avalia o de um mecanismo de previs o adaptativa de …fabricio/wperf2008_slides.pdf · aplicação...
TRANSCRIPT
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Avaliação de um mecanismo de previsãoadaptativa de perdas de pacotes com
aplicação à transmissão de Voz sobre IP
Fabrício Murai, Hugo Hidequi Sato, Edmundo de Souza eSilva, Daniel Ratton Figueiredo
UFRJ - COPPE/PESC - LAND
WPerformance, 2008
LAND - Laboratory for modeling,analysis and development of networks
and computer systems
Programa de Engenhariade Sistemas e Computação
1 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Índice
1 Introdução
2 Mecanismo de previsão adaptativa
3 Avaliação da Previsão
4 Avaliação da Recuperação
5 Conclusões
2 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Aplicações Multimídia em Redes
3 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Aplicações Multimídia em Redes
4 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Aplicações Multimídia em Redes
5 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Aplicações Multimídia em Redes
6 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Aplicações Multimídia em Redes
7 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Aplicações Multimídia em Redes
8 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Aplicações Multimídia em Redes
9 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Aplicações Multimídia em Redes
10 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Aplicações Multimídia em Redes
11 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Aplicações Multimídia em Redes
12 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Aplicações Multimídia em Redes
13 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Aplicações Multimídia em Redes
14 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Aplicações Multimídia em Redes
15 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
E se houver perda de pacotes?
16 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
17 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
18 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
19 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
20 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
21 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
22 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
23 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
24 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
25 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
26 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
27 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
28 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
29 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Perda de pacotes
30 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
Uso de redundância: atenuar os efeitos das perdas
31 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
32 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
33 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
34 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
35 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
36 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
37 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
38 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
39 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
40 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
41 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
42 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
43 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
44 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
45 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
46 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de redundância
47 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Quando utilizar redundância?
Maior redundância → maiorrecuperação, consome maisrecursos
Redundância nem sempre énecessária
48 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Quando utilizar redundância?
Maior redundância → maiorrecuperação, consome maisrecursos
Redundância nem sempre énecessária
49 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Diagrama
Recuperação
TRANSM.
dados
AVALIAÇÃORECUPERAÇÃO
ALGORITMO
FEC
dados+FEC
dadosrecuperados
Taxa derecuperação,
Overhead
COLETA DE OBS.MODELOprevisão obs
Problema 1
Problema 2
50 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Diagrama
Problema 1
TRANSM.
dados
AVALIAÇÃORECUPERAÇÃO
ALGORITMO
FEC
dados+FEC
dadosrecuperados
Taxa derecuperação,
Overhead
COLETA DE OBS.MODELOprevisão obs
Avaliação da previsão
51 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Diagrama
Problema 2
TRANSM.
dados
AVALIAÇÃORECUPERAÇÃO
ALGORITMO
FEC
dados+FEC
dadosrecuperados
Taxa derecuperação,
Overhead
COLETA DE OBS.MODELOprevisão obs
Avaliação da recuperação
52 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Escopo deste trabalho1 Uso de modelos para o processo de perdas:
Modelo de Markov Oculto Hierárquico (HMM)
Modelos Auto-regressivos (AR)2 Avaliação quanto à:
Incerteza da previsãoQualidade da recuperação
3 Estudo da relação previsão X recuperação
53 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
O Mecanismo de previsão adaptativa
54 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
O Mecanismo de previsão adaptativa
Estimação dos parâmetros
Eventos de estimação do modelo Estimação individual
T
Amostras paraa estimação
τ τ τ
Intervalo deestimação
tempo tempot tt-τt-2τ t+τ t-T
55 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
O Mecanismo de previsão adaptativa
Previsão
Previsão individual
H F
Históricoda previsão
Janela daprevisão
ψ ψ ψ ψ ψ
Intervalo deprevisão
tempo tempot t+ψt-ψt-2ψ tt-H t+Ft+2ψt-3ψ
Eventos de previsão da medida de interesse
Estatísticas:Taxa de perda média RF
tTamanho médio da rajada de perda BF
t
56 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Modelos Markovianos Ocultos(HMM)
Exemplo: Lançamento de moedas
P(coroa) = 0.1P(coroa) = 0.3P(coroa) = 0.4
Símbolos: cara, coroa
Processo observável: resultados dos lançamentos
Processo não-observável: troca de moedas
Motivação: como modelar esse processo?
57 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Modelos Markovianos Ocultos(HMM)
Modelo
1 2
3
P(coroa)=0.1 P(coroa)=0.3
P(coroa)=0.4
0.2
0.5
0.3
0.30.4
0.6
58 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Modelos Markovianos Ocultos(HMM)
Exemplo: Processo de perdas
010
Símbolos: sucessos(0) e perdas(1)
Processo observável: resultados das transmissões
Processo não-observável: estado da rede
Motivação: como modelar esse processo?
59 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
HMM Hierárquico
Modelo
0 1
p1
q11-p1 1-q1
0 1
p3
q31-p3 1-q3
0 1
p2
q21-p2 1-q2
a21
a12
a23 a32a13a31
r11-r1 r21-r2
r31-r3
Representação do estado: modelo de Gilbert
60 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Outros preditores
Modelo auto-regressivo (AR)A previsão é uma comb. linear dasobs. recentes
Preditor MédiaA cada τ são calc. as estatísticas
ReplicadorA cada ψ são calc. as estatísticas
Eventos de previsão da medida de interesse
Eventos de estimação do modelo
τ τ τ
Intervalo deestimação
ψ ψ ψ ψ ψ
Intervalo deprevisão
tempo
tempo
tt-τt-2τ t+τ
t t+ψt-ψt-2ψ t+2ψt-3ψ
61 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Problema 1
TRANSM.
dados
AVALIAÇÃORECUPERAÇÃO
ALGORITMO
FEC
dados+FEC
dadosrecuperados
Taxa derecuperação,
Overhead
COLETA DE OBS.MODELOprevisão obs
Avaliação da previsão
62 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
Como comparar a previsão se as perdas mudam a cadatransmissão?
63 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
UFRJ
UFMG
UMass
UMd
64 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
UFRJ
UFMG
UMass
UMd
65 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
UFRJ
UFMG
UMass
UMd
66 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
UFRJ
UFMG
UMass
UMd
67 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
UFRJ
UFMG
UMass
UMd
68 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
UFRJ
UFMG
UMass
UMd
X
69 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
UFRJ
UFMG
UMass
UMd
70 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
UFRJ
UFMG
UMass
UMd
71 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
UFRJ
UFMG
UMass
UMd
72 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
UFRJ
UFMG
UMass
UMd
0
73 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
UFRJ
UFMG
UMass
UMd
01
74 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
UFRJ
UFMG
UMass
UMd
010
75 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Uso de traces
UFRJ
UFMG
UMass
UMd
010
Obtidos através do Traffic Generator da ferramenta Tangram II
76 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Traces selecionados
UMd - UFRJ (rajadas periódicas, R̄ = 2.2%)
0
0.1
0.2
0.3
0.4
0.5
Tax
a de
per
da
5.5 6 6.5 7 7.5 8 8.5
Tempo (minutos)
UMASS - UFRJ (alta variabilidade, R̄ = 9.5%)
0
0.2
0.4
0.6
0.8
1
5.5 6 6.5 7 7.5
Tax
a de
per
da
Tempo (minutos)
77 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Avaliação da previsão
Consideramos apenas os instantes em que a taxa de perda évariante .
Tax
a de
per
da 1
0
Real
tempo
Instante variante
Métricas utilizadas:
Erro médio quadrático MSE = E [(R̂Ft − RF
t )2]
Correlação cruzada COR ( real x previsto )
Taxa de acerto relativa I(α)
78 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Resultados Experimentais
Comparação dos modelos de previsão
UMd - UFRJ UMass - UFRJModelo ↓ MSE ↑ COR ↑I(0.4) ↓MSE ↑COR ↑I(0.4)
HMM 0.01244 0.23599 10% 0.04599 0.43518 25%
AR 0.01330 0.22376 9% 0.05625 0.41024 16%
Média 0.02189 0.10525 1% 0.08989 0.00520 0%
Replicador 0.01823 0.16268 0% 0.11260 -0.16332 0%
HMM mostrou melhor desempenho
79 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Problema 2
TRANSM.
dados
AVALIAÇÃORECUPERAÇÃO
ALGORITMO
FEC
dados+FEC
dadosrecuperados
Taxa derecuperação,
Overhead
COLETA DE OBS.MODELOprevisão obs
Avaliação da recuperação
80 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Métricas
TRANSM.
dados
AVALIAÇÃORECUPERAÇÃO
ALGORITMO
FEC
dados+FEC
dadosrecuperados
Taxa derecuperação,
Overhead
COLETA DE OBS.MODELOprevisão obs
81 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Métricas
TRANSM.
dados
AVALIAÇÃORECUPERAÇÃO
ALGORITMO
FEC
dados+FEC
dadosrecuperados
Taxa derecuperação,
Overhead
COLETA DE OBS.MODELOprevisão obs
Taxa de recuperação
r = no. de pacotes recuperadosno. de pacotes perdidos
82 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Métricas
TRANSM.
dados
AVALIAÇÃORECUPERAÇÃO
ALGORITMO
FEC
dados+FEC
dadosrecuperados
Taxa derecuperação,
Overhead
COLETA DE OBS.MODELOprevisão obs
Taxa de recuperação
r = no. de pacotes recuperadosno. de pacotes perdidos
Overhead
o = no. de pacotes adicionados ao fluxono. de pacotes do fluxo original
83 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Métricas
TRANSM.
dados
AVALIAÇÃORECUPERAÇÃO
ALGORITMO
FEC
dados+FEC
dadosrecuperados
Taxa derecuperação,
Overhead
COLETA DE OBS.MODELOprevisão obs
Taxa de recuperação
r = no. de pacotes recuperadosno. de pacotes perdidos
Overhead
o = no. de pacotes adicionados ao fluxono. de pacotes do fluxo original
Comparação de resultados84 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Seleção de FEC
TRANSM.
dados
AVALIAÇÃORECUPERAÇÃO
ALGORITMO
FEC
dados+FEC
dadosrecuperados
Taxa derecuperação,
Overhead
COLETA DE OBS.MODELOprevisão obs
Dada a previsão como eu escolho a FEC?
85 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Seleção de FEC
TRANSM.
dados
AVALIAÇÃORECUPERAÇÃO
ALGORITMO
FEC
dados+FEC
dadosrecuperados
Taxa derecuperação,
Overhead
COLETA DE OBS.MODELOprevisão obs
Dada a previsão como eu escolho a FEC?
Heurística C [Filho e de Souza e Silva, 2006]
Objetivo: Taxa de perda após a recuperação abaixo de θ
Entrada: modelo de Gilbert
Calcula analiticamente E[taxa de perda após recup.]
86 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Algoritmo de seleção de FEC
Baseia-se na esperança da taxa de perda média e dotamanho médio da rajada
Determina um modelo de Gilbert
procedure selectFEC( R∗t+1, B∗
t+1)
inícioq := 1
B∗
t+1;
p :=q×R∗
t+11−R∗
t+1;
Use o esquema de FEC dado pela heurística C para omodelo de Gilbert(p,q);fim
87 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Mostrando a eficácia do algoritmo
Vamos supor a existência do seguinte preditor:
Preditor Ótimo : conhece a taxa de perda e o tamanhomédio da rajada (traces).
88 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Parametrização dos Modelos e do Algoritmo Adaptativo
Parâmetros FixosS = 25 símbolosIntervalo de treinamento: 4 minutosHistórico de treinamento: 4 minutosθ = 0.03
Parâmetros variáveis do HMMNúmero de estados ocultos: 5, 10, 20Intervalo de previsão: 50,100 símbolosHistórico de previsão: 50, 100, 1000 símbolos
Parâmetros variáveis do ARIntervalo de previsão: 50,100 símbolosGrau de regressão: 2,20,40
89 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Resultados do HMM (UMd - UFRJ)
Comparação para diferentes parametrizações
0.0004
0.0005
0.0006
0.0007
0.0008
0.0009
0.001
0.0011
0.0012
Previsão ÓtimaHMM
0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85taxa de recuperação
0.06
0.07
0.08
0.09
0.1
0.11
over
head
MSE
Relação direta entre previsão e recuperação
Robustez do HMM
90 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Resultados do HMM (UMd - UFRJ)
Comparação para diferentes parametrizações
0.0004
0.0005
0.0006
0.0007
0.0008
0.0009
0.001
0.0011
0.0012
Previsão ÓtimaHMM
0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85taxa de recuperação
0.06
0.07
0.08
0.09
0.1
0.11
over
head
MSE
Relação direta entre previsão e recuperação
Robustez do HMM
91 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Comparação dos modelos (UMd - UFRJ)
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
over
head
taxa de recuperação
Replicador
AR
HMM
Previsão Ótima
Média
Proximidade do HMM e da Previsão Ótima
92 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Contribuições
1 Definição de métricas para avaliação da previsão2 Proposto Algoritmo de seleção de FEC3 Avaliação dos modelos HMM e AR4 Análise de sensibilidade do HMM5 Previsão X Recuperação
93 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Conclusões
1 HMM mostrou melhor desempenho2 Robustez do HMM com relação aos parâmetros3 Em geral, boa previsão → boa recuperação4 HMM + algoritmo proposto = bons resultados
94 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Obrigado!
Fabrício MuraiEste Material: www.land.ufrj.br/∼fabricio
Texto do artigo: www.land.ufrj.br
Email:
95 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Previsão para parametrizações do HMM (UMass - UFRJ)
0.0038
0.0039
0.004
0.0041
0.0042
0.0043
0.0044
0.0045
0.0046
0.2 0.3 0.4 0.5 0.6taxa de recuperação
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1.1ov
erhe
ad
MSE
HMM
HMM
Previsão Ótima
2 clusters
HMM X Preditor Ótimo
96 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Explicação dos resultados para o trace (UMass - UFRJ)
0
0.1
0.2
0.3
0.4
0.5
0.6
0 5 10 15 20
Taxa de perda realPrevisão 1Previsão 2
Previsão 1: menor erro, sempre emprega redundância
Previsão 2: maior erro, só emprega redundância quandonecessário
A previsão do HMM para este trace se assemelha à previsão 1.97 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Previsão X Recuperação (UMd - UFRJ)
0
0.001
0.002
0.003
0.004
0.005
0.006
0.007
Previsão ÓtimaHeurística Ótima
0.65 0.70 0.75 0.80 0.85
taxa de recuperação
0.00
0.10
0.20
0.30
over
head
98 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Previsão X Recuperação (UMass - UFRJ)
0
0.001
0.002
0.003
0.004
0.005
0.006
0.007
Previsão ÓtimaHeurística Ótima
0.45 0.50 0.55 0.60 0.65
taxa de recuperação
0.30
0.40
0.50
over
head
99 / 101
Introdução Mecanismo de previsão adaptativa Avaliação da Previsão Avaliação da Recuperação Conclusões
Previsão X Recuperação (UFMG - UFRJ)
0
0.002
0.004
0.006
0.008
0.01
0.012
Previsão ÓtimaHeurística Ótima
0.85 0.90 0.95 1.00
taxa de recuperação
0.70
0.80
0.90
1.00
over
head
100 / 101