UNIVERSIDADE FEDERAL DO PARÁ
PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO DIRETORIA DE PESQUISA
PROGRAMA INSTITUCIONAL DE BOLSAS DE INICIAÇÃO CIENTÍFICA
RELATÓRIO TÉCNICO - CIENTÍFICO
Período: ____03_____/___2014_____ a ____08_____/____2015______ ( ) PARCIAL
( x ) FINAL
IDENTIFICAÇÃO DO PROJETO
Título do Projeto de Pesquisa: Estudo do Comportamento de Sistemas Sem Fio Indoor Baseados em Modelagem Empírica Estatística De Qos/QoE: Abordagem Cross-Layer Nome do Orientador: Gervásio Protásio dos Santos Cavalcante
Titulação do Orientador: Doutorado em Engenharia Elétrica – UNICAMP Faculdade: Faculdade de Engenharia da Computação
Unidade: Instituto de Tecnologia - ITEC
Laboratório: Laboratório de Computação e Telecomunicações- LCT
Título do Plano de Trabalho: Comportamento de Métricas de QoE/QoS de Vídeo em Redes Sem Fio utilizando inteligência computacional: Abordagem Cross-Layer
Nome do Bolsista: Hugo Alexandre Oliveira da Cruz Tipo de Bolsa: ( x ) PIBIC/CNPq
( ) PIBIC/CNPq-AF ( ) PIBIC/UFPA ( ) PIBIC/UFPA-AF ( ) PIBIC/INTERIOR ( ) PIBIC/FAPESPA ( ) PARD ( ) PARD – renovação ( ) PADRC
( ) Bolsistas PIBIC do edital CNPq 001/2007
INTRODUÇÃO
Atualmente, há uma grande necessidade por serviços banda larga devido à demanda por alta velocidade, mobilidade e serviços em qualquer lugar e a qualquer hora. Além disso, notamos uma massificação do acesso às redes sem fio. Assim, aplicações multimídia, como VoIP, vídeo, jogos online (dados, vídeo e/ou VoIP) serão prioridades para que a demanda seja atendida.
O relatório Measuring the Information Society do ITU (International Telecommunication Union), divulgado em 2012, indica que o aumento citado anteriormente inclui usuários de redes banda larga, implicando na necessidade de otimização das redes WLAN (Wireless Local Area Networks), a fim de evitar gargalos e/ou sobrecargas.
JUSTIFICATIVA
Considerando a importância das aplicações que envolvem tráfego de conteúdo multimídia em redes sem fio, sobretudo redes Wi-Fi (Wireless Fidelity), tornam-se necessários estudos que considerem o comportamento das métricas de avaliação da qualidade de vídeo, que são fundamentais, tanto para os usuários quanto para os projetistas e profissionais desses sistemas. Portanto, tais estudos podem ser alcançados por meio de uma metodologia que represente melhor os fatores: perda de propagação e os comportamentos das métricas de qualidade de serviços oferecidos pela rede e consequentemente a qualidade de serviço fornecida ao usuário.
OBJETIVOS
Este trabalho pretende auxiliar o planejamento de sistemas de comunicações móvel indoor, que requerem o conhecimento prévio do ambiente no qual será implantado. Para tanto, é necessária a exatidão na predição do sinal através de uma abordagem empírica estatística realizada, considerando alguns fatores que influenciam na propagação do sinal indoor: arquitetura dos prédios, concentração de móveis no interior dos compartimentos, números de paredes e pisos de diversos materiais e o espalhamento das ondas de rádio. Assim, utilizando a abordagem cross-layer, ou seja, que demonstra o impactado da camada de rede em relação a camada de aplicação utilizada pelo usuário final, este estudo tem como objetivo analisar o comportamento de métricas de QoS e QoE em transmissões de vídeo em ambientes indoor, por meio de um sistema Neuro-Fuzzy, objetivando predizer métricas de QoE tendo como parâmetros de entrada métricas de QoS.
MATERIAIS E MÉTODOS:
Adotamos uma metodologia dividida em três etapas: ETAPA I – Aquisição de Dados;
ETAPA II – Tratamentos dos Dados;
ETAPA III – Desenvolvimento de um Sistema de Inferência Fuzzy(FIS). Descrição das Etapas:
Etapa I: Realizamos medições, que consistem na transmissão e recepção de vídeos, em um ambiente indoor especifico;
Etapa II: Tratamentos dos dados obtidos na fase anterior, afim de extrair as métricas de Qualidade de Serviço (QoS) e Qualidade de Experiência (QoE);
Etapa III: ao desenvolvimento de um Sistema de Inferência Fuzzy (FIS), que utilizou uma técnica de inteligência computacional, chamada Neuro-Fuzzy que combinam redes neurais artificiais (RNA) e Lógica Fuzzy (LF), para relacionar parâmetros QoS e QoE. RESULTADOS
1. AVALIAÇÃO DE QUALIDADE DE VÍDEO
Sabemos que a interferência no canal afeta diretamente a qualidade do tráfego de informação na rede, devido à utilização da transmissão de dados por meio de ondas eletromagnéticas, no caso de transmissão de vídeos, que são quadros contínuos e síncronos.
Sendo assim, a avaliação da qualidade de vídeo é feita levando em consideração métricas objetivas e subjetivas. Tendo como métricas subjetivas as que são baseadas na percepção humana. E as métricas objetivas são baseadas em modelos matemáticos para estimar a média das opiniões dos usuários.
As métricas objetivas são divididas em três tipos, que variam de acordo com a disponibilidade do vídeo original, que é considerado livre de distorção ou de alta qualidade, sendo o: FR (Full Reference) Referência Completa [1]quando o sinal de vídeo de referência não degradado está totalmente disponível, RR (Reduced Reference) Referência Reduzida [1] quando o sinal de vídeo original não é totalmente disponível, e os NR (No-Reference) Sem Referência [2] quando as sequências de vídeo de referência não são acessíveis, chamada de avaliação cega. O modelo de avaliação de vídeo utilizado no trabalho é do tipo Full Reference, porque utilizámos duas entradas (vídeo original e vídeo degradado) para obter o resultado da qualidade do vídeo “observada pelo usuário”. Desta
maneira, é perceptível que aspectos de desempenho da rede afetam aspectos da qualidade de experiência do usuário.
1.1. MÉTRICAS DE DESEMPENHO DE QoS E QoE
Estas métricas servem para mensurar a capacidade de desempenho de um sistema. 1.1.1. Métricas de QoS (Qualidade de Serviço)
São utilizadas para medir a robustez de uma rede de computadores, como veremos a seguir:
1.1.1.1. Perdas de pacotes
Um pacote é uma unidade formada de dados, sendo utilizado para transmitir as informações em uma rede, funcionando, ainda, como pequenas unidades gerenciáveis. A perda de pacotes ocorre quando um dos pacotes não chega ao seu destino. Isto pode ocorrer por falha na transmissão, congestionamento nos buffers ou vencimento do tempo limite para a transmissão do vídeo.
As perdas de pacote ocorrem nos vários tipos de pacotes e podem causar efeitos indesejáveis no quadro até mesmo a perda do quadro inteiro, prejudicando a qualidade do vídeo como um todo. Alguns tipos de quadros são mais relevantes que outros, desfavorecendo as métricas de QoE. Logo, se o pacote perdido seja referente ao início do quadro, todo o quadro será perdido [3].
1.1.1.2. Atraso
De maneira geral, o atraso em uma rede pode ser caracterizado como o somatório dos atrasos impostos pela rede e pelos equipamentos utilizados na comunicação. Do ponto de vista da aplicação, a latência (soma de todos os atrasos) resulta em um tempo de resposta (tempo de entrega da informação ou pacotes para a aplicação) [4].
1.1.1.3. Jitter
O jitter é a variação estatística do atraso de pacotes em uma rede, isto é, a média da variação do atraso entre os pacotes sucessivos de dados. Alguns fatores influenciam diretamente no jitter, como as flutuações nas filas ou no agendamento dos atrasos nos elementos de uma rede, pois o pacote pode trafegar por várias rotas e em diferentes meios, logo o tempo de chegada pode variar.
No caso de vídeo, o atraso dos pacotes na rede dentro do limite estabelecido pela rede pode não interferir muito na qualidade, pois esse atraso é tratado pelos buffers de jitter, que removem esses atrasos causados pela rede. Em alguns casos, o atraso é muito maior do que o atraso previsto e o buffer não é mais suficiente para manter a reprodução do vídeo normal, ocasionando interrupções na exibição do mesmo[5].
1.1.2. Métricas de QoE (Qualidade de Experiência):
São utilizadas para medir a satisfação do usuário em relação à aplicação, com o objetivo de balancear a capacidade entre nível de experiência do usuário (usabilidade) e custo computacional (custo financeiro). A seguir, veremos algumas métricas QoE que foram utilizadas:
1.1.2.1. PSNR (Peak Signal Noise Ratio)
É um método objetivo de avaliação de qualidade de vídeos e imagens, sendo, atualmente, o mais difundido na comunidade científica. Esta métrica relaciona o nível máximo de potência de um sinal pelo nível de potência do ruído, quando comparamos um sinal antes e depois de um processo de degradação, e a unidade que a representa é o dB (decibel) [6]. A métrica PSNR é representada pela equação 1:
No qual, é a faixa dinâmica dos valores de pixel, M e N são a largura e a altura das sequências de vídeo original e vídeo degradado respectivamente, é o número de quadros que contém as sequências, e , representam o pixel na posição do quadro para a sequência original e degradada, respectivamente. Para um sinal de 8 bits/pixel, L é igual a 255. [6]
1.1.2.2 SSIM (Structural Similarity Index)
É uma métrica que compara cada quadro das sequências de vídeo original e vídeo degradado para quantificar a degradação sofrida. Fundamenta-se na ideia de que imagens naturais são altamente estruturadas, isto é, seus pixels apresentam forte dependência, especialmente quando estão espacialmente próximos. Estas dependências carregam informações importantes sobre a estrutura dos objetos na cena. Logo, seu algoritmo tenta estimar a similaridade entre o vídeo original e o degradado[6]. O SSIM é regido pela equação 2 mostrada a seguir:
Sendo x e y as dimensões de um quadro, e µx e µy as médias de x e y. E e são as variância de x e y respectivamente, a covariância entre x e y, sendo e variáveis para estabilizar a divisão com denominador[6].
(1)
1.1.2.3. VQM (Vídeo Quality Metric)
A métrica objetiva de qualidade de vídeo VQM usa os vídeos original e o degradado como entradas para avaliar a qualidade de vídeo, com o intuito de predizer as classificações subjetivas que seriam obtidas caso fossem feitas por meio das opiniões dos usuários [7], levando em consideração efeitos de percepção do vídeo (distorções de cor, distorção de pixel, ruído e nível de embaçamento do vídeo). A tabela 1 apresenta os melhores valores para cada métrica.
Tabela 1 - Valores esperados para cada métrica.
Métricas Melhores Valores Unidades Perda de Pacotes Menor melhor Porcentagem, %
Atraso Menor melhor Segundos (s)
Jitter Menor melhor Segundos (s)
PSNR Maior melhor Decibel (dB)
VQM Menor melhor 0 a 5
SSIM Maior melhor 0 a 1
2. CAMPANHA DE MEDIÇÕES
Esta seção pode ser dividida em duas fases, uma na campanha de medições e outra no tratamento dos dados. Para o desenvolvimento deste trabalho, houve a necessidade de se obter dados referentes a medidas de uma rede de computadores real, ou seja, realizar uma campanha de medições, visando à verificação das influências exercidas pela camada física na qualidade do serviço prestado, e, em seguida, houve a necessidade de tratamento destes dados. Para isso, utilizamos um conjunto de ferramentas e aplicações que serão mostradas neste capitulo, bem como as suas principais características utilizadas em cada etapa do processo realizado para a obtenção e tratamentos dos valores aferido.
Esta campanha de medições visa à obtenção de dados que descrevam como ocorreu a transmissão de um vídeo em uma rede de computadores wireless, objetivando observar como se comporta o sinal irradiado e também a degradação que sofre os vídeos transmitidos no cenário especifico.
2.1.Ferramentas Utilizadas nas Medições
Por meio do conjunto de ferramentas que serão descritas neste tópico, foi possível realizar a transmissão de um vídeo em uma rede de computadores. Estas ferramentas foram utilizadas tanto para as transmissões de vídeo quanto na obtenção da potência do
sinal. A seguir, explicaremos cada ferramenta e suas importâncias no desenvolvimento das medições.
2.1.1. Vídeo Utilizado
O vídeo escolhido tem duração de 20 segundos e apresenta intensa movimentação na imagem por toda a área do quadro. Outras configurações são dadas abaixo:
Codificação utilizada: H264 - MPEG-4 AVC
Resolução: 1920x1080
Taxa de quadros: 25
Formato decodificado: Planar 4:2:0 YUV 2.1.2 EvalVid
EvalVid é um framework completo, uma vez que contém um conjunto de ferramentas que são utilizadas para avaliar a qualidade de vídeos transmitidos em uma rede de comunicação simulada ou real. Essas ferramentas permitem obter os parâmetros de QoS da rede como taxa de erros, atrasos e jitter, tanto dos pacotes quanto em relação aos frames que compõem o vídeo. Além disso, permite avaliar a qualidade do vídeo recebido através de métricas objetivas obtidas da comparação do vídeo recebido com o vídeo original. As métricas calculadas são a PSNR e do SSIM. A utilização do EvalVid é útil para pesquisadores e projetistas de rede, pois através da utilização da ferramenta, podem avaliar o comportamento da rede e, caso seja necessário, podem configurar as redes em termos das métricas obtidas [8].
2.1.3 Iperf
O Iperf é um software utilizado para testar a largura de banda, atraso e jiter, realizando injeção de pacotes tanto TCP quanto UDP para medir o desempenho de redes de computadores. Ele não possui interface gráfica, necessitando de linha de comando. Este software foi desenvolvido em C++, pela DAST (Distributed Applications Support Team) e pelo NLANR (National Laboratory for Applied Network Research), e pode rodar em diversas plataformas, incluindo Linux, Unix e Windows. [9]
2.1.4 Wireless Mon
O WirelessMon é um software de monitoramento da condição do adaptador rede wireless, que apresenta variação funções: verifica as configurações da rede, testa o funcionamento do equipamento de rede sem fio, checa os níveis de intensidade do sinal, auxilia na verificação de interferências, verifica as configurações de segurança, etc.
2.2 CENÁRIO DAS MEDIÇÕES
As aferições foram realizadas em um dos prédios da UFPA (Universidade Federal do Pará), em um pavilhão de salas de aulas. Fig.1. No segundo andar do prédio, que tem a dimensão de 25x11 metros, composto por quatro salas com 6x8 metros cada, as cadeiras e mesas dentro das salas são constituídas de materiais plástico e metal.
O prédio de sala de aulas é construído por paredes de tijolos e concreto, de um lado as salas possuem janelas de vidro e a outra lateral é de madeira e vidro. Essas características contribuem tanto de maneira positiva quanto negativa na composição do sinal recebido nos pontos de medição. As perdas de intensidade de sinal em ambientes indoor são causadas por elementos de vários formatos e materiais: paredes, pisos, pessoas, mobília, entre outros.
2.2.1 Metodologia das Medições
O processo de medição é constituído na transmissão do vídeo descrito anteriormente em uma rede WLAN, sendo que em cada ponto medido, foram realizadas três transmissões a fim de obter a maior precisão nos dados obtidos. Utilizamos os seguintes equipamentos: roteador SIROCO NETWORKS Wireless N BroadBand Router, modelo Evo-W301AR, nome (SSID) “LCT_TESTE”, Canal 3 2422 MHz, padrão 802.11g, largura do canal 20 MHz, taxa de transmissão Máxima 54 Mbps, potência de transmissão de Máxima 20 dBm, quatro notebooks, sendo dois para transmissão e recepção do vídeo (Tx-vídeo e Rx-Vídeo) Fig.2 e os outros dois para utilização do simulador de tráfego concorrente (Tx-Iperf e Rx-Iperf).
O software EvalVid, conforme mencionado anteriormente, foi utilizado para transmitir o vídeo na rede. Durante o processo, foram gerados três arquivos de configuração, um no receptor (rd.txt) e dois no transmissor (st.txt e sd.txt).
Na medição, foram coletados os seguintes parâmetros e métricas: nível de potência recebida (dBm), distância (metros) entre o transmissor e o receptor, além dos arquivos de log do EvalVid. Já o nível de potência recebida foi coletado com o auxílio da ferramenta WirelessMon e a potência recebida coletada por um período médio de dois minutos, pois o programa coleta 1 amostra por segundo, o que dava algo em torno de 120 amostras, havendo a necessidade de obter a média aritmética para compor a métrica potência recebida.
2.2.2. Localização do ponto de acesso e dos pontos para medições.
A Fig.3 mostra um esquema da planta baixa do cenário onde foram realizadas as medições. Estão marcadas as localizações dos 80 pontos divididos em 10 radiais espelhados pelo cenário, assim como a localização do ponto de acesso. Assim, foram feitas um total de 240 medições, sendo que para cada ponto houve a necessidade de se aferir três vezes consecutivas, a fim de se obter a média dessas medições.
Figura 2- Equipamentos utilizados nas medições.
2.2.3. Tráfego concorrente na rede.
Com a finalidade de simular uma rede com usuários, ou seja, como seria em uma situação real para competir pela largura de banda disponível com a transmissão do vídeo, uma simulação de tráfego (T-Iperf e R-Iperf) no modo cliente foi gerada na rede. Essa competição ocorre entre o tráfego gerado pelo Iperf com o próprio tráfego da transmissão do vídeo. Para tanto, foi criado um fluxo “artificial” de transmissão constante de dados utilizando o protocolo UDP de 4 Mbps. Os notebooks TX-Iperf e RX-Iperf foram utilizados para transmitir e receber a aplicação Iperf na rede.
2.3. TRATAMENTOS DE DADOS
Por meio do conjunto de ferramentas que serão descritas neste tópico, foi possível a obtenção dos parâmetros de QoE na rede de computadores. Estas ferramentas foram utilizadas após as transmissões do vídeo, possibilitando a obtenções de métricas como, Psnr, SSIM e VQ. Abaixo, explicaremos detalhadamente a contribuição de cada ferramenta em relação ao desenvolvimento da pesquisa em questão.
2.3.1 Ferramentas Utilizadas no Tratamento dos Dados
A partir do conjunto de ferramentas que serão descritas neste tópico, obtivemos os parâmetros de QoS e QoE das transmissões do vídeo na rede de computadores, que foram ferramentas utilizadas após as transmissões do vídeo, possibilitando as obtenções das métricas: atraso, jitter, perda de pacotes, além da Psnr, SSIM e VQM. Em seguida, abordaremos a relevância de cada ferramenta acerca do desenvolvimento do processo de tratamentos dos dados obtidos nas medições.
2.3.1.1. MSU (Video Quality Measurement Tool)
É uma ferramenta de avaliação da qualidade do vídeo e faz a avaliação do vídeo de forma objetiva. O programa possui licença gratuita para os tratamentos das métricas de medições que envolvem vídeo. As métricas de desempenho que podem ser avaliadas são: MSE, PSNR, SSIM, VQM, entre outras. Além disso, é compatível com mais de 30 formatos de vídeo [11]. Essa ferramenta ainda possui funcionalidade de visualização das métricas de forma separada. A ilustração de entradas e saídas do programa é mostrada na Fig.4. O vídeo original pode ser comparado com o vídeo degradado e como saídas vários arquivos com valores por frames, valores médios e um arquivo do tipo de vídeo com visualização da métrica.
2.3.2 Metodologia do Tratamento dos Dados
Com a obtenção dos dados brutos das transmissões feitas pelo EvalVid, foi necessário tratar esses dados para extrair as métricas da rede como atraso, jitter, perda de pacotes, e ainda reconstruir o vídeo transmitido a fim de analisar o vídeo com perdas, obtendo as informações importantes como número de frame, atraso e jitter de frame e também as métricas de qualidade de experiência como PSNR e SSIM, a partir dos arquivos de log gerados nas transmissões do EvalVid, o programa etmp4 (Evaluate Traces of MP4-file Transmission), que também faz parte do conjunto de ferramentas do EvalVid, é capaz de reconstruir o vídeo recebido para o formato MPEG4 (.mp4), sendo assim para a obtenção das métricas de PSNR e SSIM é necessário primeiro converter os arquivos reconstruídos do formato MP4 para o formato YUV através do aplicativo ffmpeg. Desse modo, com o arquivo original de referência e o arquivo reconstruído, ambos no formato YUV, são realizados os cálculos da PSNR e do SSIM através do aplicativo “psnr”, também integrante do EvalVid.
A métrica VQM foi calculada utilizando o software MSU. Para tanto, o programa recebe como entrada dois vídeos no formato YUV (vídeo original de referência e vídeo recebido com a degradação dos quadros). Como resultado, o programa pode gerar arquivos CSV com informações sobre os frames, valores médios e um arquivo do tipo AVI com a visualização da degradação.
Além dos arquivos de logs utilizados na reconstrução do vídeo, há outros dois arquivos de log gerados pelo EvalVid, de suma importância para esse trabalho, que foram tratados no MATLAB© para extração de suas informações: o arquivo delay.txt (informações como número de frame, flags perdidos, atraso fim a fim e jitter acumulado em segundos) e o arquivo loss.txt, que possui as perdas dos pacotes e ou de frames.
3. INTELIGÊNCIA COMPUTACIONAL
A Inteligência Computacional procura, por meio de técnicas baseadas na natureza, o desenvolvimento de sistemas inteligentes que reproduzem aspectos do comportamento humano, tais como: aprendizado, percepção, raciocínio, evolução e adaptação. Esta área
da ciência estuda a teoria e a aplicação de técnicas: Redes Neurais e Lógica Fuzzy, por exemplo, que explicaremos abaixo:
3.1. Redes Neurais Artificias (RNA)
São modelos computacionais não lineares, inspirados na estrutura e operação do cérebro humano, que procuram reproduzir características humanas (aprendizado, associação, generalização e abstração, etc.). Devido à sua estrutura, as Redes Neurais são bastante efetivas no aprendizado de padrões a partir de dados não-linares, incompletos, com ruído e até compostos de exemplos contraditórios. [13]
3.2.Lógica Fuzzy (LF)
Objetiva modelar o modo aproximado de raciocínio humano, visando ao desenvolvimento de sistemas computacionais capazes de tomar decisões racionais em um ambiente de incerteza e imprecisão. A Lógica Fuzzy fornece um mecanismo para manipular informações imprecisas, tais como os conceitos de muito, pouco, pequeno, alto, bom, quente, frio, etc., fornecendo uma resposta aproximada para uma questão baseada em um conhecimento que é inexato, incompleto ou não totalmente confiável. [13]
3.3. Sistema Neuro-Fuzzy (SNF)
São modelos híbridos que combinam redes neurais e lógica Fuzzy para incorporar num só sistema o conhecimento explícito de especialistas e o conhecimento implícito inerente a um conjunto de dados. É a técnica utilizada para o desenvolvimento da pesquisa em questão. Na atualidade, os sistemas Neuro-Fuzzy estão difundidos, devido ao fato de trazerem as vantagens tanto das redes neurais artificiais quanto de sistemas de logica Fuzzy, removendo assim as desvantagens individuais ao combinar as características comuns. A ideia básica de um sistema Neuro-Fuzzy é a construção de um sistema de Inferência Fuzzy (FIS), numa estrutura paralela distribuída de tal forma que os algoritmos de aprendizado das redes neurais possam ser aproveitados nestes sistemas híbridos para ajustar os parâmetros do sistema de Inferência Fuzzy. A Fig.5 apresenta a estrutura de um sistema Neuro-Fuzzy que é dividido em 5 camadas. [14]
3.3.1 ADAPTIVE NETWORK BASED FUZZY INFERENCE SYSTEM (ANFIS)
O sistema Neuro-Fuzzy ANFIS foi criado por Roger Jang. Esta arquitetura foi usada com sucesso em aplicações de previsão e aproximação de funções. Além disso, o autor propõe algumas variações do modelo para outras aplicações, aumentando sua popularidade ao ponto de ser inserido no software MATLAB©. Este sistema será explicado adiante, camada por camada.
Camada 1: A camada de entrada representa as variáveis de entrada, as quais são normalizadas e escalonadas dentro do intervalo numérico. A saída desta camada são os graus de pertinências das entradas, baseado na premissa de cada regra. Neste caso, cada entrada apenas tem duas funções de pertinência (Ai = Alto e Bi = Baixo).
Camada 2: A segunda camada é a etapa de fuzzificação. Nesta etapa, os intervalos de cada variável de entrada são divididos em diversos níveis (Baixo, Médio e Alto), os quais indicam os pesos da rede para cada entrada, sendo assim calculado o grau de pertinência ao qual é submetido o consequente de cada regra. Cada nó ou neurônio desta camada executa a operação de t_norm e corresponde a equação.
Camada 3: A terceira camada é definida pelas regras do FIS e realiza a normalização dos graus de ativação das regras. Cada nó desta camada executa a função normalização, a qual é utilizada como um pré-processamento para a defuzzificação:
Figura 5 – Estrutura do sistema Neuro-Fuzzy ANFIS
(3)
Camada 4: Nesta camada, a saída de cada neurônio é calculada pelo produto da saída normalizada da camada anterior e o grau de ativação do consequente. Este valor de saída é dado por:
Camada 5: Camada de saída é a etapa de defuzzificação, em que se calcula o valor numérico de saída do sistema ANFIS. Esta etapa de defuzzificação facilita-se pelo cálculo das camadas 3 e 4, dado por:
A ideia principal do sistema ANFIS é implementar um sistema fuzzy numa rede neural, em que geralmente as funções de pertinência utilizadas são do tipo sigmoides ou gaussiana.
3.4 Descrição do Sistema Neuro-Fuzzy Adaptativo
O sistema Neuro-Fuzzy foi desenvolvido no software MATLAB©, sendo composto da seguinte maneira: três entradas - parâmetros de QoS, atraso de pacote, jitter, perda de pacote - relacionadas a fim de gerar uma saída, que representa uma métrica de QoE, como PSNR, VQM, SSIM. Então foram gerados três sistemas Neuro-Fuzzy, isto é, um para cada métrica de QoE citadas anteriormente Fig.6.
Figura6 – Representação do Sistema Neuro-Fuzzy.
Todos os sistemas Neuro-Fuzzy, tinham a mesma configuração, como podemos ver a seguir:
(5)
Características Gerais;
Conjunto de 60 pontos aleatórios de medição usados para treinamento;
Conjunto de 30 pontos aleatórios de medição usados para teste. Características da Rede Neural Artificial;
Sistema de Inferência Fuzzy, gerado baseado em sub. Clustering;
Método de otimização do treinamento da rede neural artificial utilizado foi o Backpropagation.
Características da Lógica Fuzzy. Fig.7;
Modelo Fuzzy utilizado foi o Takagi-Sugeno;
Formato das funções de pertinência utilizado foi o Gaussiano;
Método de defuzzificação foi o de média ponderada.
4. RESULTADOS
A partir dos dados obtidos na saída do sistema de Inferência Fuzzy, podemos comparar com o conjunto de pontos de teste, o qual, o sistema não teve acesso para o aprendizado, a fim de aferir a capacidade de predição do mesmo. Dessa maneira, foi possível comparar os valores dos dados referentes a QoE, que foram obtidos na fase de tratamentos de dados, com os valores gerados pelo sistema de Inferência Fuzzy.
4.1. PSNR
Figura 8 – Gráfico comparativo entre PSNR real (Medido) e PSNR simulado (Predito) Dados complementares:
Tabela 2 –Medidas de Dispersão da PSNR
PSNR Real Simulado
Média 35.3756 35.6500
Desvio Padrão 3.0470 2.0012
Erro RMS entre real
e simulado. 2.3364
O sistema de inferência teve um bom desempenho de predição da métrica PSNR, com uma taxa de erro aceitável, pois os valores preditos (simulados) foram próximos e seguiram a tendência dos valores de PSNR medidos (real), como mostra a Fig.8. Devido à alta variabilidade da métrica PSNR, o erro RMS apresentado foi o maior das três métricas analisadas. Com uma maior base de dados para treinamento do sistema Neuro-Fuzzy, é possível diminuir essa taxa de erro entre os dados medidos e os preditos para métrica PSNR.
4.2. SSIM
Figura 9 – Gráfico comparativo entre SSIM real (Medido) e SSIM simulado (Predito) Dados complementares:
Tabela 3 –Medidas de Dispersão da SSIM
SSIM Real Simulado
Média 0.8993 0.8995
Desvio Padrão 0.0305 0.0767
Erro RMS entre real
e simulado. 0.0620
O sistema de Inferência Fuzzy teve um ótimo desempenho de predição em relação a métrica SSIM, que é uma métrica previsível, isto é, tem uma baixa variabilidade nos seus valores, como podemos ver na Fig.9.
4.3. VQM
Figura 10 – Gráfico comparativo entre VQM real (Medido) e VQM simulado (Predito) Dados complementares:
Tabela 4 –Medidas de Dispersão da VQM
VQM Real Simulado
Média 0.9903 1.1085
Desvio Padrão 0.6868 0.5393
Erro RMS entre real
e simulado. 0.5828
Em relação à métrica VQM, o sistema de inferência obteve bons resultados, levando em consideração o erro RMS dos valores medidos (real) e os valores preditos (simulado). CONCLUSÃO
A abordagem cross-layer (relação entre camada de rede e camada de aplicação) se mostrou muito pertinente para esta pesquisa, a ponto de podermos criar um sistema de inferência Fuzzy com um bom desempenho e muito potencial na predição de métricas de QoE em vídeos, em uma rede WLAN (802.11g), em ambiente indoor, com isso é possível facilitar o planejamento de futuras redes de computadores em ambientes indoors similares ao deste trabalho, considerando a qualidade de experiência do usuário. Para trabalhos
futuros, pretendemos aperfeiçoar esse sistema de Neuro-Fuzzy, para que ele possa ser capaz de predizer a QoE, em diferentes cenários indoor, realizando mais medições para que possamos treiná-lo com mais dados heterogêneos.
REFERÊNCIAS
[1] Z. Wang, H. R. Sheikh and A. C. Bovik, Objective Video Quality Assessment, The Handbook of Video Databases: Design and Applications, ch. 41, pp. 1041-1078, September 2003.
[2] Y. Tian and M. Zhu, Analysis and Modelling of No-Reference Video Quality Assessment, IEEE Conference on Computer and Automation Engineering, pp. 108-112, March 2009.
[3] Greengrass, J., Evans, J. Begen, A. C.; “Not All Packets Are Equal, Part I Streaming Video Coding and SLA Requirements” IEEE Internet Computing, 2009.
[4] Costa, G. C., “Métricas para Avaliação de Desempenho em Redes QoS Sobre IP”, especialização, UFRS, 2008.
[5] BRAGA, Allan dos Santos. Planejamento De Redes De Comunicação Sem Fio Para Ambientes Indoor Considerando Aplicações Multimídia: Abordagem Híbrida - Simulação E Medição. 2014. Dissertação (Mestrado em Engenharia Elétrica) – Faculdade de Engenharia Elétrica, Universidade Federal do Pará, Belém, 2014.
[6] Kin, H. J., Choi, S. G., “A Study on a QoS/QoE Correlation Model for QoE Evaluation on IPTV Service”, 12th International Conference on Advanced Communication Technology, 2010.
[7] Xiao, F. “DCT-based Video Quality Evaluation”, Final Project for EE392J, Winter 2000. [8] EvalVid - Video Evaluation tool, disponível em http://www2.tkn.tuberlin.de/research/EvalVid/
EvalVid/docEvalVid.html, acessado em 15 de abril de 2015.
[9] IPERF, disponível em - https://iperf.fr/, acessado em 17 de abril de 2015.
[10]Software WirelessMon, disponivel em http://www.wirelessmon.com/, acessado em 17 de aabril de 2015.
[11] MSU Video Quality Measurement Tool, disponivel em, Qualityhttp://compression.ru/video/qu
ality_measure/video_measurement_tool_en.html, acessado em 17 de aabril de 2015.
[12]Software MATLAB, disponivel em matlabhttp://www.mathworks.com/, acessado em 17 de aabril de 2015.
[13] Inteligência computacional, disponível em http://www.ica.ele.pucrio.br/compint/index.rails
?name=Intelig%C3%AAncia%20Computacional, acessado em 5 de maio de 2015.
[14] Sistema Neuro-Fuzzy, disponivel em PUC-RIO- Certificação Digital Nº 0721406/CA, acessado em 5 de maio de 2015.
DIFICULDADES:
Não foram encontradas dificuldades até o presente momento.
INFORMAÇÕES ADICIONAIS:
O aluno Hugo Alexandre Oliveira da Cruz é concluinte do curso Engenharia da Computação (UFPA), com intenção de ingressar no Programa de Pós-graduação em Engenharia Elétrica (PPGEE-UFPA), inclusive tendo cursado à disciplina Redes Moveis na Pós-graduação.
PARECER DO ORIENTADOR:
O aluno obteve desempenho muito bom no seu trabalho de IC e está se inscrevendo para a pós-graduação. Espero continuar o trabalho ora iniciado.
DATA: 07 / 08 / 2015
_________________________________________ ASSINATURA DO ORIENTADOR
_________________________________________ ASSINATURA DO ALUNO
