Apresentacao tcc - Redes Mesh Cognitiva

468 visualizações

Publicada em

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

Publicada em: Ciências
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
468
No SlideShare
0
A partir de incorporações
0
Número de incorporações
5
Ações
Compartilhamentos
0
Downloads
16
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Apresentacao tcc - Redes Mesh Cognitiva

  1. 1. Redes Mesh Cognitivas: Mantendo a Qualidade da Transmissão Utilizando Análise e Predição de Tráfego com Redes Neurais Artificiais Iuri Andreazza Orientador: Prof. MSc. Mateus Raeder Junho - 2012 Universidade do Vale do Rio dos Sinos - UNISINOS Unidade Acadêmica de Graduação Curso de Ciência da Computação Nível Bacharel
  2. 2. Organização ✤ Introdução ✤ Motivação ✤ Objetivos ✤ Assuntos Envolvidos ✤ Redes Neurais Artificiais ✤ Redes Mesh ✤ Simulador NS-3 ✤ Simulações ✤ Avaliação ✤ Trabalhos Relacionados ✤ Conclusão de 37 2
  3. 3. Introdução de 37 3
  4. 4. 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 de 37 4
  5. 5. 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. de 37 5
  6. 6. 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 de 37 6
  7. 7. 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) de 37 7
  8. 8. 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 de 37 8
  9. 9. 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 de 37 9
  10. 10. 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 de 37 10
  11. 11. 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 de 37 11
  12. 12. 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 de 37 12
  13. 13. 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 de 37 13
  14. 14. 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 de 37 14
  15. 15. 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 de 37 15
  16. 16. Simulações RNA Aplicada no Roteamento de 37 16
  17. 17. 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 de 37 17
  18. 18. 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 de 37 18
  19. 19. 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) de 37 19
  20. 20. 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 de 37 20
  21. 21. 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 de 37 21
  22. 22. 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 de 37 22
  23. 23. Avaliação ✤ Pacotes transmitidos com sucesso ✤ Tempo médio de atraso na entrega ✤ Atraso de entrega comparando simulação normal e com RNA de 37 23
  24. 24. Avaliação ✤ Dispersão do PDF das 250 simulações ✤ Dispersão do tempo de Entrega de 37 24
  25. 25. Trabalhos Relacionados de 37 Trabalho 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 Networks Koksal 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
  26. 26. 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 de 37 26
  27. 27. 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 de 37 27
  28. 28. 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 de 37 28
  29. 29. 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. de 37 29
  30. 30. 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. de 37 30
  31. 31. 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 de 37 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
  32. 32. 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. de 37 32
  33. 33. 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. de 37 33
  34. 34. 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. de 37 34
  35. 35. 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. de 37 35
  36. 36. 36 de 37 TCC - Inicio …
  37. 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. de 37 37
  38. 38. 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. de 37 38
  39. 39. Perguntas? /iuriandreazza /iuri.andreazza @iuriandreazza
  40. 40. Redes Mesh Cognitivas: Mantendo a Qualidade da Transmissão Utilizando Análise e Predição de Tráfego com Redes Neurais Artificiais Iuri Andreazza Orientador: Prof. MSc. Mateus Raeder Junho - 2012 Universidade do Vale do Rio dos Sinos - UNISINOS Unidade Acadêmica de Graduação Curso de Ciência da Computação Nível Bacharel

×