Monografia - UFF
Monografia - UFF
Monografia - UFF
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
2.1 Métricas de Roteamento 12<br />
ML ′ ab = 1<br />
ML ab<br />
, (2.6)<br />
onde ML ab denota o custo original de a → b em G. Se ML ab = 0, para algum par de nós<br />
(a, b), o custo no grafo reduzido será infinito.<br />
Mesmo com esta redução, o processo de descoberta das melhores rotas na métrica<br />
ML ainda traz um inconveniente. Os custos do grafo reduzido G ′ são sempre maiores ou<br />
iguais a 1. No entanto, em relação à multiplicação (utilizada como função de composição<br />
da métrica ML), o 1 é o elemento neutro. Neste caso, a adição de um enlace a uma rota<br />
não necessariamente piora o custo da mesma.<br />
Do ponto de vista do algoritmo de Dijkstra, isso não é um problema (embora, teoricamente<br />
um algoritmo de caminho mínimo pudesse entrar em um loop infinito adicionando<br />
enlaces de um ciclo de custo 1). No entanto, do ponto de vista da escolha das rotas, é<br />
intuitivo que um caminho formado por dois enlaces de peso 1 seja pior que um formado<br />
por apenas um enlace direto de custo 1. Para incorporar esta característica à métrica<br />
ML, foi proposta a variação MLAC [19].<br />
A MLAC (Minimum Loss with Additive Cost) utiliza um parâmetro configurável λ<br />
que é somado ao custo total de um caminho a cada enlace adicionado. No caso, considerase<br />
o custo do grafo reduzido, ou seja, do recíproco do valor apresentado na Equação 2.4.<br />
A ideia é que o parâmetro λ represente os fatores que tornam as probabilidades de envio<br />
dos enlaces de um caminho não independentes (como suposto na Equação 2.5).<br />
Ambas as métricas ML e MLAC sofrem do mesmo problema de imprecisão das estatísticas<br />
enfrentado pela métrica ETX. Isso se deve ao processo de inferência das probabilidades<br />
utilizadas nas formulações das três métricas. Uma outra proposta apresentada<br />
em [19] procura justamente avaliar o impacto dessas imprecisões no desempenho da<br />
métrica.<br />
Esta proposta, denominada MLURP (Minimum Loss with Unicast Rate Probing),<br />
é idêntica à proposta original da métrica ML, exceto pelo processo de inferência das<br />
probabilidades de sucesso dos enlaces.<br />
unicast e broadcast foram ambas fixadas em 11 Mbps.<br />
No caso da MLURP, as taxas de transmissão<br />
Esta proposta foi comparada<br />
à utilização da métrica ML tradicional (com pacotes de broadcast enviados a 1 Mbps),<br />
fixando-se apenas a taxa de envio unicast em 11 Mbps.<br />
Os resultados da avaliação realizada em [19] mostram um grande ganho de desempenho<br />
da métrica MLURP, em relação à métrica ML. Este resultado demonstra o peso que