Estudio de modelos de movilidad realistas usando métricas de teoría de grafos y su impacto en redes inalámbricas de malla

Las redes inalámbricas de malla, Wireless Mesh Networks (WMNs), son redes con la capacidad de autoformarse, auto-configurarse y auto-repararse. Estas características fueron heredadas de las redes móviles ad-hoc, Mobile Ad-Hoc Networkss (MANETs). Sin embargo, las WMNs surgen como alternativa al uso...

Full description

Bibliographic Details
Main Authors: Avilés Parra, Pablo Felipe, Pinto Nieto, Josue David
Other Authors: Vázquez Rodas, Andrés Marcelo
Format: bachelorThesis
Language:spa
Published: Universidad de Cuenca 2021
Subjects:
Online Access:http://dspace.ucuenca.edu.ec/handle/123456789/35994
Description
Summary:Las redes inalámbricas de malla, Wireless Mesh Networks (WMNs), son redes con la capacidad de autoformarse, auto-configurarse y auto-repararse. Estas características fueron heredadas de las redes móviles ad-hoc, Mobile Ad-Hoc Networkss (MANETs). Sin embargo, las WMNs surgen como alternativa al uso de las MANETs debido a sus diferencias en arquitectura y tecnologías de radio utilizadas. Dentro de las WMNs destacan tres paradigmas de arquitectura: WMNs con infraestructura, WMNs clientes y WMNs híbridas (como la combinación de las dos arquitecturas anteriores). Además, las WMNs, al poseer tecnologías de radio basadas en el estándar 802.11, resultan más convenientes que las MANETs para el enrutamiento de información hacia Internet. Tanto las MANETs como las WMNs hacen uso de enrutadores de malla, Mesh Routers (MRs), para el enrutamiento de la información. El gran número de dispositivos móviles introducidos en los últimos años ha obligado a crear nuevas arquitecturas topológicas sobre la base de las WMNs. Un claro ejemplo de arquitecturas modernas es la denominada WMN espontánea. Este tipo de arquitectura se caracteriza por estar conformada únicamente por dispositivos móviles o nodos finales de usuario. Dentro de este tipo de arquitectura, la característica principal es que todos los nodos actúan simultáneamente tanto como dispositivos de interfaz de usuario así como enrutadores de tráfico de sus pares. Sin embargo, con el fin de optimizar y hacer más eficiente la operación de la red, a través de técnicas de control de topologías, se puede seleccionar solo cierta cantidad de dispositivos para que actúen como los enrutadores de la red. Este proceso de selección clasifica a los nodos en dos grupos: los MRs y los nodos clientes de la red en malla, Mesh Clients (MCs). Así, el enrutamiento del tráfico estará controlado únicamente por los MRs, mientras que los MCs actuarán únicamente como dispositivos de usuario final. Estudios como [1, 2] han demostrado mejoras en el desempeño de redes WMNs espontáneas, por medio del uso de control de topologías. Esta técnica se llevó a cabo mediante la combinación de dos métricas de teoría de grafos, la centralidad de intermediación (betweenness centrality) y la modularidad. Estas dos métricas fueron utilizadas para abstraer la información de la topología de las redes de malla cliente, con el fin de seleccionar como enrutadores solamente a los nodos más importantes de la red. Mediante este control de topología, se alcanzan mejoras significativas en la eficiencia general de la red con respecto a una red en la que todos los dispositivos actúan como enrutadores. Por otra parte, es importante recalcar que al estar conformada por dispositivos finales de usuario, las WMNs espontáneas generan escenarios dinámicos dentro de su topología. Esta topología cambia constantemente conforme los usuarios se mueven de un lugar a otro. Por tal motivo, se han establecido en la literatura modelos matemáticos que intentan emular, de la manera más realista posible, el comportamiento dinámico de los nodos sobre la red. A estos modelos se los ha denominado modelos de movilidad. En un estudio previo [2], estos modelos de movilidad realistas han sido objeto de evaluación desde la perspectiva de un control de topología eficiente. Bajo estas premisas, el objetivo principal de este trabajo es el de encontrar y caracterizar las diferencias topológicas dentro de seis modelos de movilidad realistas disponibles en la literatura y aplicados a la evaluación de redes inalámbricas de malla. Estas diferencias se establecieron mediante el uso de seis métricas distintas de teoría de grafos. Haciendo uso del concepto de WMNs espontáneas, se simularon y evaluaron redes en las que las topologías cambiaban de acuerdo al modelo de movilidad escogido. Al final, se establecieron conclusiones que indicaban cuáles modelos de movilidad presentaban resultados más relevantes dentro de cada métrica. Adicionalmente, para ilustrar un ejemplo de aplicación de los análisis realizados a los modelos de movilidad, se utilizaron los conceptos de integridad y robustez de red. Para esto, se analizaron dos modelos de movilidad sobre cada métrica. En cada modelo se eliminaron nodos simulando un ataque de red, con el objetivo de evaluar el impacto sobre la tasa de entrega de paquetes, Packet Delivery Ratio (PDR), resultante cada vez que un nodo fuera eliminado. Se pudo observar que no todas las métricas entregaron resultados satisfactorios, por lo que se descartó la aplicación de robustez de red basada en estas métricas específicamente. Complementariamente, para estas métricas se hizo un análisis de PDR y retardo simulando redes con una estructura topológica basada en comunidades. Finalmente, se establecieron conclusiones sobre cada modelo de movilidad y cada métrica, indicando los resultados más relevantes obtenidos sobre cada uno. Este trabajo ha sido realizado mediante distintas herramientas de software de libre acceso muy difundidas en la comunidad científica. Para las trazas de movilidad se ha ocupado BonnMotion (BM) y Simulation Of Urban Mobility (SUMO). Para la simulación de las WMNs con tráfico de información se ha utilizado el simulador de red de eventos discretos Network Simulator 3 (NS-3). Las métricas de teoría de grafos han sido obtenidas mediante el software Gephi. Finalmente, las comparativas entre los modelos de movilidad y métricas utilizadas, se han obtenido mediante la plataforma Python