, v. 31, n. 13, p. 3018 – 3029, 2008. ISSN 0140-3664. <ce:title>Special Issue:Self-organization and self-management in communications as applied to autonomic networks</ce:title>. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0140366408000959>. EICHLER, S.; SCHROTH, C.; EBERSPACHER, J. Car-to-car communication. VDE Verlag, 2006.
FALL, K. A delay-tolerant network architecture for challenged internets. In: Pro- ceedings of the 2003 conference on Applications, technologies, architectures, and protocols for computer communications. New York, NY, USA: ACM, 2003. (SIG- COMM ’03), p. 27–34. ISBN 1-58113-735-4.
FREITAS, E. P. de; HEIMFARTH, T.; COSTA, L. A. G. a.; FERREIRA, A. M.; PEREIRA, C. E.; WAGNER, F. R.; LARSSON, T. Analyzing different levels of geographic context awareness in agent ferrying over vanets. In: Proceedings of the 2011 ACM Symposium on Applied Computing. New York, NY, USA:
ACM, 2011. (SAC ’11), p. 413–418. ISBN 978-1-4503-0113-8. Disponível em: <http://doi.acm.org/10.1145/1982185.1982275>.
FREITAS TALES HEIMFARTH, L. A. G. C. E. P. Exploring geographic context awareness for data dissemination on mobile ad hoc networks. Submetido Adhoc Network Elsevier, 2012.
GIORDANO, E.; FRANK, R.; PAU, G.; GERLA, M. Corner: a realistic urban propagation model for vanet. In: Wireless On-demand Network Systems and Ser- vices (WONS), 2010 Seventh International Conference on. [S.l.: s.n.], 2010. p. 57 –60.
GOOGLE. Google Maps API. 10 2012. Disponível em:
<https://developers.google.com/maps/>.
GUISE, B.; PROCTOR, M. D. Expectations for presentation of engineering and scientific mobile platform information within a virtual globe geographic informa- tion systems. J. Geographic Information System, v. 3, n. 2, p. 120–127, 2011. HUANG, C.-M.; LAN, K. chan; TSAI, C.-Z. A survey of opportunistic networks. In: Advanced Information Networking and Applications - Workshops, 2008. AI- NAW 2008. 22nd International Conference on. [S.l.: s.n.], 2008. p. 1672 –1677. HUHNS, M. N.; SINGH, M. P. (Ed.). Readings in agents. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 1998. ISBN 1-55860-495-2.
KUMAR, R.; DAVE, M. A comparative study of various routing protocols in va- net. CoRR, abs/1108.2094, 2011.
LANGE, D. B.; OSHIMA, M. Seven good reasons for mobile agents. Commun. ACM, ACM, New York, NY, USA, v. 42, n. 3, p. 88–89, mar. 1999. ISSN 0001- 0782. Disponível em: <http://doi.acm.org/10.1145/295685.298136>.
LEE, U.; MAGISTRETTI, E.; GERLA, M.; BELLAVISTA, P.; CORRADI, A. Dissemination and harvesting of urban data using vehicular sensing platforms. Vehicular Technology, IEEE Transactions on, v. 58, n. 2, p. 882 –901, feb. 2009. ISSN 0018-9545.
LEONTIADIS, I.; MASCOLO, C. Geopps: Geographical opportunistic routing for vehicular networks. In: World of Wireless, Mobile and Multimedia Networks, 2007. WoWMoM 2007. IEEE International Symposium on a. [S.l.: s.n.], 2007. p. 1 –6.
LESSMANN, J.; HEIMFARTH, T.; JANACIK, P. Shox: An easy to use simulation platform for wireless networks. In: Computer Modeling and Simulation, 2008. UKSIM 2008. Tenth International Conference on. [S.l.: s.n.], 2008. p. 410 –415. LEVIS, P.; CULLER, D. Mate: a tiny virtual machine for sensor networks. SI- GOPS Oper. Syst. Rev., ACM, New York, NY, USA, v. 36, n. 5, p. 85–95, out. 2002. ISSN 0163-5980. Disponível em: <http://doi.acm.org/10.1145/635508.605407>. LOULLOUDES, N.; PALLIS, G.; DIKAIAKOS, M. D. The dynamics of vehicular networks in urban environments. CoRR, abs/1007.4106, 2010.
MARFIA, G.; ROCCETTI, M.; PALAZZI, C. E.; AMOROSO, A. Ef- ficient vehicle-to-pedestrian exchange of medical data: an empirical mo- del with preliminary results. In: Proceedings of the First ACM MobiHoc Workshop on Pervasive Wireless Healthcare. New York, NY, USA: ACM, 2011. (MobileHealth ’11), p. 3:1–3:4. ISBN 978-1-4503-0780-2. Disponível em: <http://doi.acm.org/10.1145/2007036.2007040>.
MEYER, H.; HUMMEL, K. A. A geo-location based opportunistic data dissemination approach for manets. In: Proceedings of the 4th
ACM workshop on Challenged networks. New York, NY, USA: ACM, 2009. (CHANTS ’09), p. 1–8. ISBN 978-1-60558-741-7. Disponível em: <http://doi.acm.org/10.1145/1614222.1614224>.
MILLER, C. C. A beast in the field: The google maps mashup as gis/2. Carto- graphica The International Journal for Geographic Information and Geovisuali- zation, UT Press, v. 41, n. 3, p. 187–199, 2006.
NIAZI, M.; HUSSAIN, A. Agent-based tools for modeling and simulation of self- organization in peer-to-peer, ad hoc, and other complex networks. Communicati- ons Magazine, IEEE, v. 47, n. 3, p. 166 –173, march 2009. ISSN 0163-6804. NICHOLS, R. A.; HAMMONS, A. R. Performance of dtn-based free-space opti- cal networks with mobility. In: Military Communications Conference, 2007. MIL- COM 2007. IEEE. [S.l.: s.n.], 2007. p. 1 –6.
NICULESCU, D.; NATH, B. Localized positioning in ad hoc networks. Ad Hoc Networks, v. 1, n. 2–3, p. 247 – 259, 2003. ISSN 1570-8705. <ce:title>Sensor Network Protocols and Applications</ce:title>. Disponível em: <http://www.sciencedirect.com/science/article/pii/S1570870503000052>. PELUSI, L.; PASSARELLA, A.; CONTI, M. Opportunistic networking: data forwarding in disconnected mobile ad hoc networks. Communications Magazine, IEEE, v. 44, n. 11, p. 134 –141, november 2006. ISSN 0163-6804.
PIORKOWSKI, M.; SARAFIJANOVIC-DJUKIC, N.; GROSSGLAUSER, M. A parsimonious model of mobile partitioned networks with clustering. In: Commu- nication Systems and Networks and Workshops, 2009. COMSNETS 2009. First International. [S.l.: s.n.], 2009. p. 1 –10.
PIRAN, M. J.; MURTHY, G. R.; BABU, G. P. Vehicular ad hoc and sensor networks; principles and challenges. CoRR, abs/1108.2776, 2011.
REZENDE, C. G.; ROCHA, B. P. S.; LOUREIRO, A. A. F. Publish/- subscribe architecture for mobile ad hoc networks. In: Proceedings of the 2008 ACM symposium on Applied computing. New York, NY, USA: ACM, 2008. (SAC ’08), p. 1913–1917. ISBN 978-1-59593-753-7. Disponível em: <http://doi.acm.org/10.1145/1363686.1364149>.
SARKAR, S. K.; BASAVARAJU, T. G.; PUTTAMADAPPA, C. Ad Hoc Mobile Wireless Networks: Principles, Protocols and Applications. 1st. ed. Boston, MA, USA: Auerbach Publications, 2007. ISBN 1420062212, 9781420062212.
SHEHORY, O.; SYCARA, K.; CHALASANI, P.; JHA, S. Agent cloning: An approach to agent mobility and resource allocation. IEEE Communications, 1998. SHU, L.; ZHANG, Y.; YANG, L.; WANG, Y.; HAUSWIRTH, M.; XIONG, N. Tpgf: geographic routing in wireless multimedia sensor networks. Telecommuni- cation Systems, Springer Netherlands, v. 44, p. 79–95, 2010. ISSN 1018-4864. 10.1007/s11235-009-9227-0. Disponível em: <http://dx.doi.org/10.1007/s11235- 009-9227-0>.
SPYROPOULOS, T.; RAIS, R. N.; TURLETTI, T.; OBRACZKA, K.; VA- SILAKOS, A. Routing for disruption tolerant networks: taxonomy and de- sign. Wirel. Netw., Kluwer Academic Publishers, Hingham, MA, USA, v. 16, n. 8, p. 2349–2370, nov. 2010. ISSN 1022-0038. Disponível em: <http://dx.doi.org/10.1007/s11276-010-0276-9>.
SUN, J.-Z.; SAUVOLA, J. Mobility and mobility management: a conceptual fra- mework. In: Networks, 2002. ICON 2002. 10th IEEE International Conference on. [S.l.: s.n.], 2002. p. 205 – 210.
TAYLOR, C. An overview of geographic routing. In: Seminar Technische Infor- matik. [S.l.: s.n.], 2006.
TEI, K.; FUKAZAWA, Y.; HONIDEN, S.; YOSHIOKA, N. Geographically bound mobile agent in manet. Mobile and Ubiquitous Systems, Annual International Con- ference on, IEEE Computer Society, Los Alamitos, CA, USA, v. 0, p. 516–518, 2005.
WOLF, W. Computers as Components, Second Edition: Principles of Embedded Computing System Design. 2nd. ed. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 2008. ISBN 0123743974, 9780123743978.
WOOLRIDGE, M. Introduction to Multiagent Systems. New York, NY, USA: John Wiley & Sons, Inc., 2001. ISBN 047149691X.
WU, H.; FUJIMOTO, R.; RILEY, G.; HUNTER, M. Spatial propagation of infor- mation in vehicular networks. Vehicular Technology, IEEE Transactions on, v. 58, n. 1, p. 420 –431, jan. 2009. ISSN 0018-9545.
WU, H.; PALEKAR, M.; FUJIMOTO, R.; LEE, J.; KO, J.; GUENSLER, R.; HUNTER, M. Vehicular networks in urban transportation systems. In: Procee- dings of the 2005 national conference on Digital government research. Digital Government Society of North America, 2005. (dg.o ’05), p. 9–10. Disponível em: <http://dl.acm.org/citation.cfm?id=1065226.1065231>.
ZAFOUNE, Y.; KANAWATI, R.; MOKHTARI, A. Mobile agents localization in ad hoc networks: a comparative study of centralized and distributed approaches.
In: Information and Communications Technology, 2007. ICICT 2007. ITI 5th In- ternational Conference on. [S.l.: s.n.], 2007. p. 269 –275.
ZHAO, W.; AMMAR, M.; ZEGURA, E. A message ferrying approach for data delivery in sparse mobile ad hoc networks. In: Proceedings of the 5th ACM inter- national symposium on Mobile ad hoc networking and computing. New York, NY, USA: ACM, 2004. (MobiHoc ’04), p. 187–198. ISBN 1-58113-849-0. Disponível em: <http://doi.acm.org/10.1145/989459.989483>.