Orientador: Prof. MSc. Mateus Raeder

Iuri Andreazza

Junho - 2012

Redes Mesh Cognitivas: Mantendo a Qualidade da Transmissão Utilizando Análise e Predição de Tráfego com Redes Neurais Artificiais

Universidade do Vale do Rio dos Sinos - UNISINOS Unidade Acadêmica de Graduação Curso de Ciência da Computação

Nível Bacharel

de 37

Organização✤ Introdução ✤ Motivação ✤ Objetivos ✤ Assuntos Envolvidos

✤ Redes Neurais Artificiais ✤ Redes Mesh ✤ Simulador NS-3

✤ Simulações ✤ Avaliação ✤ Trabalhos Relacionados ✤ Conclusão

2

de 37

Introdução

3

de 37

Motivação

✤ Algoritmos tradicionais ineficientes para cenários estocásticos

✤ Manutenção da Eficiência da rede

✤ Gestão e Predição do Tráfego

✤ Capacidade Cognitiva e Empírica no roteamento

✤ Uso de Redes Neurais Artificiais para flexibilização

✤ Flexibilidade em cenários de alterações constantes

4

de 37

Objetivos

Este trabalho objetiva propor um novo mecanismo de roteamento para Redes Mesh que vise manter a conectividade e maximize a qualidade da transmissão, conseguindo se ajustar à constante mudança da topologia da rede.

5

de 37

Objetivos

✤ Contribuições:

✤ Flexibilizar o protocolo de roteamento

✤ Aumentar a qualidade da rede em cenários de caos

✤ Melhorar a qualidade da conexão para dispositivos com alta mobilidade

✤ Demonstrar o uso efetivo de Redes Neurais Artificiais juntamente com Redes Mesh

6

de 37

Redes Neurais Artificiais

✤ Semelhança à célula neural humana

✤ Reconhecimento e classificação de Padrões

✤ Correção de Padrões

✤ Previsão de séries temporais

✤ Geração e descoberta de informação

✤ Aprendizagem dinâmica (Supervisionada, Não supervisionada)

7

de 37

Redes Neurais Artificiais

✤ Modelos:

✤ Hopfield (LOESCH; SARI, 1996)

✤ RRS (Rede Recorrente Simples)

✤ RRDD (Rede Recorrente Dinamicamente Dirigida)

✤ Reconhecimento Temporal de padrões

✤ Representação Implícita

✤ Representação Explícita

8

de 37

Redes Mesh

✤ Rede no padrão de malha ✤ Funcionamento em camadas:

✤ Mesh Routers ✤ Mesh Clients

✤ Infraestrutura de acesso fácil ✤ Autorreparação ✤ Autoconfiguração ✤ Auto-organização ✤ Mecanismo de Roteamento

9

de 37

Simulador NS-3

✤ Escrito em C++ com uma interface para Python;

✤ Integração com softwares padronizados para entrada e saída de informação;

✤ Organização lembrando implementações físicas;

✤ Integração com o Kernel Linux;

✤ Mescla Ambientes reais e simulados para simulação da rede;

✤ Rica documentação

✤ Modelo de relatórios é compatível com ferramentas de análise de rede

10

de 37

Simulações

✤ Criado um cenário base

✤ 250 Simulações

✤ 8 cenários diferentes

✤ Parâmetros de alteração:

✤ Modelo de Mobilidade (Static, Car, Walk)

✤ Tamanho (X,Y)

✤ Tempo de Simulação

11

de 37

Simulações✤ Topologia exemplo de como o

algoritmo se comporta na avaliação dos estados

✤ Busca sempre evitar mesh clients que em um futuro breve tenham problemas

✤ Avalia antes de encaminhar o pacote

✤ Inicia busca por rotas de transmissão alternativas

12

de 37

Simulações✤ Transmite os dados junto ao

pacote administrativo

✤ Mesh Header alterado para comportar os dados de controle utilizados como entrada da RNA

✤ 3 novas informações transmitidas

✤ Tx,Rx,Delay

✤ Inicialmente a RNA não é usada para transmissão dos pacotes

13

de 37

Simulações RNA Aplicada no Roteamento

✤ Modelos escolhido foi o RRDD

✤ Capaz de aprender sem necessidade de cenários e supervisão

✤ Memória matricial com atraso temporal

✤ Utiliza um supervisor automático

✤ Opera durante a execução da rede

✤ Mantêm os pesos dentro dos parâmetros especificados no projeto

14

de 37

Simulações RNA Aplicada no Roteamento

✤ O aprendizado automático ocorre durante o processo de roteamento

✤ Memória matricial serve para avaliar os dados no futuro

✤ Simulação da RRDD no NS-3 sobrecarregou o ambiente

✤ Outro modelo de RNA escolhido foi o Hopfield (3 Camadas)

✤ É possível mapear a variação dos estados dos mesh clients como séries temporais e assim habilitar a RNA para conseguir prever seus padrões

15

de 37

Simulações RNA Aplicada no Roteamento

16

de 37

Simulações RNA Aplicada no Roteamento

✤ Hopfield convergiu corretamente na previsão dos estados dos nodes

✤ RNA executada de forma paralela à simulação

✤ Retropropagação habilitou a rede a ajustar os pesos conforme os estados eram gerados

17

de 37

Avaliação

✤ Métricas utilizadas:

✤ Média de entrega de pacotes (PDF - Average Packet Delivery Fraction)

✤ Taxa de Transmissão de pacote

✤ Média do atraso de entrega de pacotes

✤ Pacotes que chegaram ao destino

18

de 37

Avaliação

✤ Feito com base nas simulações ✤ Uso de caminhos alternativos como apoio na manutenção do fluxo de

transmissão

✤ Determinado que a decisão empírica da RNA afeta positivamente a Rede Mesh

✤ Avaliações baseadas nos autores: ✤ Venkataram, Ghosal e Ku- mar (2002) ✤ Zhi-yuan, Ru-chuan e Jun-lei (2009) ✤ Song, Zhang e Fang (2010) ✤ Baumann et al. (2007) e Paul et al. (2010)

19

de 37

Avaliação✤ Entregas de pacotes

ficam acima dos 90%

✤ Cenários de grande mobilidade mantém a estabilidade

✤ Comparativo mostra que poucos outros algoritmos conseguiram manter taxas altas

20

de 37

Avaliação✤ Demonstração da eficiência

geral da rede;

✤ Taxas se mantêm na média de 85% de entregas

✤ Comparativo feito utilizando 10 casos médios de todas as simulações

✤ Comparativo demonstrando 25 execuções da simulação com e sem o uso da RNA na avaliação dos estados dos mesh clients

21

de 37

Avaliação✤ Demonstração do atraso

médio da rede

✤ Taxas baixas de atraso para entrega

✤ Eficiência em manter o tempo de entrega de pacotes

✤ Caminhos alternativos funcionam como rota temporária para evitar congestionamento

22

de 37

Avaliação

✤ Pacotes transmitidos com sucesso

✤ Tempo médio de atraso na entrega

✤ Atraso de entrega comparando simulação normal e com RNA

23

de 37

Avaliação

✤ Dispersão do PDF das 250 simulações

✤ Dispersão do tempo de Entrega

24

de 37

Trabalhos RelacionadosTrabalho Autor RNA Pred. Hard Metr.

A Multipah Routing Algorithm Based on Traffic Prediction in Wireless Mesh Networks

Zhi-yuan, Ru-chuan e Jun-lei (2009)

X X - -

Neural network based optimal routing algorithm for communication networks

Venkataram, Ghosal e Kumar (2002)

X - X X

Stochastic Traffic Engineering in Multihop Cognitive Wireless Mesh Networks

Song, Zhang e Fang (2010) X - - X

High Performance AODV Routing Protocol for Hybrid Wireless Mesh Networks

PIRZADA; PORTMANN, 2007

- - - X

A high-throughput path metric for multi-hop wireless routing De Couto et al. (2005) - - - X

Quality-Aware Routing Metric for Time-Varying Wireless Mesh NetworksKoksal e Balakrishnan (2006)

- X - X

Bio-inspired Link Quality Estimation for Wireless Mesh Networks Caleffi e Paura (2009) X X - X

Cognitive Wireless Mesh Networks with Dynamic Spectrum Access Chowdhury e Akyildiz (2008) X - - X

25

de 37

Conclusão

✤ Abordagem Cognitiva ao roteamento em redes mesh

✤ Flexibilizou o HWMP para suportar alterações bruscas na topologia

✤ Maior qualidade de conexão da rede

✤ Neurociência influenciou diretamente a pesquisa

✤ Nas simulações, caminhos sobrecarregados eram evitados

✤ Caminhos alternativos servem como pontes de apoio

26

de 37

Conclusão

✤ Tempo de espera do pacote diminuto

✤ Uso coerente da topologia de forma a dispersar o fluxo intenso de pacotes

✤ É possível utilizar RNA para habilitar a cognição no processo de roteamento

✤ Flexibilidade empírica

27

de 37

Trabalhos Futuros

✤ Usar RNA para avaliar o caminho 6 saltos à frente

✤ Alterar a RNA para ter um treinamento não supervisionado

✤ Construir seus dados a partir da informação que trafega na rede

✤ Testar em ambiente real

✤ Determinar a sobrecarga que a simulação contém utilizando a RNA para determinar os resultados mais próximos da realidade

28

de 37

Referências

✤ AKYILDIZ, I. F.; XUDONG, W. Wireless Mesh Networks. 2th. ed.: Willey, 2009.

✤ AKYILDIZ, I.; WANG, X. A survey on wireless mesh networks. Communications Magazine, IEEE, v. 43, n. 9, p. S23 – S30, sept. 2005.

✤ BARANSEL, C.; DOBOSIEWICZ, W.; GBURZYNSKI, P. Routing in multihop packet switching networks: gb/s challenge. Network, IEEE, [S.l.], v. 9, n. 3, p. 38 –61, may/jun 1995.

29

de 37

Referências

✤ BAUMANN, R.; HEIMLICHER, S.; LENDERS, V.; MAY, M. Routing Packets into Wireless Mesh Networks. In: WIRELESS AND MOBILE COMPUTING, NETWORKING AND COMMUNICATIONS, 2007. WIMOB 2007. THIRD IEEE INTERNATIONAL CONFERENCE ON, 2007, White Plains, NY, USA. Anais. . ., 2007. p. 38. (WIMOB ’07).

✤ BRAGA, A.; CARVALHO, A.; LUDEMIR, T. Redes Neurais Artificiais - Teorias e Aplicações. 1th. ed.: LTC, 2007.

✤ CALEFFI, M.; PAURA, L. Bio-inspired link quality estimation for wireless mesh networks. In: WOWMOM, 2009. Anais. . . IEEE, 2009. p. 1–6.

30

de 37

Referências

✤ CHOWDHURY, K.; AKYILDIZ, I. Cognitive Wireless Mesh Networks with Dynamic Spectrum Access. Selected Areas in Communications, IEEE Journal on, Edmonton, AB, Canadá, v. 26, n. 1, p. 168 –181, jan. 2008.

✤ DE COUTO, D. S. J.; AGUAYO, D.; BICKET, J.; MORRIS, R. A high-throughput path metric for multi-hop wireless routing. Wirel. Netw., Hingham, MA, USA, v. 11, n. 4, p. 419–434, July 2005.

✤ GIL, A. C. Como elaborar projetos de pesquisa. 3th. ed. [S.l.]: ATLAS, 2004.

31

de 37

Referências

✤ GRANVILLE, L. Z.; CARISSIMI, A. D. S.; ROCHOL, J. Redes de Computadores. 20th. ed.[S.l.]: BOOKMAN COMPANHIA ED, 2009.

✤ HAYKIN, S. Redes Neurais - Princípios e Prática. 2th. ed. [S.l.]: Bookman, 2001.

✤ KOKSAL, C. E.; BALAKRISHNAN, H. Quality-aware routing metrics for time-varying wireless mesh networks. IEEE JSAC, [S.l.], v. 24, p. 1984–1994, 2006.

✤ LOESCH, C.; SARI, S. T. Redes Neurais Artificiais - Fundamentos e Modelos. 1th. ed. [S.l.]: FURB, 1996.

32

de 37

Referências

✤ MARCONI, M. d. A.; EVA MARIA, L. Metodologia do Trabalho Científico. 7th. ed. [S.l.]: ATLAS, 2011.

✤ PAUL, A.; KONWAR, S.; GOGOI, U.; CHAKRABORTY, A.; YESHMIN, N.; NANDI, S. Implementation and performance evaluation of AODV in Wireless Mesh Networks using NS-3. In: EDUCATION TECHNOLOGY AND COMPUTER (ICETC), 2010 2ND INTERNATIONAL CONFERENCE ON, 2010. Anais. . ., 2010. v. 5, p. V5–298 –V5–303.

✤ SEVERINO, A. J. Metodologia do Trabalho Científico. 23th. ed. [S.l.]: Cortez Editora, 2011.

33

de 37

Referências

✤ PIRZADA, A. A.; PORTMANN, M. High Performance AODV Routing Protocol for Hybrid Wireless Mesh Networks. In: FOURTH ANNUAL INTERNATIONAL CONFERENCE ON MOBILE AND UBIQUITOUS SYSTEMS: NETWORKING&SERVICES (MOBIQUITOUS), 2007., 2007, Washington, DC, USA. Proceedings. . . IEEE Computer Society, 2007. p. 1–5. (MOBIQUITOUS ’07).

✤ SONG, Y.; ZHANG, C.; FANG, Y. Stochastic Traffic Engineering in Multihop Cognitive Wireless Mesh Networks. Mobile Computing, IEEE Transactions on, [S.l.], v. 9, n. 3, p. 305 –316, march 2010.

34

de 37

Referências

✤ VENKATARAM, P.; GHOSAL, S.; KUMAR, B. P. V. Neural network based optimal routing algorithm for communication networks. Neural Netw., Oxford, UK, UK, v. 15, p. 1289–1298, December 2002.

✤ ZHI-YUAN, L.; RU-CHUAN, W.; JUN-LEI, B. A Multipath Routing Algorithm Based on Traffic Prediction in Wireless Mesh Networks. In: NATURAL COMPUTATION, 2009. ICNC ’09. FIFTH INTERNATIONAL CONFERENCE ON, 2009. Anais. . ., 2009. v. 6, p. 115 –119.

✤ ZHU, F.; MUTKA, M.; NI, L. PrudentExposure: a private and user-centric service discovery protocol. In: PERVASIVE COMPUTING AND COMMUNICATIONS, 2004. PERCOM 2004. PROCEEDINGS OF THE SECOND IEEE ANNUAL CONFERENCE ON, 2004. Anais. . ., 2004. p. 329 – 338.

35

de 3736

TCC - Inicio …

de 37

TCC - O trabalho✤ Muita Leitura, mas MUITA LEITURA

✤ Livros, artigos, referencias, tudo que for possível.

✤ Ter uma idéia, um objetivo e querer deixar a marca no mundo, uma contribuição realmente importante

✤ Pensar bem nas areas em que queres estudar e fazer o trabalho

✤ Essas idéias devem ja ter alguma forma antes de começar o TCC.

✤ Sempre trabalhar com ideia nas métricas e valores, sabendo avaliar aquilo que está sendo feito como está sendo feito.

✤ Ser metódico, bem analítico.

37

de 37

TCC - Como a vida é …✤ É o trabalho que define a vida acadêmica e a profissional

✤ Colocará a prova todos os conhecimentos

✤ Necessita de um pouco de skill social

✤ Dormir pouco, mas muito pouco mesmo!

✤ Ser assíduo com seus prazos e saber bem o que está sendo feito.

✤ Revisar, ler, ler novamente, revisar, ler outro livro, reprogramar, simular, agregar dados, ler valores, revisar novamente.

38

Perguntas?

@iuriandreazza/iuri.andreazza

/iuriandreazza

Orientador: Prof. MSc. Mateus Raeder

Iuri Andreazza

Junho - 2012

Redes Mesh Cognitivas: Mantendo a Qualidade da Transmissão Utilizando Análise e Predição de Tráfego com Redes Neurais Artificiais

Universidade do Vale do Rio dos Sinos - UNISINOS Unidade Acadêmica de Graduação Curso de Ciência da Computação

Nível Bacharel