Ambiente de simulação
• Os algoritmos previamente discutidos foram analisados usando um simulador de mobilidade.
• Ele modela uma cidade de 20 Km de raio, dividindo-a em áreas baseadas na densidade populacional e limites naturais.
Ambiente de simulaçãoServidores fixos
Ambiente de simulação
• O ambiente modelado inclui também os diferentes lugares da cidade onde as pessoas gastam o seu tempo.
• O gráfico ao lado mostra a frequência dos pontos com maior movimentação nas diversas áreas da cidade.
Ambiente de simulação
• Os usuários são divididos em quatro grupos de acordo com sua mobilidade e características de demanda.
– a)5% de usuários que se movem frequentemente por longas áreas da cidade.
– b)60% de trabalhadores que permanecem em somente um lugar uma grande parcela do dia, e depois retornam para sua residência.
– c)30% de usuários que se movem por toda a cidade, gastando tempo considerável em cada local.
– d)5% de usuários tem alta mobilidade, mas restritos ao centro da cidade.
• Uma tabela de movimento é associado a cada usuário para determinar seu comportamento de mobilidade típico.
Ambiente de simulação
• No simulador os tempos entre chamadas por usuário seguem uma distribuição de Poisson com médias de 14,7,18 e 18 para os grupos a,b,c e d respectivamente.
• Uma vez conectado, o usuário solicita um número de requisições numa taxa de uma requisição por segundo.
• Dentro de cada grupo, a popularidade de conteúdo segue uma distribuição zip-like onde a probabilidade de requisitar o objeto de um conteúdo c é igual a K/(c^alfa), onde K é parâmetro de normalização e alfa é igual a 0,84.
Avaliação de Performance
Avaliação de Performance
• Todos os conteúdos tem tamanho homogêneo e o mesmo servidor de origem.
• A distância entre os servidores é usada como fator multiplicador no cálculo de tráfego entre eles.
• Para os experimentos a configuração foi:– Número de conteúdos igual a 24.– Número de usuários móveis igual 500.000, gerando uma média de 35.700
requisições por segundo na rede.– O período de reconfiguração foi ajustado para 10 minutos e a simulação rodou
por 80 períodos. – Os parâmetros alfa e delta do método de previsão de demanda foram
configurados para 0,2 e 7 respectivamente e o parâmetro HW foi configurado para 1000 requisições por período.
Impacto da replicação, serviço indireto e tamanho do conteúdo de manutenção• Foram analisados os impactos referentes aos parâmetros
sr^c(replicação), si^c(serviço indireto) e (sm^c)manutenção.
• Esses parâmetros foram inicialmente configurados para sr^c = si^c = sm^c = 1 Kbyte, para todo conteúdo pertencente ao conjunto C.
• 1º Avaliação: Altera sr^c e mantêm os outros parâmetros constantes.
Impacto da replicação, serviço indireto...
Resultado:• O algoritmo online teve o tráfego só 2x maior em relação ao
algoritmo ótimo.• O algoritmo online teve o tráfego 85% menor que o algoritmo ACDN.• O algoritmo online teve uma economia de tráfego de 97% em relação
ao melhor algoritmo estático.
Conclusão:• Esses resultados parecem indicar, que se basear nas demandas
futuras nos dá um ganho maior que se basear nas observações do passado.
Impacto da replicação, serviço indireto...
• 2º Avaliação: Altera sm^c, atribui ao sr^c o valor de 10.000 vezes o valor inicial e mantêm si^c constante.
Impacto da replicação, serviço indireto...
Resultado:• O algoritmo online teve o tráfego 11% maior em relação ao algoritmo
ótimo.• O algoritmo online teve o tráfego 84% menor que o algoritmo ACDN.
Conclusão:• Com o aumento do tamanho de manutenção torna-se menos
vantajoso manter uma réplica onde há baixas demandas de cliente.
Impacto da replicação, serviço indireto...
• 3º Avaliação: Altera si^c, atribui ao sr^c e ao sm^ c valor de 10.000 vezes o valor inicial.
Impacto da replicação, serviço indireto...
Resultado:• O algoritmo online teve o tráfego 2,7 vezes maior em relação ao
algoritmo ótimo.• O algoritmo online teve o tráfego de 34% até 65% menor que o
algoritmo ACDN quando o tamanho do serviço indireto aumentou de 10 até 10.000 os valores iniciais.
Conclusão:• Quando os tamanho associado ao serviço indireto aumenta torna-se
mais vantajoso replicar conteúdo do que encaminha requisições para outros servidores.
Impacto da replicação, serviço indireto...
Impacto do número de usuários móveis.
• Assumindo que todos os parâmetros de tamanho sejam iguais 10 Kbytes .
Resultado:• O algoritmo online teve o tráfego 52% maior em relação ao algoritmo
ótimo. Em comparação o ACDN resultou num tráfego 126% maior que a solução ótima.
Conclusão:• Como esperado, os algoritmos dinâmicos escalam muito melhor do
que as abordagens estáticas.
Impacto do número de usuários móveis.
Overhead das operações de gerenciamento.• As operações de replicação e manutenção de conteúdo geram um
overhead no tráfego total gerado em uma rede de distribuição de conteúdo.
• Se o overhead, em contra-partida, reduz o tráfego em relação as respostas indiretas, esse gerenciamento torna-se vantajoso.
• Assumindo uma configuração de 300.000 unidades móveis e as mesmas configurações de tamanho do último exemplo.
Overhead das operações de gerenciamento.
Resultado:• O algoritmo online teve a mesmo overhead de gerenciamento, mas o
tráfego total é 37% maior que a solução ótima.• O ACDN gera um overhead e um tráfego maior que o algoritmo
online.
Conclusão:• As abordagens dinâmicas geram um overhead significativo no
tráfego total.
Overhead das operações de gerenciamento.
Sobrecarga de servidor
• O limite superior é flexível. Isso ocorre porque são aplicadas estimativas futuras de carga.
• Se a estimativa não é correta, ainda pode ocorrer sobrecarga nos servidores.
Sobrecarga de servidor
• Os parâmetros são os mesmos usados no tópico anterior.
Sobrecarga de servidor
Resultado:• O número de servidores sobrecarregados no algoritmo online é
significativamente menor do que no ACDN.
Conclusão:• O método de previsão de demanda de alta precisão faz o algoritmo
online mais competitivo do que o ACDN.
Impacto da previsão de demanda
• Foi avaliado a sensitividade do algoritmo aos parâmetros alfa e delta.
• A avaliação ocorreu em dois cenários diferentes. Um com o método DES para previsão demanda e outro usando o perfeito conhecimento da demanda futura.
• O melhor valor de alfa de depende da variação observada na demanda. Se as requisições de clientes são razoavelmente estáveis uma valor perto de 0 é um bom valor. Com demandas que diminuem e aumentam gradualmente, uma valor perto de 1 é mais adequado.
Impacto da previsão de demanda
Avaliando alfa e beta no método DES.Configuração utilizada: • Número de usuários : 300.000• sm^c: 500KB• sr^c: 10MB• si^c: 20KB
Obs: No ambiente simulado a demanda de cliente varia suavemente.
Impacto da previsão de demanda
• Aqui analisamos o impacto do parâmetro alfa.
Conclusão:•Como a demanda varia suavemente, um valor para alfa perto de 0 é mais adequado.
Impacto da previsão de demanda
• Aqui analisamos o impacto do parâmetro delta.
Conclusão:•O melhor resultado obtido no ambiente foi com delta igual a 2. Quando 2 < delta < 20 o algoritmo online produz resultados dentro de 5% da solução ótima.
Impacto da previsão de demanda
DES X Previsão perfeita• Número de usuários : 12.000• sm^c: 2M• sr^c: 10MB• si^c: 20KB
Impacto da previsão de demanda
Conclusão:•O método de previsão perfeita reduz o tráfego sé em 10% em relação ao método DES. Logo o método utilizado tem boa acurácia.