Redes Mesh Cognitivas: mantendo a qualidade da transmisso utilizando anlise e predio de trfego com Redes Neurais Articiais

Iuri Andreazza1 , Mateus Raeder1 Universidade do Vale do Rio dos Sinos (UNISINOS) Av. Unisinos, 950 Bairro Cristo Rei CEP 93.022-000 So Leopoldo RS Brasil
iuri.andreazza@gmail.com, mraeder@unisinos.br
1

Resumo. A necessidade de maior conectividade exige cada vez mais da infraestrutura dos modelos de redes atuais. Considerando o ritmo de crescimento dos dispositivos requisitando dados constantemente da rede, esses modelos logo se tornaro obsoletos, pois no conseguiro prover constante acesso a rede sem que o usurio precise congurar seus dispositivos cada vez que quiser acessar a web. O modelo da rede mesh surge com o intuito de solucionar essa necessidade de constante conectividade, porm traz diversos problemas, tal como conseguir manter a qualidade dos servios provendo links com velocidade e desempenho desejveis. Este artigo prope uma nova abordagem em relao ao roteamento no modelo da rede mesh, tentando aliar a exibilidade das Redes Neurais Articiais objetivando manter o desempenho da rede diante da constante mudana de topologia.

1. Introduo
Ao nal do sculo XX e nesse incio do sculo XXI, a evoluo tecnolgica tanto na informtica como na comunicao popularizou a computao mvel e as redes de computadores sem o, aumentando sua presena em ambientes acadmicos, industriais e domsticos quase ao nvel natural. Um dos fatores que foram os limites das redes sem o a presena cada vez maior de dispositivos mveis, notebooks e outros aparelhos que usufruem da infraestrutura para acesso Internet. Com servios e ferramentas online disponveis para usurios tanto de desktops como de dispositivos mveis, a necessidade constante de informao e conectividade se torna imprescindvel, assim como a qualidade desta informao [Zhu et al. 2004]. A maioria das redes sem o populares trabalham de modo centralizado, ou seja, existe um ponto de acesso para todos os clientes. Nesses cenrios a rede ca exposta a falhas, sendo que se o ponto de acesso car indisponvel ou inalcanvel todos os clientes que se comunicavam com esse ponto perdem a rede. Um padro existente que pode propiciar um cenrio em que mesmo com a perda do ponto de acesso a rede continue a existir entre seus clientes, o padro de malha (do ingls mesh). Esse modelo de rede possui qualidades excelentes, como auto-reparao, auto-congurao e auto-layout, que esto entre as principais, as quais do vantagem sobre os outros modelos [Akyildiz and Wang 2005]. Entretanto, a rede mesh atualmente no d grande suporte qualidade de servio, ou seja, a transmisso de dados dentro da malha lenta e tende a retransmisso de dados, sendo assim invivel a manuteno de um uxo (stream) de dados para clientes dentro da malha.

Os clientes das redes de dados esto cada vez mais presentes no mundo digital e necessitando de conectividade constante. No advento das ferramentas online e digitais, a necessidade da qualidade da conexo urge, forando a atual estrutura perto dos limites. Apesar das redes suportarem grande quantidade de usurios e com nvel alto de qualidade, esses modelos no previam a entrada de outros tipos de usurios (dispositivos gerais do cotidiano) como, geladeiras, celulares, tablets, impressoras, centrais de informao, carros, casas. A onipresena de mecanismos computacionais fora a estrutura da rede, pois prev que todo o ambiente estar conectado aos dispositivos, assim recorrendo a um constante e intenso uxo de dados [Akyildiz and Wang 2005][Zhu et al. 2004]. Com novos tipos de usurios aparecendo, o modelo da rede mesh se mostra atrativo para uma implantao em larga escala assim criando uma abertura para que tantos dispositivos coexistam, gerando um "ecossistema computacional"natural de dispositivos, sequer os usurios tendo que congurar manualmente cada um deles. No ecossistema da rede mesh, o problema se torna evidente, ou seja, o uxo de dados entre dispositivos distintos e com a Internet um fator determinante na qualidade da conexo. Considerando que um dispositivo requisita um stream de informao, a rede tem que ser capaz de manter o uxo da informao, sempre selecionando o caminho menos sobrecarregado e com menor custo [Baransel et al. 1995]. Considerando a problemtica, manter a ecincia da rede se faz necessrio. Assim sendo, o desenvolvimento de tecnologias chaves deve ser prospectado e avaliado, para possibilitar que o modelo da rede mesh tenha a exibilidade necessria para suportar aplicaes em larga escala. A ideia principal do roteamento cognitivo em redes mesh prover exibilidade necessria aos dispositivos presentes no mesh de modo a utilizar ecientemente os recursos disponveis dentro do ambiente da rede. A utilizao de Redes Neurais Articiais (RNAs) dentro da rede mesh no roteamento dos pacotes se mostra importante no desempenho da rede que acaba por prover exibilidade e agilidade na distribuio da informao atravs da topologia. O emprego da engenharia de trfego no uxo de informao da rede de extrema importncia, a estocasticidade da topologia da rede impe grandes desaos na qualidade da conexo dos dispositivos a rede, com essa ideia a cognitividade se apresenta na qualidade de habilitar a rede a ser exvel o suciente prevendo seus estados futuros e por conseguinte manter a qualidade a um nvel aceitvel [Venkataram et al. 2002][Zhi-yuan et al. 2009][Song et al. 2010]. 1.1. Objetivos Tendo em vista a problemtica da manuteno da ecincia da rede, a predio de trfego torna-se uma alternativa atraente para conseguir criar um mecanismo que opere de forma cognitiva, ajustando o caminho do uxo de informao conforme o estado do caminho entre nodes. Neste cenrio, este trabalho objetiva propor um novo mecanismo de roteamento para redes mesh que vise manter a conectividade e maximize a qualidade da transmisso, conseguindo se ajustar constante mudana da topologia da rede. Esta problemtica inuencia toda a gesto do trfego criando a necessidade de um protocolo robusto e exvel capaz de ajustar-se aos diversos cenrios que os nodes residem, necessidade essa que urge na forma de inuenciar todo o gerenciamento da transmisso de dados nos escopos micro e macro. Com essa capacidade cognitiva o protocolo possivelmente ir manter estvel a transmisso com qualidade nominal e aumentando a

conectividade da rede. Uma abordagem a se adotar seria unicar os trabalhos que usam Redes Neurais Articiais e propor um algoritmo de roteamento robusto, no qual seja a premissa de que este tenha a exibilidade suciente para manter sempre a conectividade da rede com o mximo de qualidade possvel. Considerando esta premissa, o desenvolvimento das RNAs precisar de um conjunto de mtricas de deciso no qual sero treinadas, objetivando funcionar como mecanismo principal de deciso no roteamento de pacotes. Sendo assim, ser possvel prever mudanas dentro da rede e, a priori, conseguir evitar congestionamentos ou outras situaes caticas. Para ser possvel a anlise da efetividade do protocolo, este ser desenvolvido dentro de um ambiente de simulao. Ambiente este que prover uma viso analtica do uxo de dados dentro do modelo por conseguinte ir revelar se o uso das Redes Neurais Articiais como mecanismo total de deciso no roteamento de pacotes um futuro a ser seguido. 1.2. Estrutura do artigo Este artigo organizado da seguinte maneira: Seo 2 trata dos trabalhos que tem correlao no uso de Redes Neurais Articiais no modelo das redes mesh. A Seo 3 ir apresentar de forma sucinta o modelo e explicar de forma mais detalhada o roteamento na rede explicitando os problemas existentes. A Seo 4 ir apresentar as Redes Neurais Articiais detalhando os modelos das redes e explicitando o funcionamento do formato em tempo real necessrio ao protocolo de roteamento. Por ltimo a Seo 5 apresentar os resultados preliminares encontrados durante o desenvolvimento deste trabalho, como tambm uma breve apresentao sobre o simulador no qual ser feita toda a implementao do protocolo e tambm o levantamento das mtricas no roteamento.

2. Trabalhos Relacionados
Alguns autores, vm trabalhando com modelos de RNAs para resolver problemas relacionados com a rede mesh e sua estrutura bsica. Um dos grandes problemas neste modelo o roteamento timo de pacotes, na estrutura catica que as redes mesh formam inuenciando diretamente a capacidade de manter o estado timo no repasse de pacotes. Uma abordagem encontrada a resoluo do caminho timo no roteamento utilizando Redes Neurais Articiais [Venkataram et al. 2002]. Os autores de [Venkataram et al. 2002] aplicam as Redes Neurais com a nalidade de solucionar o problema de achar o caminho mais curto entre um client node inicial e um client node nal. O mesmo trabalho identica que para uma aplicao real da RNA no roteamento seria necessrio a implementao desta a nvel de hardware, pois o tempo necessrio para ajustes dos pesos da rede e o tempo de convergncia a nvel de software demasiado excessivo. Outro trabalho que aplica RNAs dentro do modelo das redes mesh o trabalho descrito em [Zhi-yuan et al. 2009] no qual aponta os desaos no uso de RNAs para atingir nveis elevados na qualidade em redes mesh. No trabalho os autores apresentam as RNAs modicadas para suportar a capacidade de medir o uxo de informaes dentro dos client-nodes, com a nalidade de conseguir criar um mecanismo de roteamento exvel o suciente para suportar a estocasticidade da topologia da rede. Tal aplicao

baseada na capacidade da RNA a partir de uma anlise de uma srie matemtica prever se em um evento futuro o client node ir ter sua capacidade de retransmisso de pacotes comprometida. O trabalho descrito em [Song et al. 2010] faz um estudo completo do comportamento dos utilizadores da infraestrutura das redes mesh sendo que levantado a questo da estocasticidade do trafego a partir dos comportamentos aleatrios dos utilizadores. Considerando esta premissa o trabalho prope um algoritmo completamente distribudo para o roteamento capaz de ser exvel a se ajustar as alteraes da infraestrutura da rede. Porm, neste trabalho a ideia usar as RNAs de forma completa na deciso do roteamento, assim como em [Zhi-yuan et al. 2009] e [Venkataram et al. 2002] usar esse mecanismo cognitivo para decidir o melhor caminho para um pacote, mas a cada client node re-validar se o caminho que este ainda vlido e se ainda o melhor, se caso o caminho no futuro prximo no for possvel encaminhar o pacote pelo recomendado, a RNA escolher o caminho alternativo melhor disponvel para este.

3. Redes Mesh
As redes sem o (do ingls wireless) na necessidade de prover maiores servios, mantendo a qualidade acabam por buscar o aumento da qualidade da transmisso assim forando a tecnologia a se adaptar e gerar novas abordagens em relao a transmisso e organizao das redes wireless. Na busca de prover conectividade de qualidade de maneira fcil e ampla, entidades acadmicas e grandes corporaes se voltam ao modelo mesh favorecendo a pesquisa o aprimoramento do mesmo. Tal interesse se faz presente em tais entidades pois o modelo prov caractersticas nicas dos quais tornam a aplicao em larga escala fcil e rpida implantao. A estrutura de uma rede mesh funciona em camadas, na qual percebe-se a separao da camada dos clientes (em amarelo representado na Figura 1) da camada dos pontos de acesso (Access Points, ilustrados em verde na Figura 1) conectados as torres de transmisso [Akyildiz and Wang 2005]. O funcionamento da rede contempla o formato de malha, ou seja, a rede composta de computadores vistos como ns (nodes) da malha, conectados com os nodes vizinhos, formando uma topologia multidimensional chamada de mesh conforme visto Figura 1. Os nodes da rede podem ser separados em trs grandes classes: os clientes (mesh clients), os routers (mesh routers) e a infraestrutura (backbones), que so as torres de transmisso. Os mesh routers geralmente formam uma camada nica, interconectando outros routers e eventualmente conectando-se diretamente com torres de transmisso de dados, estando ligadas diretamente rede global. Esses routers so mais exveis e versteis em comparao aos pontos de acesso (Access Points, ou APs) normais, pois conseguem atingir esta, seno mais, cobertura com muito menos energia. Isso ocorre pois a estrutura da rede baseada em conexes ponto a ponto, permitindo que ocorram mltiplos saltos durante a comunicao [Song et al. 2010]. Os mesh clients contm o aparato necessrio para se comportarem tanto como um client quanto um router. Entretanto, deve ser visto que as funes de ponte (bridge) e

Figura 1. Estrutura geral de uma Rede Mesh

. gateway no se encontram presentes [Akyildiz and Wang 2005]. Apesar dessas pequenas desvantagens, os clients podem manter a conectividade com seus vizinhos (ad-hoc) e por ter um hardware mais simples. A consequncia que o software para eles pode ser ligeiramente mais simples. Com os pontos positivos da rede a conectividade entre mesh clients e routers promove a auto-organizao, considerando que conforme os nodes vo se conectando, formam-se aglomerados de dispositivos gerando uma rede de forma automtica, ou seja, auto-congurvel e auto-organizvel. Outro aspecto que se pode identicar nesse padro de funcionamento a capacidade de auto-correo: quando um client ou um router parar de funcionar a rede no desaparece, continua a existir achando um caminho alternativo para o roteamento de pacotes [Akyildiz and Wang 2005]. Uma das grandes vantagens a construo de uma infraestrutura de rede na qual o acesso a ela se torna fcil, podendo clientes que possuam uma placa de rede sem o conectar-se tanto a um client como tambm, caso esteja ao alcance, a um router. Tambm possvel ter um ambiente hbrido, no qual uma Ethernet esteja ligada a um router que faa parte do ecossistema de nodes da rede. 3.1. Organizao da Rede Mesh A organizao das redes mesh automtica, ou seja, a cada novo membro que se junta ao ecossistema faz com que os outros membros existentes reconheam este como um vizinho (ou um client node distante presente no caminho de um pacote) [Akyildiz and Wang 2005]. A organizao da estrutura de ligao visto na Figura 2 automtica ou seja, os mesh routers uma vez instalados tem alcance maior e estabelecem uma comunicao entre

Figura 2. Viso da conectividade geral entre client nodes e Mesh Routers. Em verde a comunicao entre mesh routers e em amarelo a ligao entre client nodes.

si, dentro da infraestrutura eles so distintos e geralmente no tem restries de energia e outras limitaes que os clients geralmente impem. Nesse formato os mesh routers formam uma ligao entre si e priorizam a retransmisso dos pacotes entre os links deles, mas os client nodes tambm fazem essa retransmisso, em um raio muito menor e sua retransmisso geralmente tende a ser comprometida e mais lento que os routers. No sendo essa uma constante dentro da rede j que existem muitos computadores estacionrios que podem muito bem funcionar como mesh router. Essa auto-organizao permite que a rede mantenha-se sempre ativa e que haja sempre conexo entre os client nodes. Caso possvel essa conexo pode ser estendida at a Internet atravs de algum client node que tenha conexo ativa at a Internet assim permitindo que o ramo que perdeu a ligao principal possa voltar a ter acesso a Internet ou a outros setores do mesh. Essa a capacidade de auto-organizao da rede, ou seja, caso um ponto da rede caia ou que indisponvel isolando clients ou routers com o princpio da conectividade entre nodes a infraestrutura conseguir restabelecer um link com outra parte da malha reabilitando a ligao primria e assim permitindo que o uxo de dados volte a uir dentro da parte do ecossistema que foi desconectado temporariamente, essa capacidade chamada de auto-reparao [Akyildiz and Wang 2005]. A auto-reparao consiste na capacidade da rede de sempre conseguir sempre manter a rede ativa, mesmo se os dispositivos presentes no ecossistema estiverem falhando ou mesmo a infraestrutura base estiver com problemas a rede permanecer ativa (possivelmente os clients nodes perdero acesso a alguns servios, at mesmo experienciaro baixa na qualidade do uxo de dados) [Akyildiz and Wang 2005].

3.2. Roteamento de Pacotes Conforme descrito na Seo 3.1 a capacidade de auto-organizao e a auto-reparao so grandes caractersticas do modelo, nas quais deixam a rede exvel e quase a prova de falhas, porm geram um grande problema no processo de deciso na retransmisso e roteamento de pacotes. Problema esse que representa o quo estocstica a topologia da rede, com essa constante mudana topolgica (entrada e sada de client nodes e possveis falhas dos mesh routers) a estrutura da rede no comporta algoritmos que convergem a estados estticos e depois desta convergncia no so mais capazes de se ajustar as mudanas. Conforme descrito em [Baumann et al. 2007][Zhi-yuan et al. 2009] [Song et al. 2010] os algoritmos triviais no so capazes de se ajustarem a tempo de comportar as alteraes da rede. Conforme os autores do trabalho apresentam o algoritmo tradicional AODV (Ad Hoc On Demand Distance Vector) no capaz de prover um roteamento de qualidade para o modelo, assim estes demonstram uma verso do AODV-GW (Especializado para o modelo mesh) como alternativa e comparam com outros protocolos, um deles proposto por eles (FBR Field Beacon Routing). Aonde o FBR prope uma alternativa pr-ativa ao roteamento fazendo com que os client nodes busquem que est ao seu redor e consigam usar o ecossistema ao seu redor a seu favor no roteamento dos pacotes.

Figura 3. Mdia de entrega de pacotes em um cenrio contendo pedestres conectados ao ecossistema. [Baumann et al. 2007].

Aps anlise dos grcos (guras 3, 4 e 5) apresentados em [Baumann et al. 2007] possvel notar que quanto maior a mobilidade dos client nodes maior a quebra na entrega de pacotes, com isso possvel notar que o throughput cai e a entrega de pacotes ca comprometido. Com isso o usurio nal do ecossistema deve notar uma queda signicativa do desempenho da rede. Com base na Figura 5 possvel ver que em cenrios aonde os client nodes presentes no ecossistema so estticos o roteamento de pacotes tende a funcionar corretamente mesmo com os protocolos clssicos. Porm possvel notar que em cenrios aonde existem client nodes mveis e com comportamentos aleatrios a entrega de pacotes tende a ser efetivamente menor.

Figura 4. Mdia de entrega de pacotes em um cenrio contendo carros conectados ao ecossistema. [Baumann et al. 2007].

Figura 5. Mdia de entrega de pacotes em um cenrio contendo carros conectados ao ecossistema. [Baumann et al. 2007].

4. Redes Neurais Articiais

Redes Neurais Articiais usualmente denominadas "Redes Neurais"ou RNAs vem sendo desenvolvidas por causa de um grande motivador, o crebro humano, no qual este processa a informao de forma totalmente diferente de um computador digital. A capacidade humana de processar dados no-linear e com um diferencial grande, todo o processo paralelo. Assim a mente humana capaz de processar e classicar dados de forma cognitiva com extrema ecincia, mas para que isso seja possvel o crebro se organiza em uma rede de clulas chamadas neurnios (Figura 6). A partir desta organizao uma Rede Neural capaz de organizar a informao e classic-la atravs de suas experincias, ocorrendo assim, tambm com a mente humana. Tanto que para as RNAs necessrio trein-las com um conjunto base de cenrios e seus resultados, essa aprendizagem chamada de treinamento supervisionado e tem como objetivo preparar as estruturas internas (Pesos) da RNA para responderem com valores esperados sempre que encontrarem um padro conhecido. 4.1. Introduo a Redes Neurais Articiais RNAs so construdas como sistemas paralelos distribudos compostos por pequenas e simples unidades de processamento (neurnios articiais), as quais calculam determina-

Figura 6. Representao de uma clula neural humana [Haykin 2001].

das funes matemticas (normalmente no-lineares). Essas unidades so organizadas em camadas e interligadas por um grande nmero de conexes, na maioria das vezes unidirecionais (Figura 7). Entretanto, existem outros modelos que utilizam conexes de retorno (backpropagation) [Haykin 2001].

Figura 7. Viso clssica da estrutura de uma Rede Neural Articial [Braga et al. 2007].

Dentro da RNA as conexes esto associadas a pesos, aonde armazenado o conhecimento adquirido pela rede, servindo para ponderar sobre a entrada recebida por cada neurnio. A soluo de problemas por meio de RNAs bastante atrativa, uma vez que a forma com que suas estruturas internas so representadas e o paralelismo natural inerente a sua arquitetura geram a possibilidade de um desempenho superior aos mtodos tradicionais de deciso [Venkataram et al. 2002]. Em RNAs o processamento bsico de uma soluo de problemas passa por uma fase inicial de aprendizagem, sendo que alguns modelos necessitam que o desenvolvedor da rede faa ajustes manuais, ou seja, apresente cenrios de aprendizagem exemplos (treinamento supervisionado). Outros modelos, por sua vez, suportam a aprendizagem dinmica (convergncia), ou seja, automtica, sem a interferncia humana no seu aprendizado. Com base nesse aprendizado, a RNA capaz de extrair as caractersticas bsicas para representar a informao do conhecimento nos problemas apresentados a ela. Mais tarde essas informaes sero utilizadas para gerar respostas automticas a conjuntos de dados do mesmo problema no conhecidos [Braga et al. 2007].

4.2. Modelos de RNAs Um dos modelos mais conhecido dentro das redes auto-associativas a rede de Hopeld (ou Hopeld/Tank). Sua arquitetura apresenta uma camada de processamento singular tambm sendo possvel utilizar sua sada para realimentar a camada de processamento assim fazendo com que a rede seja capaz de ponderar sobre o resultado obtido de sua sada.

Figura 8. Estrutura clssica da organizao de uma rede de Hopeld [Loesch and Sari 1996].

A Figura 8 mostra uma rede de Hopeld recorrente de uma s camada, considerando que eventualmente essa camada pode ser antecedida por uma camada de entrada com a nica funo de distribuir os pesos das entradas dentro da camada de processamento e uma camada de sada com a funo de normalizar a sada da rede [Loesch and Sari 1996]. Dentro da Rede Neural de Hopeld o neurnio composto de duas funes matemticas nas quais representam o processo de ativao e o ponderao dos pesos da entrada dos neurnios da rede. A funo de ativao imita o funcionamento da clula neural biolgica na qual requer certas condies para ativar uma descarga eltrica dentro da clula, consequentemente quando a descarga ocorre ela ir ativar as terminaes do axinio e transmitir informao de um neurnio para outro. Dentro do neurnio antes de passar pela funo de transio necessrio ponderar os sinais de entrada (S) no qual denida pela Equao 1, aps ponderadas o resultado passado para a transio, funes essas que podem ser Equaes 2, 3 e 4.
n

S=
i=1

W iXi

(1)

Abaixo algumas funes de transio comumente usadas: Funo de Limiar (v) = 1 0 se v 0 se v < 0 (2)

 Funo linear por partes 1 v (v) = 0 Funo sigmide (v) = 1 1 + exp(av) (4) v +1 2 1 +1 > v > -2 2 v -1 2 (3)

Essas funes representam a transio do sinal internamente do neurnio, ento sempre que for necessrio mexer no desempenho do neurnio ou alterar seu comportamento dever ser feito possivelmente nas funes de transio. Uma das desvantagens das redes de Hopeld de memria associativa e otimizao no retorno de informaes imprecisas e geralmente com falhas em cenrios de grande quantidade de informao. Assim tornando sua aplicao limitada a casos pequenos ou simples. 4.3. Redes Recorrentes Dirigidas Dinamicamente As redes recorrentes so Redes Neurais com um ou mais laos de realimentao, sendo essa realimentao local ou global, no qual neste trabalho ser utilizado a realimentao global. Pelo fato deste modelo ser realimentado faz com que a rede seja capaz de representar estados utilizando menos memria e ganhando mais estabilidade na convergncia do reconhecimento dos dados. A aplicao do modelo de Redes Recorrentes Dirigidas Dinamicamente (RRDD) de entrada-sada possvel para previses no-lineares, modelagem e equalizaes adaptativas de canais de comunicao, entre outros [Haykin 2001]. Todas as arquiteturas de redes deste modelo compartilham das seguintes caractersticas: Todas incorporam um perceptron de mltiplas camadas esttico ou parte deles; Todas explorar a capacidade de mapeamento no-linear do perceptron.

Figura 9. Rede Recorrente Simples (RRS).

Pode-se descrever o comportamento dinmico do modelo da Figura 10 a partir do par das Equaes 5 e 6 acopladas:

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

(5)

y(n) = Cx(n)

(6)

Figura 10. Modelo de espao de estados.

A rede recorrente inclui vrias arquiteturas recorrentes com atrasos especiais como por exemplo a rede recorrente simples proposta em [Elman 1990] tendo seu modelo representado na Figura 9, com diferencial em sua arquitetura de no utilizar o banco de atrasos da sada (Figura 10), assim possibilitando que a sada seja linear ou no-linear [Haykin 2001]. A partir destes atributos e tendo em vista que esse modelo de rede poder representar os estados dos nodes de forma ideal para o mecanismo de roteamento. Este trabalho visa a aplicao extensiva deste modelo utilizando a aprendizagem no supervisionada, sem apresentao de cenrios exemplos e nem a correo manual da rede. O conjunto da rede ser usado para validar aos estados dos client nodes utilizando sua capacidade de avaliar eventos futuros correlacionado com resultados passados obtidos. Assim otimizando o processo de deciso durante o roteamento do pacote no qual a rede conseguir praticamente prever futuras complicaes baseadas em eventos passados dos nodes que o pacote dever ser encaminhado.

5. Estado Atual
At o presente momento a implementao do protocolo est em andamento provendo assim resultados iniciais para o roteamento de pacotes dentro da simulao da rede mesh. Contudo no possvel ainda extrair resultados concretos pois para poder avaliar o uso das RNAs dentro do roteamento necessrio ter toda a implementao feita. O Simulador, conforme apresentado na Seo 5.2, trabalhar com base em cenrios de aplicaes, com a nalidade de testar o roteamento em diversas situaes, a Tabela 1 apresenta os parmetros bsicos das simulaes. O cenrio base assim como o modelo base sero apresentados nas subsees 5.1 e 5.3.

Parmetros da simulao Simulador Sistema Operacional Tempo de Simulao rea da Simulao Numero de Nodes rea de transmisso Modo de Movimentao Velocidade dos Nodes Mveis Tipo de trfego Payload Mac Layer

Valor NS3 (3.6) MAC OS X 11 100s 100m x 100m 1000 100m2 Constant Position Estticos ARP 1024 Pilha Padro 802.11n

Tabela 1. Parmetros do cenrio base da simulao.

5.1. Modelo da Simulao O modelo utilizado para testes iniciais e validao base do roteamento foi um modelo simples com sua topologia organizada como uma matriz bidimensional tendo client nodes estticos e no mveis. Esse modelo servir de base, tendo em vista que os algoritmos tradicionais tendem a serem timos em cenrios estticos. O modelo prov um cenrio base como validador, assim como tambm um mecanismo de forma homognea para extrao dos dados com o destino de estabelecer parmetros de comparao e validao das mtricas de roteamento. A comparao qualitativa deste cenrio ocorrer de forma a ser analisada pelo throughput da rede, considerando a capacidade dos client-nodes de conseguirem enviar e receber informaes. A anlise quantitativa ser conduzida com base nas mtricas extradas a partir dos arquivos de trace que o simulador prov. 5.2. Simulador NS-3 O NS-3 um simulador discreto baseado em eventos destinado para a comunidade de pesquisadores e educadores com o objetivo de prover um ambiente para o estudo de redes em larga escala, por exemplo a Internet e estruturas de larga escala, com ambientes controlados. O NS-3 tem as seguintes caractersticas para rodar as simulaes [NS3 2011]. escrito em C++ com uma interface para Python de maneira opcional; Provem integrao com softwares padronizados para entrada e sada de informao, habilitando outras ferramentas a serem utilizadas em conjunto com o simulador; A pesquisa, de maneira geral, validada de duas maneiras: atravs de simulaes e outras implementaes de maneira real. O NS-3 tem uma organizao que lembra as implementaes fsicas, permitindo assim testar de maneira mais el as simulaes; Contm cdigos que permitem integrao com os mdulos do kernel Linux permitindo assim que o simulador opere juntamente com dados reais. Como seu modelo relativamente perto da implementao real, ele suporta drivers de dispositivos assim como APIs IP e Sockets (no Linux);

 Facilidade de testar da simulao a ambientes reais de teste, assim como experimentos em tempo real; Contm uma rica documentao sobre o funcionamento de suas camadas e classes, informando o que cada parte do cdigo disponvel no simulador faz; Seu novo modelo de gerao de relatrios compatvel com ferramentas externas, como wireshark por exemplo. 5.3. Cenrio Exemplo O cenrio exemplo foi criado para ser congurvel podendo assim ter seus parmetros alterados e consequentemente a partir da mesma construo gerar resultados alternativos para base comparativa. Os parmetros do cenrio base so: x-size: Tamanho em X do grid, padro 6; y-size: Tamanho em Y do grid, padro 6; step: Espao da borda no grid, padro 100m; step: Tempo de aleatoriedade para inicio da transmisso de pacotes (0.1 segundo); time: Tempo da simulao, padro 100 segundos; packet-interval: Intervalo de transmisso dos pacotes, padro 0.001 segundo; packet-size: Tamanho do pacote, padro 1024bytes; interfaces: Numero de interfaces de transmisso (antenas) que o um client node possuir, padro 1; channels: Nmero de canais de transmisso de um client node, padro 1; pcap: Habilita PCAP para gerao de arquivos de trace, padro sim; stack: Modelo da pilha de rede utilizada, padro ns3::Dot11sStack; root: Endereo MAC do node base do grid.

Este cenrio base ser usado como padro comparativo de cenrios derivados para extrao do resultado roteamento durante o perodo da simulao sobre a exibilidade que as RNAs podem prover no roteamento dos pacotes dentro da rede. Os parmetros extrados neste cenrio sero a base do comparativo com os algoritmos tradicionais j apresentados por outros autores na Seo 3.2. 5.4. Avaliao Dentro da avaliao ser seguida a metodologia que os seguintes trabalhos desenvolveram [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 avaliaes consistem em: Throughput; Mdia de Entrega de pacotes; Overhead do Roteamento; Mdia de delay entre o pacote sendo enviado e seu tempo de chegada ao destino; Pacotes que chegaram ao destino; Sucesso de entrega sobre o perodo de aumento de trfego.

Outros itens a serem avaliados sero as mtricas de funcionamento das Redes Neurais Articiais dentro do processo de roteamento, itens esses que sero: Predio da sada;

 Erro Mdio durante o treinamento. A avalio ir ser comparada com os resultados apresentados pelos autores [Venkataram et al. 2002] [Zhi-yuan et al. 2009] [Song et al. 2010] [Baumann et al. 2007] utilziando como base o padro apresentado em [Paul et al. 2010]. As informaes sobre a transmisso sero extradas usando o mecanismo de trace fornecido pelo NS3. Tais arquivos gerados contm informaes relevantes sobre os estados que um client node assumiu durante o perodo da simulao. A partir de tais informaes, sero produzidos grcos traando um comparativo com os resultados j apresentados pelos autores supracitados neste trabalho. As mtricas bsicas levantadas at o presente momento foram apresentadas no incio desta subseo

6. Resultados Preliminares e Prximos Passos

Este trabalho prossegue conforme o cronograma (Figura 11), com apenas um ajuste, adio de um ms a mais de denio da RNA no protocolo. Foi alocado esse tempo a mais para validar de forma mais extensa o modelo escolhido. Na nalidade de avaliar corretamente se o modelo escolhido corresponder as expectativas em relao a capacidade de classicao do conjunto de dados extrados dos nodes. Do incio do trabalho foram realizadas pesquisas tericas em relao as redes mesh com a nalidade de entender melhor o modelo de rede, no qual foi est sendo possvel compilar um conjunto de mtricas que denem o estado de um client node. Estados esses que iro formatar a estrutura das RNAs aplicadas no processo de deciso de roteamento do pacote. Em relao a construo do protocolo de roteamento ser necessrio utilizar um conjunto de RNAs para possibilitar a deciso, tendo em vista a natureza especialista das Redes Neurais foi identicado que no possvel utilizar uma nica rede para validar o estado e decidir o caminho no qual o pacote deve prosseguir, nessa premissa foi decidido utilizar uma RNA supervisora que tem suas entradas as sadas das outras RNAs especializadas na validao das mtricas do estado do node. Sendo essas RNAs ligadas intimamente as informaes de cada conjunto de estado do node, alguns estados j levantados em relao a capacidade de roteamento so: Estado e nvel da bateria (caso o node seja um dispositivo mvel); Tempo mdio de roteamento (visto como uma srie [Venkataram et al. 2002]); Tamanho da la de encaminhamento; Distncia do node destino do prximo salto do pacote. temporal

Com base nessas mtricas possvel fazer com que os nodes troquem informao sobre o seu estado assim avisando seus vizinhos e alimentando as informaes das RNAs para deciso do roteamento. Os prximos passos deste trabalho sero: Continuar o desenvolvimento do protocolo aplicando as RNAs; Gerar os outros cenrios que validem as mtricas de roteamento; Aprimorar o modelo da RNA, possivelmente ajustando suas Equaes (de ativao do neurnio e ponderao dos pesos). Do que foi avaliado e pesquisado em relao a outros trabalhos que utilizam a capacidade cognitiva das RNAs dentro das redes mesh os resultados tendem e serem vlidos, porm necessitam de grande trabalho e reno, um dos pontos a ser avaliado e pesado

 o tempo de aprendizagem das RNAs. Considerando que por estas vo ter seu treinamento no supervisionado o roteamento inicial poder ser catico inuenciando assim a rede e perder desempenho inicialmente. Tal problema dever ser avaliado e revisado com a nalidade de apontar uma abordagem vlida.

Figura 11. Cronograma do trabalho

Referncias
Akyildiz, 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 packet switching networks: Gb/s challenge. Network, IEEE, 9(3):38 61. Baumann, R., Heimlicher, S., Lenders, V., and May, M. (2007). Routing packets into wireless mesh networks. In Wireless and Mobile Computing, Networking and Communications, 2007. WiMOB 2007. Third IEEE International Conference on, page 38. Braga, A., Carvalho, A., and Ludemir, T. (2007). Redes Neurais Articias - Teorias e Aplicaes. LTC, 1th edition. Elman, J. L. (1990). Finding structure in time. COGNITIVE SCIENCE, 14(2):179211. Haykin, S. (2001). Redes Neurais - Principios e Prtica. Bookman, 2th edition. Loesch, C. and Sari, S. T. (1996). Redes Neurais Articiais - Fundamentos e Modelos. FURB, 1th edition. NS3, T. (2011). Ns3 project. Disponvel 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 using ns-3. In Education Technology and Computer (ICETC), 2010 2nd International Conference on, volume 5, pages V5298 V5303. Song, Y., Zhang, C., and Fang, Y. (2010). Stochastic trafc engineering in multihop cognitive 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 optimal routing algorithm for communication networks. Neural Netw., 15:12891298. Zhi-yuan, L., Ru-chuan, W., and Jun-lei, B. (2009). A multipath routing algorithm based on trafc 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 service discovery protocol. In Pervasive Computing and Communications, 2004. PerCom 2004. Proceedings of the Second IEEE Annual Conference on, pages 329 338.