17.06.2015 Views

Monografia - UFF

Monografia - UFF

Monografia - UFF

SHOW MORE
SHOW LESS

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

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!