Monografia - UFF

More documents

Recommendations

Info

$(Microsoft PowerPoint - Programa\347\343o Avan\347ada)$

5.1 Resultados de Simulações 74 melhor combinação nunca foi maior que 10%). Vazão (Kbps) Vazão (Kbps) Vazão (Kbps) 1600 1400 1200 1000 800 600 400 200 0 1200 1000 800 600 400 200 0 1200 1000 800 600 400 200 0 ETX SR MARA ETX SR MARA ETX SR MARA ML SR ML SR ML SR ETT SR ETX SNR ETX ARF ML SNR ML ARF ETT ARF (a) Vazão entre os nós 0 e 4. ETT SR ML SNR ML ARF ETX SNR ETT SNR ETX ARF (b) Vazão entre os nós 0 e 5. ML SNR ML ARF ETT SNR ETX SNR ETX ARF ETT SR (c) Vazão entre os nós 0 e 6. Média Int. Conf. SNR ETT HOP ARF ETT ARF ETT ARF Média Int. Conf. HOP SNR HOP SNR HOP SNR HOP SR HOP ARF Média Int. Conf. HOP ARF HOP SR HOP SR Figura 5.3: Resultados de vazão TCP nas simulações da topologia do projeto Remesh para os três nós mais distantes. A medida que a distância geográfica entre a origem e o destino do fluxo aumenta, (Figura 5.3), o MARA melhora seu desempenho em relação às demais propostas. Especificamente em relação aos nós 5 e 6, o MARA foi apresentou uma melhora de mais de 37% em relação à segunda melhor combinação de métrica e algoritmo de adaptação de taxa. Entre as demais combinações, chama atenção a mudança no desempenho da métrica Hop Count. Enquanto para os três nós mais próximos esta métrica obteve bons resultados (especialmente em combinação com o algoritmo SampleRate), para os nós mais distantes ela apresentou sempre o pior desempenho. Isto é facilmente explicável pelo fato da métrica
5.1 Resultados de Simulações 75 Hop Count não levar em consideração a qualidade dos enlaces. No caso dos nós mais próximos, a escolha de rotas é simples, pois existe um número reduzido de caminhos alternativos. De fato, neste caso a métrica Hop Count leva vantagem sobre as demais, dado o menor overhead necessário à sua implementação. Por outro lado, quando a distância entre a origem e o destino do fluxo aumentam, o grau de complexidade das escolhas sobe. O custo total de cada caminho possível passa a depender de uma quantidade maior de enlaces. Neste caso, as ineficiências da métrica de número de saltos ficam evidentes. Vale ainda destacar os fracos resultados obtidos pelas combinações que utilizam a métrica ETT. Como a implementação utilizada nesta avaliação faz uso da técnica de packet pair probing, uma possível explicação é o aumento no overhead gerado pelo protocolo de roteamento. Uma outra possível explicação é a ineficiência do método em estimar a taxa de transmissão utilizada pelos enlaces. 5500 5000 MARA ETT com SNR 4500 4000 Vazão (kbps) 3500 3000 2500 2000 1500 1000 500 0 1 2 3 4 5 6 Destino Figura 5.4: Comparativo do desempenho do MARA e do ETT com o algoritmo SNR na topologia do projeto Remesh. Os resultados obtidos pela combinação da métrica ETT com o algoritmo SNR são especialmente interessantes. Isso porque a formulação matemática da métrica ETT é bastante similar a do MARA e o algoritmo SNR é muito próximo do ótimo. A Figura 5.4 mostra um comparativo da vazão obtida por estas duas propostas. Exceto quando o destino foi o nó 1, a vazão obtida pelo MARA sempre foi mais que o dobro da obtida pela combinação ETT e SNR. Estes resultados mostram que, mesmo utilizando uma mesma
Page 1 and 2:
Universidade Federal Fluminense Die
Page 3 and 4:
Uma Abordagem Unificada para Métri
Page 5 and 6:
Aos meus amigos e familiares, base
Page 7 and 8:
Resumo Este trabalho apresenta o MA
Page 9 and 10:
Palavras-chave 1. Métricas de Rote
Page 11 and 12:
Abreviações ix OFDM : Orthogonal
Page 13 and 14:
Sumário xi 3 MARA: Mecanismo Unifi
Page 15 and 16:
Lista de Figuras 1.1 Exemplo de uma
Page 17 and 18:
Lista de Figuras xv 5.16 Comparativ
Page 19 and 20:
Capítulo 1 Introdução Uma rede e
Page 21 and 22:
1.1 Objetivos do Trabalho 3 que tal
Page 23 and 24:
Capítulo 2 Trabalhos Relacionados
Page 25 and 26:
2.1 Métricas de Roteamento 7 basea
Page 27 and 28:
2.1 Métricas de Roteamento 9 Desta
Page 29 and 30:
2.1 Métricas de Roteamento 11 nos
Page 31 and 32:
2.1 Métricas de Roteamento 13 a im
Page 33 and 34:
2.1 Métricas de Roteamento 15 Segu
Page 35 and 36:
2.2 Algoritmos de Adaptação Autom
Page 37 and 38:
Page 39 and 40:
Page 41 and 42: 2.2 Algoritmos de Adaptação Autom
Page 49 and 50: Capítulo 3 MARA: Mecanismo Unifica
Page 51 and 52: 3.3 Estimativa da Qualidade dos Enl
Page 59 and 60: 3.4 O Algoritmo Completo 41 1: func
Page 61 and 62: 3.6 Otimizações 43 xado em 1500 b
Page 63 and 64: 3.6 Otimizações 45 300 128 bytes
Page 65 and 66: 3.6 Otimizações 47 1: function up
Page 67 and 68: Capítulo 4 Implementação Prátic
Page 69 and 70: 4.1 O Módulo do ns-2 51 pois os n
Page 71 and 72: 4.2 A Implementação Real 53 terã
Page 73 and 74: 4.2 A Implementação Real 55 Este
Page 75 and 76: 4.2 A Implementação Real 57 um to
Page 77 and 78: 4.2 A Implementação Real 59 • c
Page 79 and 80: 4.2 A Implementação Real 61 Tabel
Page 81 and 82: 4.2 A Implementação Real 63 Como
Page 83 and 84: 4.2 A Implementação Real 65 Espa
Page 85 and 86: 4.2 A Implementação Real 67 4.2.2
Page 87 and 88: 4.2 A Implementação Real 69 Para
Page 89 and 90: 5.1 Resultados de Simulações 71 F
Page 91: 5.1 Resultados de Simulações 73 s
Page 95 and 96: 5.1 Resultados de Simulações 77 5
Page 97 and 98: 5.1 Resultados de Simulações 79 P
Page 99 and 100: 5.1 Resultados de Simulações 81 A
Page 101 and 102: 5.1 Resultados de Simulações 83 V
Page 103 and 104: 5.1 Resultados de Simulações 85 V
Page 111 and 112: 5.1 Resultados de Simulações 93 c
Page 115 and 116: 5.1 Resultados de Simulações 97 F
Page 117 and 118: 5.2 Experimentos da Rede Real 99 5.
Page 119 and 120: 5.2 Experimentos da Rede Real 101 2
Page 121 and 122: 5.2 Experimentos da Rede Real 103 M
Page 123 and 124: Capítulo 6 Conclusão Neste trabal
Page 125 and 126: 6 Conclusão 107 Além do MARA e su
Page 127 and 128: 6.1 Trabalhos Futuros 109 6.1 Traba
Page 129 and 130: Referências 111 [11] Chun-cheng Ch
Page 131 and 132: Referências 113 [41] Jyh-Charn Liu
show all

Monografia - UFF

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?