O trabalho propõe um novo mecanismo de roteamento para redes mesh que utiliza redes neurais artificiais para prever e melhorar a qualidade da transmissão em cenários de alteração constante da topologia. As simulações demonstram que a utilização de redes neurais contribui para uma taxa de entrega de pacotes acima de 90% e reduz o tempo de atraso, mostrando a eficácia do método proposto. Por fim, a pesquisa sugere caminhos futuros para a aplicação de redes neurais no avanço da cognição em roteamento.

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. Organização
✤ Introdução
✤ Motivação
✤ Objetivos
✤ Assuntos Envolvidos
✤ Redes Neurais Artificiais
✤ Redes Mesh
✤ Simulador NS-3
✤ Simulações
✤ Avaliação
✤ Trabalhos Relacionados
✤ Conclusão
de 37
2

3. Introdução
de 37
3

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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. Simulações
RNA Aplicada no Roteamento
de 37
16

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. 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. 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. 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. 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. 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. Avaliação
✤ Pacotes transmitidos
com sucesso
✤ Tempo médio de
atraso na entrega
✤ Atraso de entrega
comparando
simulação normal e
com RNA
de 37
23

24. Avaliação
✤ Dispersão do PDF
das 250 simulações
✤ Dispersão do
tempo de Entrega
de 37
24

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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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 de 37
TCC - Inicio …

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. 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. Perguntas?
/iuriandreazza
/iuri.andreazza
@iuriandreazza

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