O documento discute o algoritmo KHOPCA para formação de clusters em redes móveis ad hoc. KHOPCA permite clusters de tamanhos arbitrários com base apenas na informação de vizinhança de um nó. Ele é distribuído, assíncrono e altamente adaptável à mobilidade. Simulações avaliaram seu desempenho na redução do número de clusterheads.
2. Algoritmos de clustering – estruturas
hierárquicas;
Desafio: tornar processo auto-organizável
através de pouca informação do ambiente;
Algoritmos com informação local: clusters 1-
hop;
Contribuição: como formar e manter clusters k-
hops com informação da vizinhança local.
3. Redes ad hoc multi-hops são encontradas em:
Cenários de tráfico;
Observações ambientais;
Acesso ubíqüoto à Internet;
Cenários de busca e resgate.
Arquiteturas baseadas em clusters:
Reduzem consumo de energia;
Provêem melhor suporte a protocolos de MAC e
roteamento, agregação de dados e segurança.
4. Clusterheads – responsabilidades;
Ponto crítico: falha de clusterhead;
Redes estáticas/móveis: desafio (mobilidade);
Dependendo do cenário de aplicação:
Reduz-se o nº de clustersheads, aumenta nº de clusters;
Quanto maior o tamanho do cluster, menor é o nº de
clusters e o nº de clusterheads.
5. KHOPCA – K-HOP Clustering Algorithm;
K Distância ao clusterhead, em hops;
Trabalha com informação de vizinhança a 1-hop,
assincronamente e completamente distribuído;
Experimentos avaliaram o desempenho do algoritmo e
redução de clusterheads.
6. Critérios: nível de energia dos nós, posição, nº
de vizinhos (grau), velocidade e direção;
Métrica mais utilizada: nº de clusterheads;
LEACH (abordagem prob. dist.), algoritmos
baseados em ID, WCA (função “peso”), DCA e
DMAC (distribuído, baseado em “pesos”),
WACA (baseado em “pesos”, idéia de sub-
heads);
Estudo comparativo de algumas abordagens;
Redes ad hoc móveis;
7. Problema dos clusters k-hops:
Encontrar clusters ótimos;
K-clustering é NP-completo para grafos não-
dirigidos;
KHOPCA permite mais que 2 hops entre nós
arbitrários em um cluster (principal diferença);
8. Todos os nós participam da formação e da
manutenção;
Sem configuração pré-determinada;
Os nós conhecem o peso dos clusterheads
(MAX) e o peso mínimo (MIN);
Apenas informação 1-hop (beacons): vizinhos e
pesos;
9. Wn > Wv Wv = Wn – 1;
Wv == MIN e Wv == Wn (nenhum vizinho com
peso maior que v) v é clusterhead e Wv = MAX;
Wv != MAX e Wv >= Wn (não há vizinho com
peso maior) Wv = Wv – 1;
Wv == MAX e algum Wn == MAX (dois
clusterheads na mesma faixa) escolhe um e W =
W – 1;
Empates: ID e nº de vizinhos (grau).
10.
11.
12. Métricas comuns: faixa de trasmissão, área de
simulação e número de dispositivos +
densidade de rede;
> densidade de rede maior faixa de
transmissão, maior número de dispositivos ou
menor área;
Resultados obtidos utilizando-se “densidade
de rede” pode ser comparado com outros
resultados, sem muita variação;
Variação do k (3 a 6), da densidade (entre 4.71 e
25.29) e da velocidade.
13.
14.
15. Acrescentar a idéia de intra- e inter-clusters, que
já existem em outras abordagens;
Tornar o valor de k “mais pervasivo”, variando
de acordo com o ambiente;
Tornar o desempenho do algoritmo melhor, na
ausência de mobilidade.
16. Clustering tem o objetivo de particionar a rede e
simplificar a implementação de algoritmos e
protocolos de nível mais alto;
KHOPCA introduzido, que permite clusters de
tamanhos arbitrários;
K é o número máximo de hops até o clusterhead;
Verificou-se que é altamente adaptativo à
mobilidade, trabalha com informação 1-hop,
assincronamente e completamente distribuído;
O desempenho foi avaliado por simulação.
17. BRUST, Matthias R.; FREY, Hannes;
ROTHKUGEL, Steffen. Adaptive Multi-Hop
Clustering in Mobile Networks.
Setembro/2007. Singapura.