Redes Mesh Cognitivas: mantendo a qualidade da transmissãoutilizando análise e predição de tráfego com

Redes Neurais Artificiais

Iuri Andreazza1, Mateus Raeder1

1Universidade do Vale do Rio dos Sinos (UNISINOS)Av. Unisinos, 950 Bairro Cristo Rei – CEP 93.022-000 São Leopoldo – RS – Brasil

iuri.andreazza@gmail.com, mraeder@unisinos.br

Resumo. A necessidade de maior conectividade exige cada vez mais da infraes-trutura dos modelos de redes atuais. Considerando o ritmo de crescimento dosdispositivos requisitando dados constantemente da rede, esses modelos logo setornarão obsoletos, pois não conseguirão prover constante acesso a rede semque o usuário precise configurar seus dispositivos cada vez que quiser acessar aweb. O modelo da rede mesh surge com o intuito de solucionar essa necessidadede constante conectividade, porém traz diversos problemas, tal como conseguirmanter a qualidade dos serviços provendo links com velocidade e desempenhodesejáveis. Este artigo propõe uma nova abordagem em relação ao roteamentono modelo da rede mesh, tentando aliar a flexibilidade das Redes Neurais Arti-ficiais objetivando manter o desempenho da rede diante da constante mudançade topologia.

1. Introdução

Ao final do século XX e nesse início do século XXI, a evolução tecnológica tanto nainformática como na comunicação popularizou a computação móvel e as redes de com-putadores sem fio, aumentando sua presença em ambientes acadêmicos, industriais e do-mésticos quase ao nível natural. Um dos fatores que forçam os limites das redes sem fioé a presença cada vez maior de dispositivos móveis, notebooks e outros aparelhos queusufruem da infraestrutura para acesso à Internet. Com serviços e ferramentas onlinedisponíveis para usuários tanto de desktops como de dispositivos móveis, a necessidadeconstante de informação e conectividade se torna imprescindível, assim como a qualidadedesta informação [Zhu et al. 2004].

A maioria das redes sem fio populares trabalham de modo centralizado, ou seja,existe um ponto de acesso para todos os clientes. Nesses cenários a rede fica exposta afalhas, sendo que se o ponto de acesso ficar indisponível ou inalcançável todos os clientesque se comunicavam com esse ponto perdem a rede. Um padrão existente que pode pro-piciar um cenário em que mesmo com a perda do ponto de acesso a rede continue a existirentre seus clientes, é o padrão de malha (do inglês mesh). Esse modelo de rede possui qua-lidades excelentes, como auto-reparação, auto-configuração e auto-layout, que estão entreas principais, as quais dão vantagem sobre os outros modelos [Akyildiz and Wang 2005].Entretanto, a rede mesh atualmente não dá grande suporte à qualidade de serviço, ou seja,a transmissão de dados dentro da malha é lenta e tende a retransmissão de dados, sendoassim inviável a manutenção de um fluxo (stream) de dados para clientes dentro da malha.

Os clientes das redes de dados estão cada vez mais presentes no mundo digitale necessitando de conectividade constante. No advento das ferramentas online e digi-tais, a necessidade da qualidade da conexão urge, forçando a atual estrutura perto doslimites. Apesar das redes suportarem grande quantidade de usuários e com nível alto dequalidade, esses modelos não previam a entrada de outros tipos de usuários (dispositivosgerais do cotidiano) como, geladeiras, celulares, tablets, impressoras, centrais de infor-mação, carros, casas. A onipresença de mecanismos computacionais força a estrutura darede, pois prevê que todo o ambiente estará conectado aos dispositivos, assim recorrendoa um constante e intenso fluxo de dados [Akyildiz and Wang 2005][Zhu et al. 2004].

Com novos tipos de usuários aparecendo, o modelo da rede mesh se mostra atra-tivo para uma implantação em larga escala assim criando uma abertura para que tantosdispositivos coexistam, gerando um "ecossistema computacional"natural de dispositivos,sequer os usuários tendo que configurar manualmente cada um deles.

No ecossistema da rede mesh, o problema se torna evidente, ou seja, o fluxo de da-dos entre dispositivos distintos e com a Internet é um fator determinante na qualidade daconexão. Considerando que um dispositivo requisita um stream de informação, a rede temque ser capaz de manter o fluxo da informação, sempre selecionando o caminho menossobrecarregado e com menor custo [Baransel et al. 1995]. Considerando a problemática,manter a eficiência da rede se faz necessário. Assim sendo, o desenvolvimento de tec-nologias chaves deve ser prospectado e avaliado, para possibilitar que o modelo da redemesh tenha a flexibilidade necessária para suportar aplicações em larga escala.

A ideia principal do roteamento cognitivo em redes mesh é prover flexibilidadenecessária aos dispositivos presentes no mesh de modo a utilizar eficientemente os re-cursos disponíveis dentro do ambiente da rede. A utilização de Redes Neurais Artifi-ciais (RNAs) dentro da rede mesh no roteamento dos pacotes se mostra importante nodesempenho da rede que acaba por prover flexibilidade e agilidade na distribuição dainformação através da topologia. O emprego da engenharia de tráfego no fluxo de in-formação da rede é de extrema importância, a estocasticidade da topologia da rede im-põe grandes desafios na qualidade da conexão dos dispositivos a rede, com essa ideiaa cognitividade se apresenta na qualidade de habilitar a rede a ser flexível o suficienteprevendo seus estados futuros e por conseguinte manter a qualidade a um nível aceitável[Venkataram et al. 2002][Zhi-yuan et al. 2009][Song et al. 2010].

1.1. Objetivos

Tendo em vista a problemática da manutenção da eficiência da rede, a predição de trá-fego torna-se uma alternativa atraente para conseguir criar um mecanismo que opere deforma cognitiva, ajustando o caminho do fluxo de informação conforme o estado do ca-minho entre nodes. Neste cenário, este trabalho objetiva propor um novo mecanismo deroteamento para redes mesh que vise manter a conectividade e maximize a qualidade datransmissão, conseguindo se ajustar à constante mudança da topologia da rede.

Esta problemática influencia toda a gestão do tráfego criando a necessidade de umprotocolo robusto e flexível capaz de ajustar-se aos diversos cenários que os nodes resi-dem, necessidade essa que urge na forma de influenciar todo o gerenciamento da trans-missão de dados nos escopos micro e macro. Com essa capacidade cognitiva o protocolopossivelmente irá manter estável a transmissão com qualidade nominal e aumentando a

conectividade da rede.

Uma abordagem a se adotar seria unificar os trabalhos que usam Redes NeuraisArtificiais e propor um algoritmo de roteamento robusto, no qual seja a premissa de queeste tenha a flexibilidade suficiente para manter sempre a conectividade da rede com o má-ximo de qualidade possível. Considerando esta premissa, o desenvolvimento das RNAsprecisará de um conjunto de métricas de decisão no qual serão treinadas, objetivando fun-cionar como mecanismo principal de decisão no roteamento de pacotes. Sendo assim, serápossível prever mudanças dentro da rede e, a priori, conseguir evitar congestionamentosou outras situações caóticas.

Para ser possível a análise da efetividade do protocolo, este será desenvolvidodentro de um ambiente de simulação. Ambiente este que proverá uma visão analítica dofluxo de dados dentro do modelo por conseguinte irá revelar se o uso das Redes NeuraisArtificiais como mecanismo total de decisão no roteamento de pacotes é um futuro a serseguido.

1.2. Estrutura do artigoEste artigo é organizado da seguinte maneira: Seção 2 trata dos trabalhos que tem cor-relação no uso de Redes Neurais Artificiais no modelo das redes mesh. A Seção 3 iráapresentar de forma sucinta o modelo e explicar de forma mais detalhada o roteamentona rede explicitando os problemas existentes. A Seção 4 irá apresentar as Redes NeuraisArtificiais detalhando os modelos das redes e explicitando o funcionamento do formatoem tempo real necessário ao protocolo de roteamento. Por último a Seção 5 apresentaráos resultados preliminares encontrados durante o desenvolvimento deste trabalho, comotambém uma breve apresentação sobre o simulador no qual será feita toda a implementa-ção do protocolo e também o levantamento das métricas no roteamento.

2. Trabalhos RelacionadosAlguns autores, vêm trabalhando com modelos de RNAs para resolver problemas relaci-onados com a rede mesh e sua estrutura básica. Um dos grandes problemas neste modeloé o roteamento ótimo de pacotes, na estrutura caótica que as redes mesh formam influen-ciando diretamente a capacidade de manter o estado ótimo no repasse de pacotes. Umaabordagem encontrada é a resolução do caminho ótimo no roteamento utilizando RedesNeurais Artificiais [Venkataram et al. 2002].

Os autores de [Venkataram et al. 2002] aplicam as Redes Neurais com a finalidadede solucionar o problema de achar o caminho mais curto entre um client node inicial eum client node final. O mesmo trabalho identifica que para uma aplicação real da RNAno roteamento seria necessário a implementação desta a nível de hardware, pois o temponecessário para ajustes dos pesos da rede e o tempo de convergência a nível de software édemasiado excessivo.

Outro trabalho que aplica RNAs dentro do modelo das redes mesh é o trabalhodescrito em [Zhi-yuan et al. 2009] no qual aponta os desafios no uso de RNAs para atin-gir níveis elevados na qualidade em redes mesh. No trabalho os autores apresentam asRNAs modificadas para suportar a capacidade de medir o fluxo de informações dentrodos client-nodes, com a finalidade de conseguir criar um mecanismo de roteamento fle-xível o suficiente para suportar a estocasticidade da topologia da rede. Tal aplicação é

baseada na capacidade da RNA a partir de uma análise de uma série matemática preverse em um evento futuro o client node irá ter sua capacidade de retransmissão de pacotescomprometida.

O trabalho descrito em [Song et al. 2010] faz um estudo completo do comporta-mento dos utilizadores da infraestrutura das redes mesh sendo que é levantado a questãoda estocasticidade do trafego a partir dos comportamentos aleatórios dos utilizadores.Considerando esta premissa o trabalho propõe um algoritmo completamente distribuídopara o roteamento capaz de ser flexível a se ajustar as alterações da infraestrutura da rede.

Porém, neste trabalho a ideia é usar as RNAs de forma completa na decisão doroteamento, assim como em [Zhi-yuan et al. 2009] e [Venkataram et al. 2002] usar essemecanismo cognitivo para decidir o melhor caminho para um pacote, mas a cada clientnode re-validar se o caminho que este ainda é válido e se ainda é o melhor, se caso ocaminho no futuro próximo não for possível encaminhar o pacote pelo recomendado, aRNA escolherá o caminho alternativo melhor disponível para este.

3. Redes MeshAs redes sem fio (do inglês wireless) na necessidade de prover maiores serviços, mantendoa qualidade acabam por buscar o aumento da qualidade da transmissão assim forçando atecnologia a se adaptar e gerar novas abordagens em relação a transmissão e organizaçãodas redes wireless.

Na busca de prover conectividade de qualidade de maneira fácil e ampla, entidadesacadêmicas e grandes corporações se voltam ao modelo mesh favorecendo a pesquisa oaprimoramento do mesmo. Tal interesse se faz presente em tais entidades pois o modeloprovê características únicas dos quais tornam a aplicação em larga escala fácil e rápidaimplantação.

A estrutura de uma rede mesh funciona em camadas, na qual percebe-se a se-paração da camada dos clientes (em amarelo representado na Figura 1) da camada dospontos de acesso (Access Points, ilustrados em verde na Figura 1) conectados as torres detransmissão [Akyildiz and Wang 2005].

O funcionamento da rede contempla o formato de malha, ou seja, a rede é com-posta de computadores vistos como nós (nodes) da malha, conectados com os nodes vi-zinhos, formando uma topologia multidimensional chamada de mesh conforme visto Fi-gura 1. Os nodes da rede podem ser separados em três grandes classes: os clientes (meshclients), os routers (mesh routers) e a infraestrutura (backbones), que são as torres detransmissão.

Os mesh routers geralmente formam uma camada única, interconectando outrosrouters e eventualmente conectando-se diretamente com torres de transmissão de dados,estando ligadas diretamente à rede global. Esses routers são mais flexíveis e versáteisem comparação aos pontos de acesso (Access Points, ou APs) normais, pois conseguematingir esta, senão mais, cobertura com muito menos energia. Isso ocorre pois a estruturada rede é baseada em conexões ponto a ponto, permitindo que ocorram múltiplos saltosdurante a comunicação [Song et al. 2010].

Os mesh clients contêm o aparato necessário para se comportarem tanto como umclient quanto um router. Entretanto, deve ser visto que as funções de ponte (bridge) e

Figura 1. Estrutura geral de uma Rede Mesh.

gateway não se encontram presentes [Akyildiz and Wang 2005]. Apesar dessas pequenasdesvantagens, os clients podem manter a conectividade com seus vizinhos (ad-hoc) epor ter um hardware mais simples. A consequência é que o software para eles pode serligeiramente mais simples.

Com os pontos positivos da rede a conectividade entre mesh clients e routerspromove a auto-organização, considerando que conforme os nodes vão se conectando,formam-se aglomerados de dispositivos gerando uma rede de forma automática, ou seja,auto-configurável e auto-organizável. Outro aspecto que se pode identificar nesse padrãode funcionamento é a capacidade de auto-correção: quando um client ou um router pararde funcionar a rede não desaparece, continua a existir achando um caminho alternativopara o roteamento de pacotes [Akyildiz and Wang 2005].

Uma das grandes vantagens é a construção de uma infraestrutura de rede na qualo acesso a ela se torna fácil, podendo clientes que possuam uma placa de rede sem fioconectar-se tanto a um client como também, caso esteja ao alcance, a um router. Tambémé possível ter um ambiente híbrido, no qual uma Ethernet esteja ligada a um router quefaça parte do ecossistema de nodes da rede.

3.1. Organização da Rede Mesh

A organização das redes mesh é automática, ou seja, a cada novo membro que sejunta ao ecossistema faz com que os outros membros existentes reconheçam estecomo um vizinho (ou um client node distante presente no caminho de um pacote)[Akyildiz and Wang 2005].

A organização da estrutura de ligação visto na Figura 2 é automática ou seja, osmesh routers uma vez instalados tem alcance maior e estabelecem uma comunicação entre

Figura 2. Visão da conectividade geral entre client nodes e Mesh Routers. Emverde a comunicação entre mesh routers e em amarelo a ligação entre clientnodes.

si, dentro da infraestrutura eles são distintos e geralmente não tem restrições de energia eoutras limitações que os clients geralmente impõem.

Nesse formato os mesh routers formam uma ligação entre si e priorizam a re-transmissão dos pacotes entre os links deles, mas os client nodes também fazem essaretransmissão, em um raio muito menor e sua retransmissão geralmente tende a ser com-prometida e mais lento que os routers. Não sendo essa uma constante dentro da rede jáque existem muitos computadores estacionários que podem muito bem funcionar comomesh router.

Essa auto-organização permite que a rede mantenha-se sempre ativa e que hajasempre conexão entre os client nodes. Caso possível essa conexão pode ser estendidaaté a Internet através de algum client node que tenha conexão ativa até a Internet assimpermitindo que o ramo que perdeu a ligação principal possa voltar a ter acesso a Internetou a outros setores do mesh.

Essa é a capacidade de auto-organização da rede, ou seja, caso um ponto da redecaia ou fique indisponível isolando clients ou routers com o princípio da conectividadeentre nodes a infraestrutura conseguirá restabelecer um link com outra parte da malhareabilitando a ligação primária e assim permitindo que o fluxo de dados volte a fluirdentro da parte do ecossistema que foi desconectado temporariamente, essa capacidade échamada de auto-reparação [Akyildiz and Wang 2005].

A auto-reparação consiste na capacidade da rede de sempre conseguir sempremanter a rede ativa, mesmo se os dispositivos presentes no ecossistema estiverem fa-lhando ou mesmo a infraestrutura base estiver com problemas a rede permanecerá ativa(possivelmente os clients nodes perderão acesso a alguns serviços, até mesmo experien-ciarão baixa na qualidade do fluxo de dados) [Akyildiz and Wang 2005].

3.2. Roteamento de Pacotes

Conforme descrito na Seção 3.1 a capacidade de auto-organização e a auto-reparaçãosão grandes características do modelo, nas quais deixam a rede flexível e quase a provade falhas, porém geram um grande problema no processo de decisão na retransmissão eroteamento de pacotes.

Problema esse que representa o quão estocástica é a topologia da rede, com essaconstante mudança topológica (entrada e saída de client nodes e possíveis falhas dos meshrouters) a estrutura da rede não comporta algoritmos que convergem a estados estáticos edepois desta convergência não são mais capazes de se ajustar as mudanças.

Conforme descrito em [Baumann et al. 2007][Zhi-yuan et al. 2009][Song et al. 2010] os algoritmos triviais não são capazes de se ajustarem a tempode comportar as alterações da rede. Conforme os autores do trabalho apresentam oalgoritmo tradicional AODV (Ad Hoc On Demand Distance Vector) não é capaz deprover um roteamento de qualidade para o modelo, assim estes demonstram uma versãodo AODV-GW (Especializado para o modelo mesh) como alternativa e comparam comoutros protocolos, um deles proposto por eles (FBR Field Beacon Routing).

Aonde o FBR propõe uma alternativa pró-ativa ao roteamento fazendo com que osclient nodes busquem que está ao seu redor e consigam usar o ecossistema ao seu redor aseu favor no roteamento dos pacotes.

Figura 3. Média de entrega de pacotes em um cenário contendo pedestres co-nectados ao ecossistema. [Baumann et al. 2007].

Após análise dos gráficos (figuras 3, 4 e 5) apresentados em [Baumann et al. 2007]é possível notar que quanto maior a mobilidade dos client nodes maior é a quebra na en-trega de pacotes, com isso é possível notar que o throughput cai e a entrega de pacotesfica comprometido. Com isso o usuário final do ecossistema deve notar uma queda signi-ficativa do desempenho da rede.

Com base na Figura 5 é possível ver que em cenários aonde os client nodes presen-tes no ecossistema são estáticos o roteamento de pacotes tende a funcionar corretamentemesmo com os protocolos clássicos. Porém é possível notar que em cenários aonde exis-tem client nodes móveis e com comportamentos aleatórios a entrega de pacotes tende aser efetivamente menor.

Figura 4. Média de entrega de pacotes em um cenário contendo carros conecta-dos ao ecossistema. [Baumann et al. 2007].

Figura 5. Média de entrega de pacotes em um cenário contendo carros conecta-dos ao ecossistema. [Baumann et al. 2007].

4. Redes Neurais ArtificiaisRedes Neurais Artificiais usualmente denominadas "Redes Neurais"ou RNAs vem sendodesenvolvidas por causa de um grande motivador, o cérebro humano, no qual este processaa informação de forma totalmente diferente de um computador digital. A capacidadehumana de processar dados é não-linear e com um diferencial grande, todo o processoé paralelo. Assim a mente humana é capaz de processar e classificar dados de formacognitiva com extrema eficiência, mas para que isso seja possível o cérebro se organizaem uma rede de células chamadas neurônios (Figura 6).

A partir desta organização uma Rede Neural é capaz de organizar a informação eclassificá-la através de suas experiências, ocorrendo assim, também com a mente humana.Tanto que para as RNAs é necessário treiná-las com um conjunto base de cenários eseus resultados, essa aprendizagem é chamada de treinamento supervisionado e tem comoobjetivo preparar as estruturas internas (Pesos) da RNA para responderem com valoresesperados sempre que encontrarem um padrão conhecido.

4.1. Introdução a Redes Neurais Artificiais

RNAs são construídas como sistemas paralelos distribuídos compostos por pequenas esimples unidades de processamento (neurônios artificiais), as quais calculam determina-

Figura 6. Representação de uma célula neural humana [Haykin 2001].

das funções matemáticas (normalmente não-lineares). Essas unidades são organizadas emcamadas e interligadas por um grande número de conexões, na maioria das vezes unidire-cionais (Figura 7). Entretanto, existem outros modelos que utilizam conexões de retorno(backpropagation) [Haykin 2001].

Figura 7. Visão clássica da estrutura de uma Rede Neural Artificial[Braga et al. 2007].

Dentro da RNA as conexões estão associadas a pesos, aonde é armazenado o co-nhecimento adquirido pela rede, servindo para ponderar sobre a entrada recebida por cadaneurônio. A solução de problemas por meio de RNAs é bastante atrativa, uma vez quea forma com que suas estruturas internas são representadas e o paralelismo natural ine-rente a sua arquitetura geram a possibilidade de um desempenho superior aos métodostradicionais de decisão [Venkataram et al. 2002].

Em RNAs o processamento básico de uma solução de problemas passa por umafase inicial de aprendizagem, sendo que alguns modelos necessitam que o desenvolve-dor da rede faça ajustes manuais, ou seja, apresente cenários de aprendizagem exemplos(treinamento supervisionado). Outros modelos, por sua vez, suportam a aprendizagemdinâmica (convergência), ou seja, automática, sem a interferência humana no seu apren-dizado. Com base nesse aprendizado, a RNA é capaz de extrair as características básicaspara representar a informação do conhecimento nos problemas apresentados a ela. Maistarde essas informações serão utilizadas para gerar respostas automáticas a conjuntos dedados do mesmo problema não conhecidos [Braga et al. 2007].

4.2. Modelos de RNAs

Um dos modelos mais conhecido dentro das redes auto-associativas é a rede de Hopfield(ou Hopfield/Tank). Sua arquitetura apresenta uma camada de processamento singulartambém sendo possível utilizar sua saída para realimentar a camada de processamentoassim fazendo com que a rede seja capaz de ponderar sobre o resultado obtido de suasaída.

Figura 8. Estrutura clássica da organização de uma rede de Hopfield[Loesch and Sari 1996].

A Figura 8 mostra uma rede de Hopfield recorrente de uma só camada, consi-derando que eventualmente essa camada pode ser antecedida por uma camada de en-trada com a única função de distribuir os pesos das entradas dentro da camada deprocessamento e uma camada de saída com a função de normalizar a saída da rede[Loesch and Sari 1996].

Dentro da Rede Neural de Hopfield o neurônio é composto de duas funções mate-máticas nas quais representam o processo de ativação e o ponderação dos pesos da entradados neurônios da rede. A função de ativação imita o funcionamento da célula neural bio-lógica na qual requer certas condições para ativar uma descarga elétrica dentro da célula,consequentemente quando a descarga ocorre ela irá ativar as terminações do axiônio etransmitir informação de um neurônio para outro.

Dentro do neurônio antes de passar pela função de transição é necessário ponderaros sinais de entrada (S) no qual é definida pela Equação 1, após ponderadas o resultado épassado para a transição, funções essas que podem ser Equações 2, 3 e 4.

S =n∑

i=1

WiXi (1)

Abaixo algumas funções de transição comumente usadas:

• Função de Limiar

ϕ(v) =

{1 se v ≥ 00 se v < 0 (2)

• Função linear por partes

ϕ(v) =

1 v ≥ +12

v +12

> v > -12

0 v ≤ -12

(3)

• Função sigmóide

ϕ(v) =1

1 + exp(−av)(4)

Essas funções representam a transição do sinal internamente do neurônio, entãosempre que for necessário mexer no desempenho do neurônio ou alterar seu comporta-mento deverá ser feito possivelmente nas funções de transição.

Uma das desvantagens das redes de Hopfield de memória associativa e otimizaçãoé no retorno de informações imprecisas e geralmente com falhas em cenários de grandequantidade de informação. Assim tornando sua aplicação limitada a casos pequenos ousimples.

4.3. Redes Recorrentes Dirigidas Dinamicamente

As redes recorrentes são Redes Neurais com um ou mais laços de realimentação, sendoessa realimentação local ou global, no qual neste trabalho será utilizado a realimentaçãoglobal. Pelo fato deste modelo ser realimentado faz com que a rede seja capaz de repre-sentar estados utilizando menos memória e ganhando mais estabilidade na convergênciado reconhecimento dos dados. A aplicação do modelo de Redes Recorrentes DirigidasDinamicamente (RRDD) de entrada-saída é possível para previsões não-lineares, mode-lagem e equalizações adaptativas de canais de comunicação, entre outros [Haykin 2001].

Todas as arquiteturas de redes deste modelo compartilham das seguintes caracte-rísticas:

• Todas incorporam um perceptron de múltiplas camadas estático ou parte deles;• Todas explorar a capacidade de mapeamento não-linear do perceptron.

Figura 9. Rede Recorrente Simples (RRS).

Pode-se descrever o comportamento dinâmico do modelo da Figura 10 a partir dopar das Equações 5 e 6 acopladas:

X(n+ 1) = f(x(n), u(n)) (5)

y(n) = Cx(n) (6)

Figura 10. Modelo de espaço de estados.

A rede recorrente inclui várias arquiteturas recorrentes com atrasos especiaiscomo por exemplo a rede recorrente simples proposta em [Elman 1990] tendo seu mo-delo representado na Figura 9, com diferencial em sua arquitetura de não utilizar o bancode atrasos da saída (Figura 10), assim possibilitando que a saída seja linear ou não-linear[Haykin 2001].

A partir destes atributos e tendo em vista que esse modelo de rede poderá repre-sentar os estados dos nodes de forma ideal para o mecanismo de roteamento. Este trabalhovisa a aplicação extensiva deste modelo utilizando a aprendizagem não supervisionada,sem apresentação de cenários exemplos e nem a correção manual da rede.

O conjunto da rede será usado para validar aos estados dos client nodes utilizandosua capacidade de avaliar eventos futuros correlacionado com resultados passados obti-dos. Assim otimizando o processo de decisão durante o roteamento do pacote no qual arede conseguirá praticamente prever futuras complicações baseadas em eventos passadosdos nodes que o pacote deverá ser encaminhado.

5. Estado Atual

Até o presente momento a implementação do protocolo está em andamento provendoassim resultados iniciais para o roteamento de pacotes dentro da simulação da rede mesh.Contudo não é possível ainda extrair resultados concretos pois para poder avaliar o usodas RNAs dentro do roteamento é necessário ter toda a implementação feita.

O Simulador, conforme apresentado na Seção 5.2, trabalhará com base em ce-nários de aplicações, com a finalidade de testar o roteamento em diversas situações, aTabela 1 apresenta os parâmetros básicos das simulações. O cenário base assim como omodelo base serão apresentados nas subseções 5.1 e 5.3.

Parâmetros da simulação ValorSimulador NS3 (3.6)Sistema Operacional MAC OS X 11Tempo de Simulação 100sÁrea da Simulação 100m x 100mNumero de Nodes 1000Área de transmissão 100m2

Modo de Movimentação Constant PositionVelocidade dos Nodes Móveis EstáticosTipo de tráfego ARPPayload 1024Mac Layer Pilha Padrão 802.11n

Tabela 1. Parâmetros do cenário base da simulação.

5.1. Modelo da SimulaçãoO modelo utilizado para testes iniciais e validação base do roteamento foi um modelosimples com sua topologia organizada como uma matriz bidimensional tendo client nodesestáticos e não móveis. Esse modelo servirá de base, tendo em vista que os algoritmostradicionais tendem a serem ótimos em cenários estáticos.

O modelo provê um cenário base como validador, assim como também um meca-nismo de forma homogênea para extração dos dados com o destino de estabelecer parâ-metros de comparação e validação das métricas de roteamento.

A comparação qualitativa deste cenário ocorrerá de forma a ser analisada pelo th-roughput da rede, considerando a capacidade dos client-nodes de conseguirem enviar ereceber informações. A análise quantitativa será conduzida com base nas métricas extraí-das a partir dos arquivos de trace que o simulador provê.

5.2. Simulador NS-3O NS-3 é um simulador discreto baseado em eventos destinado para a comunidade depesquisadores e educadores com o objetivo de prover um ambiente para o estudo de redesem larga escala, por exemplo a Internet e estruturas de larga escala, com ambientes con-trolados. O NS-3 tem as seguintes características para rodar as simulações [NS3 2011].

• É escrito em C++ com uma interface para Python de maneira opcional;• Provem integração com softwares padronizados para entrada e saída de informa-

ção, habilitando outras ferramentas a serem utilizadas em conjunto com o simula-dor;

• A pesquisa, de maneira geral, é validada de duas maneiras: através de simulaçõese outras é implementações de maneira real. O NS-3 tem uma organização quelembra as implementações físicas, permitindo assim testar de maneira mais fiel assimulações;

• Contém códigos que permitem integração com os módulos do kernel Linux permi-tindo assim que o simulador opere juntamente com dados reais. Como seu modeloé relativamente perto da implementação real, ele suporta drivers de dispositivosassim como APIs IP e Sockets (no Linux);

• Facilidade de testar da simulação a ambientes reais de teste, assim como experi-mentos em tempo real;

• Contém uma rica documentação sobre o funcionamento de suas camadas e classes,informando o que cada parte do código disponível no simulador faz;

• Seu novo modelo de geração de relatórios é compatível com ferramentas externas,como wireshark por exemplo.

5.3. Cenário Exemplo

O cenário exemplo foi criado para ser configurável podendo assim ter seus parâmetrosalterados e consequentemente a partir da mesma construção gerar resultados alternativospara base comparativa.

Os parâmetros do cenário base são:

• x-size: Tamanho em X do grid, padrão 6;• y-size: Tamanho em Y do grid, padrão 6;• step: Espaço da borda no grid, padrão 100m;• step: Tempo de aleatoriedade para inicio da transmissão de pacotes (0.1 segundo);• time: Tempo da simulação, padrão 100 segundos;• packet-interval: Intervalo de transmissão dos pacotes, padrão 0.001 segundo;• packet-size: Tamanho do pacote, padrão 1024bytes;• interfaces: Numero de interfaces de transmissão (antenas) que o um client node

possuirá, padrão 1;• channels: Número de canais de transmissão de um client node, padrão 1;• pcap: Habilita PCAP para geração de arquivos de trace, padrão sim;• stack: Modelo da pilha de rede utilizada, padrão ns3::Dot11sStack;• root: Endereço MAC do node base do grid.

Este cenário base será usado como padrão comparativo de cenários derivados paraextração do resultado roteamento durante o período da simulação sobre a flexibilidadeque as RNAs podem prover no roteamento dos pacotes dentro da rede. Os parâmetrosextraídos neste cenário serão a base do comparativo com os algoritmos tradicionais jáapresentados por outros autores na Seção 3.2.

5.4. Avaliação

Dentro da avaliação será seguida a metodologia que os seguintes trabalhos desenvolve-ram [Paul et al. 2010] [Venkataram et al. 2002] [Zhi-yuan et al. 2009] [Song et al. 2010]e [Akyildiz and Wang 2005] no qual tais avaliações consistem em:

• Throughput;• Média de Entrega de pacotes;• Overhead do Roteamento;• Média de delay entre o pacote sendo enviado e seu tempo de chegada ao destino;• Pacotes que chegaram ao destino;• Sucesso de entrega sobre o período de aumento de tráfego.

Outros itens a serem avaliados serão as métricas de funcionamento das RedesNeurais Artificiais dentro do processo de roteamento, itens esses que serão:

• Predição da saída;

• Erro Médio durante o treinamento.

A avalição irá ser comparada com os resultados apresentados pe-los autores [Venkataram et al. 2002] [Zhi-yuan et al. 2009] [Song et al. 2010][Baumann et al. 2007] utilziando como base o padrão apresentado em [Paul et al. 2010].As informações sobre a transmissão serão extraídas usando o mecanismo de tracefornecido pelo NS3. Tais arquivos gerados contêm informações relevantes sobre osestados que um client node assumiu durante o período da simulação. A partir de taisinformações, serão produzidos gráficos traçando um comparativo com os resultados jáapresentados pelos autores supracitados neste trabalho. As métricas básicas levantadasaté o presente momento foram apresentadas no início desta subseção

6. Resultados Preliminares e Próximos PassosEste trabalho prossegue conforme o cronograma (Figura 11), com apenas um ajuste, adi-ção de um mês a mais de definição da RNA no protocolo. Foi alocado esse tempo a maispara validar de forma mais extensa o modelo escolhido. Na finalidade de avaliar correta-mente se o modelo escolhido corresponderá as expectativas em relação a capacidade declassificação do conjunto de dados extraídos dos nodes.

Do início do trabalho foram realizadas pesquisas teóricas em relação as redes meshcom a finalidade de entender melhor o modelo de rede, no qual foi está sendo possívelcompilar um conjunto de métricas que definem o estado de um client node. Estados essesque irão formatar a estrutura das RNAs aplicadas no processo de decisão de roteamentodo pacote. Em relação a construção do protocolo de roteamento será necessário utilizarum conjunto de RNAs para possibilitar a decisão, tendo em vista a natureza especialistadas Redes Neurais foi identificado que não é possível utilizar uma única rede para vali-dar o estado e decidir o caminho no qual o pacote deve prosseguir, nessa premissa foidecidido utilizar uma RNA supervisora que tem suas entradas as saídas das outras RNAsespecializadas na validação das métricas do estado do node. Sendo essas RNAs liga-das intimamente as informações de cada conjunto de estado do node, alguns estados jálevantados em relação a capacidade de roteamento são:

• Estado e nível da bateria (caso o node seja um dispositivo móvel);• Tempo médio de roteamento (visto como uma série temporal

[Venkataram et al. 2002]);• Tamanho da fila de encaminhamento;• Distância do node destino do próximo salto do pacote.

Com base nessas métricas é possível fazer com que os nodes troquem informaçãosobre o seu estado assim avisando seus vizinhos e alimentando as informações das RNAspara decisão do roteamento. Os próximos passos deste trabalho serão:

• Continuar o desenvolvimento do protocolo aplicando as RNAs;• Gerar os outros cenários que validem as métricas de roteamento;• Aprimorar o modelo da RNA, possivelmente ajustando suas Equações (de ativação

do neurônio e ponderação dos pesos).

Do que foi avaliado e pesquisado em relação a outros trabalhos que utilizam acapacidade cognitiva das RNAs dentro das redes mesh os resultados tendem e serem váli-dos, porém necessitam de grande trabalho e refino, um dos pontos a ser avaliado e pesado

é o tempo de aprendizagem das RNAs. Considerando que por estas vão ter seu treina-mento não supervisionado o roteamento inicial poderá ser caótico influenciando assim arede e perder desempenho inicialmente. Tal problema deverá ser avaliado e revisado coma finalidade de apontar uma abordagem válida.

Figura 11. Cronograma do trabalho

ReferênciasAkyildiz, I. and Wang, X. (2005). A survey on wireless mesh networks. Communications

Magazine, IEEE, 43(9):S23 – S30.

Baransel, C., Dobosiewicz, W., and Gburzynski, P. (1995). Routing in multihop packetswitching networks: Gb/s challenge. Network, IEEE, 9(3):38 –61.

Baumann, R., Heimlicher, S., Lenders, V., and May, M. (2007). Routing packets intowireless mesh networks. In Wireless and Mobile Computing, Networking and Commu-nications, 2007. WiMOB 2007. Third IEEE International Conference on, page 38.

Braga, A., Carvalho, A., and Ludemir, T. (2007). Redes Neurais Artificias - Teorias eAplicações. LTC, 1th edition.

Elman, J. L. (1990). Finding structure in time. COGNITIVE SCIENCE, 14(2):179–211.

Haykin, S. (2001). Redes Neurais - Principios e Prática. Bookman, 2th edition.

Loesch, C. and Sari, S. T. (1996). Redes Neurais Artificiais - Fundamentos e Modelos.FURB, 1th edition.

NS3, T. (2011). Ns3 project. Disponível na internet em http://www.nsnam.org.

Paul, A., Konwar, S., Gogoi, U., Chakraborty, A., Yeshmin, N., and Nandi, S. (2010).Implementation and performance evaluation of aodv in wireless mesh networks usingns-3. In Education Technology and Computer (ICETC), 2010 2nd International Con-ference on, volume 5, pages V5–298 –V5–303.

Song, Y., Zhang, C., and Fang, Y. (2010). Stochastic traffic engineering in multihopcognitive wireless mesh networks. Mobile Computing, IEEE Transactions on, 9(3):305–316.

Venkataram, P., Ghosal, S., and Kumar, B. P. V. (2002). Neural network based optimalrouting algorithm for communication networks. Neural Netw., 15:1289–1298.

Zhi-yuan, L., Ru-chuan, W., and Jun-lei, B. (2009). A multipath routing algorithm basedon traffic prediction in wireless mesh networks. In Natural Computation, 2009. ICNC’09. Fifth International Conference on, volume 6, pages 115 –119.

Zhu, F., Mutka, M., and Ni, L. (2004). Prudentexposure: a private and user-centric ser-vice discovery protocol. In Pervasive Computing and Communications, 2004. PerCom2004. Proceedings of the Second IEEE Annual Conference on, pages 329 – 338.