Wireless Leiden

A Wireless Leiden Foundation [47] estabeleceu uma rede sem fio aberta e de baixo custo na cidade de Leiden na Holanda e em suas cidades vizinhas, sendo uma das pioneiras na utilização de dispositivos 802.11b para construção de uma WMN. Enquanto iniciativas similares existem em outras cidades como Seattle, San Francisco, Portland, New York, os criadores da Wireless Leiden acreditam que ela tem uma abordagem única e com maior potencial. A rede foi construída de forma tecnicamente comparável

5.2 Estudo de Caso em Redes em Malha Sem Fio 75 3 3.5 4 4.5 5 2 3 4 5 6 7

Centralidade da métrica DyLaN

W_F

Node 30 Node 50

Figura 5.18: Impacto de diferentes pesos de WF na métrica Dy-

LaN.

à Internet, mas estando isolada e funcionando de forma independente. A rede tem baixo custo e alcança taxas de transferência na ordem de Mbps, já que utiliza a tecnologia 802.11b. Além disso, é adequada para a comunicação local e acesso da comunidade à Internet. O caráter único dessa abordagem foi reconhecido quando a Wireless Leiden Foundation recebeu o Prêmio Vosko de 2003 para redes pioneiras [48]. Durante o período em que tivemos acesso a essa rede, o núcleo sem fio era composto por mais de 100 nós. Aproximadamente 20 nós estavam conectados à Internet e cerca de 90 nós operavam também como um ponto de acesso.

Escolhemos um subconjunto de nós porque nem todos os nós permitiam a coleta de dados sobre fluxos. Além disso, os nós selecionados compõem um componente conexo durante todas as medições, resultando em um subconjunto de 17 nós ilustrados na Figura 5.19: 14 nós operando como roteadores e pontos de acesso, enquanto 3 deles tinham conexão à Internet. A cada 10 minutos, os valores de In(v), Out(v) e Fwd(v) eram coletados e as métricas LLBC bem como DyLaN eram atualizadas. Esse intervalo de tempo é também uma escolha adequada para a coleta remota de dados que realizamos, pois não perturbava os usuários da Wireless Leiden.

A Figura 5.20 apresenta uma classificação dinâmica das centralidades gerada pela métrica LLBC. Essa figura mostra como a classificação de nós varia ao longo de 5 horas durante o período de 17:00 a 22:00 horas, horário da cidade de Leiden, em um sábado. A classificação gerada pela métrica LLBC exibe uma alta variação, uma vez que a LLBC utiliza apenas os valores acumulados dos últimos 10 minutos e o fluxo de tráfego varia altamente, mesmo nessa escala de tempo. Esse resultado ilustra por que é importante

5.2 Estudo de Caso em Redes em Malha Sem Fio 76

Figura 5.19: Subconjunto de nós da Wireless Leiden utilizado em

nossa avaliação.

satisfazer a premissa 3 apresentada na Seção4.3 e como a LLBC não a satisfaz. A alta variação nos valores de centralidade gerada pela métrica LLBC torna essa classificação dinâmica difícil de ser adotada na prática.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 1 5 10 15 20 25 30 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 Nó O Nó P Nó Q

Figura 5.20: Classificação dinâmica das centralidades com a mé-

trica LLBC.

Dissemos na Seção5.1.2que WH = 0, 9 é uma escolha razoável para a configu- ração da métrica DyLaN. Não obstante, antes de mostrar esses resultados, é importante mostrar como chegamos a essa conclusão. Por isso, apresentamos a seguir uma avaliação do peso WH (ver Equação 4-8) na métrica DyLaN para uma ampla variedade de valo- res. Para cada WH, obtemos uma classificação dinâmica diferente, semelhante, de alguma forma, ao mostrado na Figura 5.20. Para avaliar essa grande quantidade de informação, adotamos o coeficiente de correlação τ∗ de Kendall [65, 71] para comparar um par de classificações consecutivas. τ∗ de Kendall é uma métrica ponderada e conjugada. Uma métrica conjugada é apropriada para o nosso subconjunto de 17 nós, pois todas as classi- ficações têm a mesma lista de nós, isto é, somente a posição dos nós muda em todas as

5.2 Estudo de Caso em Redes em Malha Sem Fio 77

classificações. Em nossa avaliação, estamos interessados em diferenciar as mudanças na classificação de acordo com a posição que elas ocorrem. Por exemplo, uma troca entre as posições 1 e 2 tem um peso maior que uma troca entre as posições 16 e 17. Da mesma forma, uma troca entre as posições 1 e 17 tem um peso maior que uma troca entre as posições 1 e 2. Isso justifica a escolha de uma métrica ponderada como a τ∗de Kendall. Em nosso cenário tem 17 nós, por isso o valor de n utilizado na Equação2-13é 17.

0 0,2 0,4 0,6 0,8 1 2 5 10 15 20 25 30 Coeficiente τ* de Kendall Medição W_H = 0,99 W_H = 0,90 W_H = 0,80 W_H = 0,50 W_H = 0,25 W_H = 0,05

Figura 5.21: Impacto de W_H na estabilidade da classificação.

A Figura 5.21 ilustra como o coeficiente τ∗ de Kendall pode ser utilizado para representar a estabilidade das classificações. O coeficiente τ∗ de Kendall é uma métrica relativa que compara a classificação atual com a anterior. À medida que os valores do coeficiente se aproximam de 1, torna-se mais estável a classificação. Para WH = 0, 8, a classificação apresenta uma tendência estável, mas ela ainda pode mostrar grandes variações, por exemplo, na 15a _{medição. Para W}

H = 0, 9, a classificação exibe um comportamento estável, sendo ainda capaz de representar os eventos mais relevantes, como o que aconteceu na 15a _{medição e sobre o qual comentaremos mais tarde. Em} nossa avaliação, WH= 0, 9 é uma escolha satisfatória, mas esse parâmetro pode ser usado como um fator de ajuste para controlar o nível de sensibilidade da métrica DyLaN. Nesse contexto, uma avaliação mais ampla de WHé útil, tal como a versão resumida da influência de WH na estabilidade da classificação, que é ilustrada na Figura5.22.

Por fim, a Figura5.23apresenta a classificação dinâmica das centralidades relati- vas calculadas pela métrica DyLaN com WH= 0, 9. A partir da 5amedição, a classificação apresenta uma tendência estável. Somente o nó C exibe uma grande mudança em sua clas- sificação. O nó C é um proxy e a sua mudança de classificação foi motivada por flutuações

5.2 Estudo de Caso em Redes em Malha Sem Fio 78 0 0,2 0,4 0,6 0,8 1 0,05 0,25 0,50 0,75 0,9 0,99 Coeficiente τ* de Kendall W_H Máximo Médio Minimo

Figura 5.22: Resumo da influência de WHna estabilidade da clas-

sificação.

severas no fluxo de pacotes. Os eventos específicos não foram identificados, mas a equipe de gerência da Wireless Leiden informou que é comum haver interrupções temporárias da comunicação com algum proxy. Esses eventos levam ao reencaminhamento de tráfego para proxies diferentes, tais como o nó C. Claramente, a métrica DyLaN, Figura 5.23, fornece uma classificação dinâmica mais estável que a métrica LLBC (Figura5.20).

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 1 5 10 15 20 25 30 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 Nó O Nó P Nó Q

Figura 5.23: Classificação dinâmica das centralidades com Dy-

5.3 Conclusão 79

Para a topologia da Figura 5.19, não apresentamos uma avaliação sobre a consistência da classificação, pois não há informações suficientes. Vários nós e suas respectivas arestas não estão representadas, uma vez que apenas uma parte da rede é avaliada. Além disso, os usuários da Wireless Leiden podem escolher quais proxies utilizar para o acesso à Internet. Portanto, nós proxies preteridos podem apresentar baixo valor de centralidade.

5.3 Conclusão

Neste capítulo, avaliamos a modelagem que propomos para redes em malha sem fio (Wireless Mesh Network – WMN). Mostramos que com os parâmetros adequados, a modelagem proposto gera topologias com características semelhantes as topologias de WMNs reais, onde a topologia gerada por nossa modelagem foi comparado a topologia da Wireless Leiden. Em seguida, apresentamos um estudo de caso da modelagem proposta e, utilizando a WMN obtida, avaliamos duas métricas de centralidade. Essa avaliação mostrou que propostas podem ser avaliadas utilizando a nossa modelagem.

Na segunda parte, fizemos análises e comentários dos resultados obtidos em duas WMNs. A avaliação abrangeu a aplicação das métricas LBC, LLBC e DyLaN. Em todos os cenários, a métrica DyLaN exibiu melhores resultados quanto à classificação dos nós, assim como na estabilidade da classificação. Esses resultados mostraram a importância em atender a premissa 2 e premissa 3 apresentadas na Seção4.3, que são cumpridas pela métrica DyLaN. Além disso, DyLaN é bastante flexível e pode ser ajustada para lidar com uma ampla variedade de cenários dinâmicos em WMNs.

CAPÍTULO

6

Conclusões

Analisamos diferentes modelos e caracterizações de redes complexas, entre as quais, a classificação da importância de um nó em redes em malha sem fio (Wireless Mesh Network – WMN) através da métrica LLBC (Localized Load-aware Bridging Centrality). Realizamos avaliações da métrica LLBC, utilizando a topologia da Dart-Mesh, isto é, a mesma WMN onde a métrica foi proposta originalmente. Avaliamos diferentes cenários e estimados os dados de fluxo em cada nó, obtidos através de simulações no ns-3. Como resultado da avaliação, constatamos uma classificação relativa dos nós da topologia inadequada, além de uma grande oscilação na classificação. Em uma segunda avaliação, utilizamos os dados de fluxo da Wireless Leiden e observamos que a métrica também apresentava uma grande oscilação na classificação relativa dos nós, visto que a WMN tinha como característica uma variação na distribuição dos fluxos de pacotes ao longo do tempo. Para suprir as deficiências da proposta LLBC, propomos uma nova métrica de centralidade para classificação de nós em WMNs, chamada DyLaN.

No decorrer do estudo das métricas LLBC e DyLaN, houve a necessidade da utilização de dados de WMNs reais para a validação, uma vez que não encontramos ne- nhuma modelagem que descrevia uma WMN de maneira estrutural, isto é, uma descrição da criação de uma topologia para WMNs e como ela se modifica ao longo do tempo. Assim, desenvolvemos uma modelagem que descreve como criar e atualizar uma WMN. Para a parte de troca de mensagens das WMNs, foram encontradas algumas soluções, dando um enfoque ao modelo de fluxo para WMN com múltiplos saltos. Contudo, o mo- delo se mostrou complexo para ser implementado e utilizado na prática. Verificamos que a obtenção desses dados de fluxo no ns-3 era feito de maneira mais simples se comparada com a implementação desse modelo. Isso resultou na utilização do ns-3 para a obtenção dos dados de fluxo em nossa modelagem.

Para a validação da modelagem para WMNs, fizemos uma comparação da topologia gerada por nossa modelagem com uma WMN real, a Wireless Leiden. Com o objetivo de mostrar um uso completo da modelagem proposta, realizamos um estudo de caso onde uma topologia foi gerada, atualizada e obtida os seus dados de fluxo. Posteriormente, para avaliar esse estudo de caso, utilizamos os dados de fluxo gerados

81

e avaliamos as métricas LLBC e DyLaN.

As principais atividades desenvolvidas na dissertação podem ser resumidas da seguinte forma:

• Desenvolvimento e avaliação de uma nova modelagem que descreve a criação e atualização de WMNs.

• Proposta de uma nova métrica de centralidade, chamada DyLaN, para classificação dinâmica de nós em WMNs. Não foi encontrada na literatura outra métrica de centralidade que utiliza o conceito de classificação dinâmica ao longo do tempo e o histórico da rede no cálculo da métrica.

• Implementação e avaliação da DyLaN utilizando dados de fluxo de um estudo de caso da modelagem proposta e de WMNs reais.

Além das contribuições principais descritas, este trabalho também trouxe contri- buições secundárias. A seguir, descrevemos essas contribuições brevemente:

• Códigos em linguagem de programação C++ desenvolvidos para o estudo de caso da modelagem de WMNs, que serão disponibilizados para a utilização da comunidade científica.

• Dados de fluxo da Wireless Leiden em um formato capaz de serem utilizados pelas métricas de centralidade para WMNs.

• Metodologia que utilizamos na modelagem.

Durante a realização das atividades do trabalho, foram encontradas diversas dificuldades. Segue uma breve descrição desses problemas:

• Utilizar o modelo de fluxo para WMNs com múltiplos saltos. Trocamos diversos e- mails com os autores do modelo e reproduzimos diversas simulações. Além disso, obtivemos dos autores os códigos da implementação do modelo com um único salto, ao qual o modelo com múltiplos saltos foi derivado. Contudo, não conseguimos extrair informações corretas e consistentes do modelo com múltiplos saltos. Após alguns meses de estudos sem obter os resultados desejados, decidimos analisar outros meios de conseguir os dados de fluxo, entre os quais, simulações no ns-3. Em um curto espaço de tempo, conseguimos obter as informações desejadas. Além disso, verificamos na comunidade científica a consistência dos resultados gerados por experimentos realizados no ns-3. Assim, optamos pela utilização do ns-3 para a geração dos dados de fluxo.

• Encontrar dados ou cenários capazes de gerar dados com informações temporais para a avaliação das métricas DyLaN e LLBC, sobretudo para a análise da premissa 3, consideração do histórico para o cálculo da métrica. Graças a colaboração dos

82

voluntários da Wireless Leiden, obtivemos autorização de acesso à rede para a realização de experimentos.

• Obter os dados de fluxo na Wireless Leiden. O script Python utilizado pelos volun- tários da WMN que tivemos acesso, gerava uma grande quantidade de informação. Além disso, não gerava informações sobre a quantidade de pacotes encaminhados. Manipulamos as informações obtidas da rede, utilizando um programa em lingua- gem de programação C++, resultando nos valores de In, Out e Fwd em cada nó da topologia.

As perspectivas de trabalhos futuros são descritas a seguir:

• Fazer uma validação mais ampla da topologia gerada por nossa modelagem de WMNs, utilizando dados de outras WMNs e analisando outras características. Por exemplo, tamanho médio dos menores caminhos entre todos os pares de nós.

• Estender a avaliação das métricas para outras WMNs, tais como as utilizadas em smart grids.

• Aumentar a capacidade de classificação da métrica DyLaN, adicionando a capaci- dade de identificar serviços críticos. O DNS é um exemplo de um serviço crítico que pode afetar seriamente a rede, mas apresenta uma baixa demanda de fluxo de tráfego.