NATALIA CARDOSO MACHADO MODELO PARA … · natalia cardoso machado modelo para cÁlculo de...
Transcript of NATALIA CARDOSO MACHADO MODELO PARA … · natalia cardoso machado modelo para cÁlculo de...
NATALIA CARDOSO MACHADO
MODELO PARA CÁLCULO DE CAPACIDADE DE TRANSMISSÃO PA RA
USUÁRIOS DE REDES DE RÁDIOS COGNITIVOS COM BASE OFD M
CANOAS, 2012
NATALIA CARDOSO MACHADO
MODELO PARA CÁLCULO DE CAPACIDADE DE TRANSMISSÃO PA RA
USUÁRIOS DE REDES DE RÁDIOS COGNITIVOS COM BASE OFD M
Trabalho de conclusão apresentado ao Curso de Ciência da Computação do Centro Universitário La Salle – Unilasalle, como exigência parcial para a obtenção do grau de Bacharel em Ciência da Computação.
Orientação: Profº M.e. Rafael Kunst
CANOAS, 2012
NATALIA CARDOSO MACHADO
MODELO PARA CÁLCULO DE CAPACIDADE DE TRANSMISSÃO PA RA
USUÁRIOS DE REDES DE RÁDIOS COGNITIVOS COM BASE OFD M
Trabalho de conclusão apresentado ao Curso de Ciência da Computação do Centro Universitário La Salle – Unilasalle, como exigência parcial para a obtenção do grau de Bacharel em Ciência da Computação.
Aprovado pela banca examinadora em 10 de dezembro de 2012.
BANCA EXAMINADORA:
Profª M. ªAndrea Collin Krob Unilasalle
Prof. Me. Rafael Kunst Unilasalle
Prof. Me. Artur Cardoso Severo Unilasalle
RESUMO
A atual situação de escassez de faixas disponíveis para a transmissão de dados no
espectro de frequência e o crescente aumento de dispositivos móveis impulsionou
de forma positiva as pesquisas nas áreas referentes às Redes de Rádios Cognitivos.
Este fato deve-se a possibilidade de otimização da utilização do espectro de
frequências através da alocação dinâmica de recursos. A alocação dinâmica do
espectro não é uma tarefa simples, e como tal possui diversos desafios. O primeiro
desafio enfrentado é a identificação da porção do espectro onde os usuários
cognitivos poderão transmitir seus dados. Com o objetivo de identificar a parcela do
espectro de frequência que não é utilizada pelos usuários primários de redes
baseadas em OFDM (Orthogonal Frequency-Division Multiplexing), e quais as
métricas que estão associadas diretamente a este valor, foram desenvolvidos três
modelos de simulação. Dois destes modelos simulam o tráfego de uma rede sem fio
OFDM e OFDMA (Orthogonal Frequency-Division Multiple Access) possibilitando
assim a identificação da capacidade da rede que é subutilizada. Além destes dois
modelos, foi utilizado para fins comparativos, um terceiro modelo de simulação
proposto na pesquisa realizada por Lee e Akyldiz em 2011, o qual se baseia na
geração randômica de valores referentes a taxa de chegada e a taxa de serviço dos
usuários primários de uma rede . Através dos resultados destes modelos foi possível
a realização de uma análise na qual foi realizado um mapeamento sobre as
características de uma rede que definem a capacidade disponível para a
transmissão de dados de usuários secundários. Através desta análise foi possível
observar que a geração randômica proposta por Lee e Akyldiz não proporciona um
cenário realista, pois não considera informações importantes de uma rede como a
quantidade de usuários primários e a capacidade de transmissão de cada canal
simulado.
ABSTRACT
The current situation of scarcity of available bands for data transmission in the
spectrum frequency used in wireless network and the increasing number of mobile
devices positively boosted research in areas related with Cognitive Radio Networks.
This fact is due to the possibility of optimizing the use of the frequency spectrum
through dynamic allocation performed in these networks. Dynamic allocation of
spectrum is not a simple task, and as such possesses several challenges. The first
challenge is to identify the portion of the spectrum where cognitive users can transmit
their data, which correspond to those which are not being used by primary users
because it is a Cognitive Radios Network. With this objective of identify the portion of
the frequency spectrum that is not used by primary users of networks based at
OFDM (Orthogonal Frequency-Division Multiplexing) and what the metrics that are
directly associated with this, three simulation models were developed. Two of these
models simulate the traffic of a OFDM and OFDMA (Orthogonal Frequency-Division
Multiple Access) wireless network, where is possible to identify the capacity on
network that is not used. Apart from these two models were used for comparative
purposes, a third simulation model proposed in the study by Lee and Akyldiz in 2011,
which is based on the generation of random values for the arrival rate and service
rate of primary users of a network. Through the results of these models was possible
to perform an analysis was conducted in which a mapping on characteristics of a
network defining the capacity available for data transmission of secondary users.
Through this analysis it was observed that the random generation proposed by Lee
and Akyldiz not provide a realistic scenario because it does not consider a network of
important information such as the amount of primary users and the transmission
capacity of each channel simulated.
LISTA DE ILUSTRAÇÕES
Figura 1 - Conceito de Spectrum Holes ...................................................................15
Figura 2 – Círculo de Cognição ...............................................................................16
Figura 3 – Arquitetura de uma Rede de Rádios Cognitivos .....................................18
Figura 4 – Funções de Rádio Cognitivo ..................................................................19
Figura 5 – Compartilhamento de espectro Intra-Rede e Entre-Redes ....................22
Figura 6 – Comparação entre a transmissão de dados utilizando tecnologia FDM
(direita) e OFDM (esquerda) ...................................................................................26
Figura 7 – Transmissão de dados OFDMA .............................................................27
Quadro 1 – Relação dos parâmetros utilizados para a geração do tráfego VoIP ....35
Quadro 2 – Relação das distribuições probabilísticas utilizadas na geração do
tráfego HTTP ...........................................................................................................36
Figura 8 – Cadeia de Markov utilizada durante a simulação ...................................38
Figura 9 – Estrutura básica de um sistema de filas .................................................43
Figura 10 – Definição de Taxa de Chegada e Taxa de Serviço ...............................44
Quadro 3– Relação dos parâmetros utilizados na simulação do modelo baseado nas
fórmulas probabilísticas ...........................................................................................46
Quadro 4 – Relação dos parâmetros utilizados no modelo de simulação OFDM
baseado na geração de tráfego VoIP e HTTP .........................................................48
Quadro 5 – Relação dos parâmetros utilizados na simulação do modelo OFDMA
baseado na geração de tráfego VoIP e HTTP .........................................................49
Gráfico 1– Capacidade Disponível em relação à taxa de chegada .........................50
Gráfico 2 – Capacidade Utilizada em relação à taxa de serviço nos modelos de
simulação OFDM .....................................................................................................52
Gráfico 3 – Capacidade Utilizada em relação à taxa de serviço no modelo de
simulação OFDMA ..................................................................................................53
Gráfico 4 – Período Médio Disponível em relação à taxa de chegada de um canal
................................................................................................................................54
Gráfico 5 – Período Médio Utilizado em relação à taxa de serviço de um canal nos
modelos de simulação OFDM .................................................................................56
Gráfico 6 – Período Médio Utilizado em relação à taxa de serviço de um canal no
modelo de simulação OFDMA .................................................................................56
Gráfico 7 – Capacidade Média Utilizada pelos usuários primários relacionada à
quantidade de usuários ...........................................................................................57
Gráfico 8 – Capacidade Média Disponível relacionada à quantidade de usuários ..
......................................................................................................................58
Gráfico 9 – Capacidade de Transmissão Utilizada e Capacidade de Transmissão
Disponível em um canal durante o tempo de simulação de uma rede OFDM ........59
Gráfico 10 – Capacidade de Transmissão Utilizada e Capacidade de Transmissão
disponível em um canal durante o tempo de simulação de uma rede OFDMA .......60
LISTA DE TABELAS
Tabela 1 – Probabilidades das possíveis transições representadas na Cadeia de
Markov ....................................................................................................................39
LISTA DE SIGLAS
CDMA Code Division Multiple Access
FDM Frequency-Division Multiplexing
FEC Forward Error Correction
HTTP HyperText Transfer Protocol
IP Internet Protocol
MAC Medium Access Control
MCS Modulation and Coding Scheme
OFDM Orthogonal Frequency-Division Multiplexing
OFDMA Orthogonal Frequency-Division Multiple Access
PDU Protocol Data Unit
RTP Real-Time Transport Protocol
SDR Software Defined Radio
TDMA Time Division Multiple Access
UDP User Datagram Protocol
VoIP Voice over IP
SUMÁRIO
1 INTRODUÇÃO ...................................................................................... 12
2 REFERÊNCIAL TEÓRICO .................................................................... 15
2.1 Redes De Rádios Cognitivos .................... .......................................... 15
2.1.1 Spectrum Sensing ................................................................................. 20
2.1.2 Spectrum Sharing .............................................. 21
2.1.3 Spectrum Mobility .................................................................................. 23
2.1.4 Spectrum Decision ................................................................................ 24
2.2 Técnicas de Transmissão: OFDM e OFDMA ......... ............................ 25
2.2.1 Orthogonal Frequency Division Multiplexing – OFDM ........................... 25
2.2.2 Orthogonal Frequency Division Multiple Access – OFDMA ................... 26
3 TRABALHOS RELACIONADOS .......................... ................................ 28
4 MODELOS DE SIMULAÇÃO .................................... 34
4.1 Modelos de Simulação baseados na Geração de Tr áfego de Dados
.............................................................................................................. 34
4.1.1 Geração do Tráfego de Dados ................................... 34
4.1.1.1 Geração de Tráfego de Dados VoIP .............................. 35
4.1.1.2 Geração de Tráfego de Dados HTTP .................................................... 36
4.1.2 Propagação de Dados pelo Canal ......................................................... 37
4.1.3 Transmissão de Dados .......................................................................... 40
4.1.4 Contabilização da Capacidade de Transmissão Disponível e Utilizada
..................................................................................................................... 41
4.2 Modelo Probabilístico ........................ ................................................. 42
4.3 Cálculo das Taxas de Chegada e de Serviço ..... ............................... 43
5 CENÁRIOS DE SIMULAÇÃO .......................... ..................................... 46
5.1 Cenários de Simulação para o Modelo de Simulaçã o baseado em
fórmulas probabilísticas .......................... .......................................................... 46
5.2 Cenários de Simulação para o Modelo de Simulaçã o OFDM baseado
na Geração de Trafego VoIP e HTTP ................. ................................................ 47
5.3 Cenário de Simulação para o Modelo de Simulaçã o OFDM baseado na
Geração de Tráfego VoIP e HTTP .................... .................................................. 48
6 ANÁLISE DE RESULTADOS .......................... ...................................... 50
6.1 Comparações entre os resultados obtidos através dos três modelos
desenvolvidos ..................................... ............................................................... 50
6.2 Análises de Resultados obtidos nos Gráficos do s Modelos
desenvolvidos utilizando a Geração de Tráfego ..... ........................................ 57
7 CONCLUSÃO ...................................... ................................................. 61
REFERÊNCIAS ..................................................................................... 64
12
1 INTRODUÇÃO
Umas das atuais preocupações referentes às redes sem fio é a escassez de
faixas disponíveis no espectro de frequências, através da alocação dinâmica do
espectro é possível amenizar este problema. Com o aparecimento de diversos
dispositivos e serviços sem fio esta situação tem se agravado (KUNST, 2011).
Entretanto, este problema não se baseia somente no aumento da demanda por
serviços sem fio, mas também na subutilização do espectro. As faixas do espectro
são distribuídas para as operadoras de telecomunicações ou para outras
organizações, e esta distribuição é realizada de forma com que as faixas sejam
utilizadas por um longo prazo em grandes regiões geográficas. O que em alguns
casos, ocasiona subutilização do espectro (JONDRAL, 2007). Um melhor
aproveitamento do espectro de frequências é possível através da alocação dinâmica
oferecida pelas Redes de Rádios Cognitivos.
As Redes de Rádios Cognitivos são redes sem fio, cuja ideia principal é prover
acesso compartilhado ao espectro de frequências para usuários licenciados e não
licenciados. Os usuários licenciados são aqueles possuem direitos para a utilização
de determinadas áreas do espectro. Já os não licenciados, estão aptos a realizar
transmissões apenas em áreas reservadas para fins industriais, científicos ou
médicos, as quais não necessitam de licença para sua utilização (KUNST, 2011). A
utilização de Redes de Rádios Cognitivos possibilita que usuários secundários (não
licenciados) utilizem áreas do espectro pertencentes a usuários primários
(licenciados), que não estejam sendo utilizadas em um determinado momento
(ZHOU et al., 2010). O conceito de Rádio Cognitivo foi apresentado pela primeira
vez em 1999, por Mitola e Maguire (MITOLA; MIGUIRE, 1999).
A principal funcionalidade de um dispositivo de Rádio Cognitivo é a adaptação
de suas frequências de transmissão de forma dinâmica, caracterizando assim a
alocação dinâmica do espectro (KUNST, 2011). É esta funcionalidade que torna
possível o compartilhamento do espectro entre os usuários primários e secundários.
Para a implementação deste compartilhamento são utilizadas duas técnicas,
Spectrum Sensing, que consiste em identificar áreas inutilizadas ou subutilizadas no
espectro e Software Defined Radio (SDR), que é responsável por adaptar os
13
parâmetros da Rádio Frequência para transmitir em uma área identificada pela
técnica anterior (GHASEMI; SOUZA, 2008).
Entre os objetivos da alocação dinâmica otimizada encontra-se a necessidade
de garantir a qualidade de serviço necessária para as aplicações (KUNST, 2011).
Para este fim é necessário identificar os canais disponíveis no espectro de forma
rápida e eficiente (YÜCEK; ARSLAN, 2009), além de garantir que as transmissões
dos usuários primários não sejam prejudicadas pelas transmissões dos usuários
secundários (HUANG; LIU; DING, 2008). Tais necessidades tornam a alocação
dinâmica do espectro uma atividade complexa. Para que haja realmente um melhor
aproveitamento das faixas do espectro de frequências é necessário identificar a
capacidade de transmissão subutilizada.
Em uma pesquisa realizada no ano de 2011, Lee e Akyldiz apresentaram um
modelo que busca realizar a função de Spectrum Desion de forma otimizada, ou
seja, buscando obter o melhor aproveitamento possível da capacidade de
transmissão subutilizada, onde a identificação da capacidade disponível é realizada
através de fórmulas. Outra pesquisa que também foi realizada nesta área está
descrita em Yuan et al. (2010), onde é realizada uma análise sobre a seleção do
melhor canal como meio de acesso com técnicas de previsão de tráfego, onde é
definido um modelo para o acesso ao espectro por parte dos usuários primários. Em
Faganello (2012) é proposto um algoritmo de alocação dinâmica baseado na técnica
Q-Learning, e para a simulação do tráfego de dados primários na rede para validar o
algoritmo é utilizado um modelo de distribuição exponencial.
Além do fato destas pesquisas focarem na resolução de problemas existentes
na alocação dinâmica do espectro, é possível identificar outro ponto em comum
entre elas, que é a necessidade de utilização de um modelo o qual simule o
comportamento de usuários primários em uma rede para a validação da proposta
apresentada. Entretanto, nas pesquisas citadas anteriormente não são utilizados
modelos os quais simulem de forma realista o tráfego de dados em uma rede
primária, são utilizadas apenas fórmulas baseadas na taxa de chegada e na taxa de
serviço dos canais simulados. E os valores destas taxas são gerados de forma
randômica em alguns casos.
Sendo assim define-se a seguinte pergunta de pesquisa: “Um modelo onde
sejam utilizados valores randômicos para a geração da taxa de chegada e a taxa de
14
serviço de uma rede consegue simular de forma realista o comportamento dos
usuários primários?”. Buscando responder esta pergunta, o objetivo desta pesquisa
foi desenvolver modelos os quais simulem o comportamento dos usuários primários
em uma rede onde seja possível a identificação da capacidade utilizada e disponível
no espectro durante a simulação. Para isto o modelo proposto por Lee e Akyldiz em
2011, o qual utiliza valores randômicos para a definição das taxas de chegada e para
a taxa de serviço, e utiliza estes valores como base no modelo de simulação, foi
utilizado para fins comparativos com os modelos propostos durante esta pesquisa.
Os modelos propostos são dois, os quais são baseados no modelo apresentado em
Both et al. (2012) para a geração de tráfego de dados do tipo VoIP (Voice over IP) e
HTTP ( HyperText Transfer Protocol). Possibilitando assim a análise do tráfego de
dados de tempo real e de melhor aproveitamento. Através da comparação destes
três modelos foi possível identificar se os modelos propostos nesta pesquisa
proporcionam um cenário mais realista que o modelo proposto por Lee e Akyldiz em
2011.
Como resultado desta pesquisa foi identificado que a simulação de tráfego de
usuários primários em uma rede com base OFDM não deve ser realizada através da
utilização de valores randômicos uma vez que estes valores não levam em
consideração características importantes de uma rede OFDM.
Este trabalho de pesquisa está organizado da seguinte forma: No capítulo 2 é
apresentado o referencial teórico que servirá como base para um melhor
entendimento dos conceitos utilizados durante a pesquisa; O capítulo 3 foi dedicado
a apresentação de trabalhos relacionados ao assunto estudado; Já no capítulo 4 são
detalhados os modelos desenvolvidos; No capítulo 5 são relacionados os
parâmetros utilizados em cada uma das simulações executadas durante este
pesquisa; Os resultados obtidos através das simulações são analisados no capítulo
6; E finalmente o capítulo 7 é dedicado às considerações finais sobre o trabalho
realizado.
15
2 REFERENCIAL TEÓRICO
Neste capítulo serão descritos os fundamentos básicos das Redes de Rádios
Cognitivos, juntamente com uma explicação de suas principais funções para que
seja possível o entendimento completo sobre a pesquisa desenvolvida. E também
neste capítulo serão apresentadas as principais características das tecnologias
OFDM e OFDMA, pois as redes simuladas através dos modelos utilizam estas
tecnologias.
2.1 Redes De Rádios Cognitivos
O Rádio Cognitivo é um sistema de comunicação que compreende seu estado
atual e o do ambiente onde está inserido. Sendo assim, capaz de tomar decisões
sobre a alocação do espectro de frequências com base nas informações do estado
atual do espectro e no histórico que possui, e se reconfigurar quando necessário
(FAGANELLO, 2012).
A Capacidade Cognitiva e Reconfigurabilidade correspondem as principais
características de um Rádio Cognitivo. A Capacidade Cognitiva é definida como a
capacidade de iteração com o ambiente que possibilita a identificação das áreas do
espectro que estão disponíveis ou não (AKYLDIZ et al., 2008).
Figura 1 – Conceito de Porções Disponíveis do Espectro
Fonte: Faganello, 2012, p. 14.
16
Na figura 1 são representadas as porções do espectro que estão sendo
utilizadas em um determinado momento e as que estão disponíveis. Onde o tempo é
representado no eixo horizontal, a frequência utilizada no eixo perpendicular, e a
potência utilizada na transmissão no eixo vertical. As transmissões são
representadas através do volume do gráfico, desta forma é possível identificar com
facilidade as porções do espectro que estão disponíveis (FAGANELLO, 2012).
A reconfigurabilidade é basicamente a capacidade de alteração dos parâmetros
de transmissão, esta característica garante que o rádio cognitivo consiga além de
transmitir e receber dados em uma variedade diferente de frequências, também
suportar diferentes tecnologias de acesso (AKYLDIZ et al., 2008). Um melhor
aproveitamento dos recursos, só é possível através da possibilidade de decisão
sobre o melhor canal a ser alocado levando em considerando as características
atuais do espectro (SILVA, 2011).
Para que uma decisão seja realizada, o Rádio Cognitivo necessita realizar as
seguintes ações: (I) observar o ambiente onde esta inserido, (II) interferir no seu
contexto, (III) descobrir as ações que podem ser executadas, (IV) criar planos, (VI)
supervisionar os serviços que são providos a seus usuários, e (VI) aprender. Cada
uma destas etapas possui um papel fundamental na otimização da alocação
dinâmica do espectro de frequências (SILVA, 2011).
Figura 2 – Círculo de Cognição
Fonte: Silva, 2011, p. 6.
17
Como apresentado na figura 2, cada uma dessas funcionalidades está
organizada em um ciclo, o qual é chamado de Ciclo de Cognição. Desta forma um
rádio cognitivo consegue observar o que acontece em seu ambiente, planeja suas
estratégias, realizar suas decisões e aprender com os resultados obtidos através de
suas ações.
Uma Rede de Rádio Cognitivo possui permissão para a transmissão de dados
em áreas licenciadas do espectro apenas através do compartilhamento destas áreas
com os usuários primários, que são os que possuem a licença para a sua utilização
(AKYLDIZ et al., 2008). Considerando esta limitação, a arquitetura de uma Rede de
Rádios Cognitivos tem características singulares se comparada com outras redes
sem fio.
Os componentes de uma Rede de Rádios Cognitivos são divididos em dois
grupos, a rede secundária e a rede primária. A rede secundária é composta pelos
usuários secundários e se necessário por uma estação base secundária. É a
estação base secundária que é responsável por coordenar o acesso dos usuários
secundários ao espectro, e tanto ela como os usuários secundários são equipados
com funções de rádios cognitivos. E caso haja um número grande de redes
secundárias a qual estejam compartilhando a mesma área do espectro, a utilização
desde recurso deve ser coordenada por um equipamento chamado Spectrum
Broker.
O Spectrum Broker é responsável por coletar as informações de cada rede
secundária e realizar a alocação dos recursos visando à eficiência sobre a utilização
do espectro e a justiça na divisão deste recurso (WANG; LIU, 2011).
Já a rede primária é formada pelos usuários primários e por no mínimo uma
estação base primária. Diferentemente do grupo anterior, estes componentes
geralmente não são capazes de executar funções de rádios cognitivos (WANG; LIU,
2011).
Esta arquitetura é ilustrada na figura 3, onde são apresentados três canais.
Dois deles licenciados, ou seja, para que um usuário secundário utilize este canal é
necessário que nenhum usuário primário esteja utilizando-o. E no caso de
aparecimento de um usuário primário em um canal que estiver sendo utilizado para a
transmissão de dados de um usuário secundário, o usuário secundário deve liberar o
canal e alocar outro canal que esteja disponível. E um não licenciado, que
18
corresponde a um canal desprovido de usuários primários, assim nestes canais o
compartilhamento é realizado apenas entre os usuários secundários (AKYLDIZ et al.,
2008).
Figura 3 – Arquitetura de uma Rede de Rádios Cognitivos
Fonte: WANG; LIU, 2011, p. 7.
A transmissão e recebimento de dados de um Rádio Cognitivo podem ser
programados em uma variedade de frequências (FAGANELLO, 2012). Esta
variedade é definida pela sua quantidade de transceptores. Assim com base nas
decisões, um Rádio Cognitivo pode alterar suas configurações para a escolha de um
novo canal ou de parâmetros, mas adequados a uma determinada operação
19
(FAGANELLO, 2012).
Desta forma, as Redes de Rádios Cognitivos proporcionam o compartilhamento
de canais do espectro de frequências entre usuários primários e usuários
secundários.
Inicialmente se imaginou que apenas este fato possibilitaria a disponibilidade
de uma alta largura de banda para os usuários de dispositivos móveis através redes
sem fio distintas e as técnicas de acesso dinâmico ao espectro (LEE; AKYILDIZ,
2011). Entretanto existem grandes desafios a serem vencidos para que este objetivo
seja alcançado, alguns deles são: (I) A porção do espectro que está disponível para
ser utilizada pelos usuários secundários esta constantemente sofrendo mudanças.
(II) E os diversos requisitos de qualidade de serviço que mudam de um tipo de
aplicação para outra (LEE; AKYILDIZ, 2011). Assim para que a alocação dinâmica
do espectro de frequências seja realizada de forma otimizada é necessário quatro
passos básicos, são eles: (I) determinar quais as posições do espectro que estão
disponíveis, (II) selecionar o melhor canal disponível, (III) coordenar o acesso a este
canal por parte dos demais usuários e (IV) desocupar o canal quando um usuário
licenciado for detectado. Para este fim são utilizadas quatro funções: Spectrum
Sensing, Spectrum Sharing, Spectrum Decision e Spectrum Mobility (AKILDIZ et al.,
2008).
Figura 4 – Funções de Rádio Cognitivo
Fonte: AKYLDIZ et al., 2008, p. 40.
20
Estas quatro funções deve trabalhar em conjunto para que o objetivo de
realizar a alocação dinâmica do espectro de forma otimizada seja alcançado. Na
figura 4, é apresentada cada uma das funções listadas anteriormente, as interações
que devem ocorrer entre elas e as camadas de rede. Onde é possível verificar que
cada uma destas funções possuí uma reponsabilidade específica, cada uma destas
responsabilidades serão tratadas com mais detalhes nas seções seguintes.
2.1.1 Spectrum Sensing
A identificação dos canais disponíveis no espectro de frequências é realizada
através da função Spectrum Sensing (LEE; AKYLDIZ, 2011). O objetivo dessa
função é monitorar as faixas do espectro a fim de coletar informações do estado
atual do espectro, estas informações irão servir como base para as demais funções
(AKYLDIZ et al., 2008).
A detecção do atual estado do espectro de frequências é realizada através da
utilização de diferentes técnicas, três delas são: (I) Detecção de Energia, (II)
Detecção de Recursos, e (III) Filtragem Combinada e Detecção Coerente (WANG;
LIU, 2011).
A detecção de energia consiste em mediar a energia recebida no canal durante
um determinado período de observação e sinalizando a disponibilidade do canal
quando a energia medida estiver abaixo de um valor pré-estabelecido. Este tipo de
detecção requer um tempo de sensoriamento longo o que acarreta em um baixo
desempenho, mas é uma solução que apresenta um baixo custo e de simples
implementação (GHASEMI; SOUSA, 2008). Outro ponto negativo desta detecção
esta na possibilidade de ocorrer um falso alarme, pois através deste tipo de
detecção não é possível diferenciar o sinal de um usuário primário de um sinal de
uma fonte desconhecida (WANG; LIU, 2011).
Na detecção de recursos são utilizadas as características específicas
relacionadas à transmissão dos usuários primários, como a taxa de modulação.
Estas características são utilizadas como referência para a validação se um
determinado sinal pertence a usuário secundário (WANG; LIU, 2011). A
implementação deste tipo de detecção é mais complicada do que a detecção por
energia, e é necessário conhecer as informações mais precisas sobre os usuários
21
primários das faixas do espectro as quais estão sendo analisadas (GHASEMI;
SOUSA, 2008).
Com o objetivo de melhorar o desempenho da detecção de energia, é possível
utiliza-la em conjunto com a técnica de detecção de recursos. Neste cenário, a
técnica de detecção de energia é utilizada apenas para identificar canais que sejam
possíveis candidatos para a utilização por parte dos usuários secundários, e a
técnica de detecção de recursos é aplicada para identificar as porções do espectro
que realmente estão disponíveis (GHASEMI; SOUSA. 2008).
E a filtragem combinada e detecção coerente necessita conhecer, como na
detecção por recursos, informações sobre os usuários primários. Nesta técnica,
estas informações são utilizadas para comparar com um sinal recebido a fim de
identificar se o sinal em questão pertence a um usuário primário ou não. A vantagem
deste tipo de detecção esta no curto tempo necessário para realizar a detecção, e a
baixa probabilidade de falso alarme. Mas há desvantagem, no alto consumo de
energia necessário e a complexidade de implantação (WANG; LIU, 2011).
2.1.2 Spectrum Sharing
A função Spectrum Sharing é responsável por coordenar o acesso
compartilhado ao espectro, evitando assim interferências (AKYLDIZ et al., 2008).
Esta responsabilidade acarreta uma variedade de desafios, levando em
consideração a ampla gama de espectro disponível e a coexistência de usuários
secundários e usuários primários. Para que estes desafios sejam alcançados
existem diferentes abordagens, as quais são referentes a arquitetura, no
comportamento de alocação, na tecnologia de acesso e a técnica de
compartilhamento (AKYLDIZ et al., 2008).
Quanto à arquitetura, existe uma abordagem centralizada e outra distribuída.
Em uma arquitetura centralizada, a alocação e acesso ao espectro são controlados
por uma entidade central. A entidade central centraliza as medições do espectro e
constrói um mapa de alocação do espectro. Já na abordagem distribuída esta
responsabilidade fica a cargo de cada nó, onde podem ser consideradas políticas
locais ou globais. A vantagem de uma arquitetura centralizada é que ela pode ser
utilizada entre diferentes redes de rádios cognitivos, e a desvantagem esta no custo
22
de envio de mensagens entre os nós (AKYLDIZ et al., 2008).
Figura 5 – Compartilhamento de espectro Intra-Rede e Entre-Redes
Fonte: Autoria Própria, 2012, baseado em AKILDIZ et al., 2008, p. 40.
Referindo-se ao acesso ao espectro, é possível utilizar uma abordagem
cooperativa ou não cooperativa. Na solução cooperativa são exploradas as
medições de interferência de cada nó, sendo possível considerar o efeito da
comunicação de um determinado nó com os demais (AKYLDIZ et al., 2008).
Como técnica de compartilhamento, existe a técnica entre-redes e intra-rede. A
técnica intra-rede consiste no compartilhamento do espectro entre usuários de uma
mesma Rede de Rádios Cognitivos, e a técnica entre-redes no compartilhamento do
espectro entre diferentes Redes de Rádios Cognitivos, como ilustrado na figura 5.
E considerando a tecnologia de acesso, também existem duas abordagens.
Uma na qual o acesso ao espectro é realizado apenas em faixas do espectro nas
quais não tenham sido utilizadas pelos usuários primários, e a outra onde são
exploradas técnicas de dispersão do espectro assim desta forma a transmissão de
usuários secundários é considerado ruído para os usuários primários. A segunda
abordagem proporciona uma maior largura de banda a ser utilizada por parte do
usuário secundário, mas acarreta uma maior complexidade (AKYLDIZ et al., 2008).
Existem duas formas para a realização do gerenciamento do acesso dos
usuários aos canais do espectro. A primeira consiste em identificar a atual alocação
do espectro e a partir dessa informação gerar um mapa. E a segunda é baseada na
23
utilização de uma base de dados que contém regras a serem consideradas para que
um usuário secundário decida se pode acessar o espectro ou não (KUNST, 2011).
O comportamento dos usuários da rede também deve ser considerado. Estes
podem ser cooperativos ou não-cooperativos. Nas redes onde os usuários são não-
cooperativos, não há a troca de informações entre os vizinhos, assim as decisões
são tomadas com base apenas nas informações do próprio usuário (AKYLDIZ et al.,
2008). Já nas redes onde os usuários são cooperativos são consideradas as
medições de interferência de cada usuário (KUNST, 2011).
2.1.3 Spectrum Mobility
Spectrum Mobility é a função que altera as configurações de acesso ao espectro de
frequência para as correspondentes à faixa de espectro selecionada pela Spectrum
Decision (KUNST, 2011). Esta alteração deve ser realizada de forma transparente
para que a qualidade de serviço do usuário secundário não seja afetada e de forma
rápida a fim de evitar que a latência da rede seja aumentada (AKYLDIZ et al., 2008).
Para que seja possível realizar a gestão da mobilidade é necessário conhecer
o tempo necessário para a realização da troca destas configurações, porque durante
este tempo o usuário secundário não poderá realizar a transmissão de dados. Esta
informação pode ser adquirida através de um algoritmo de detecção (AKYLDIZ et al.,
2008).
Existem ainda muitas pesquisas sendo realizadas nesta área, onde se tem
buscado vencer os principais desafios enfrentados, que são em relação ao espaço e
ao tempo. Em relação ao tempo, o desafio enfrentado é a garantia de Qualidade de
Serviço para os usuários secundários quando as faixas disponíveis no espectro
mudam a todo o momento. E em relação ao espaço, a alocação contínua se torna
uma tarefa extremamente complicada quando o usuário se move de uma área do
espectro para outra (AKYLDIZ et al., 2008).
2.1.4 Spectrum Decision
A função Spectrum Decision tem como objetivo decidir qual a melhor faixa de
frequência entre as disponíveis (KUNST, 2011). Cada um dos canais disponíveis do
24
espectro de frequência apresenta características diferentes, assim é necessário
considerar as características do usuário secundário em questão, bem como as
atividades do usuário primário e a qualidade do serviço desejada pelo usuário
secundário (LEE; AKYLDIZ, 2011).
Mas além destas características é necessário levar em consideração também
características como interferência, a taxa de perda e a taxa de erro de cada canal
que estiver sendo analisado. E mesmo havendo diversas pesquisas sendo
realizadas na área de Redes de Rádios Cognitivos ainda não foi desenvolvida uma
análise e modelagem do espectro em Redes de Rádios Cognitivos considerando
todos os fatores relacionados de forma completa.
Esta função é subdividida em duas etapas, na primeira devem ser recolhidas
informações estatísticas das redes dos usuários primários, as quais serão utilizadas
juntamente com as informações repassadas pelos usuários secundários. E na
segunda etapa as informações coletadas são analisadas e a faixa do espectro mais
adequada pode ser selecionada (AKYLDIZ et al., 2008). Além destas duas etapas é
possível ainda subdividir a segunda etapa em outras duas, uma na qual
considerando o estado atual do espectro determina se a Rede de Rádio Cognitivo
em questão pode aceitar um novo usuário secundário ou não. E a outra responsável
por determinar quais os canais do espectro que devem ser alocados e por quais
usuários secundários (LEE; AKYLDIZ, 2011).
Esta função Spectrum Decision deve ser executada sempre que ocorrer algum
evento onde seja necessária a alocação de um novo canal por parte de um usuário
secundário. Estes eventos são: (I) O surgimento de um novo usuário secundário. (II)
O surgimento de um usuário primário o qual esteja licenciado para a utilização de um
canal que esteja alocado por um usuário secundário, onde neste momento o usuário
secundário deve ser deslocado para outro canal. (III) Quando ocorre uma
degradação na qualidade de um canal que esteja sendo utilizado por um usuário
secundário que ocasione a queda na qualidade de serviço predefinida no momento
da alocação (LEE; AKYLDIZ, 2011).
2.2 Técnicas de Transmissão: OFDM e OFDMA
No esquema de modulação multiportadora Orthogonal Frequency Division
25
Multiplexing (OFDM) em ambientes multiusuários é permitido implementação do
acesso múltiplo através de Time Division Multiple Access (OFDM-TDMA) ou por
Code Division Multiple Access (OFDM-CDMA).
Nestes dois métodos de acesso múltiplo, quando um canal é alocado este só
pode ser utilizado por um usuário, o qual acarreta uma redução no desempenho
causando desvanecimento do sinal e interferência por banda estreita (ALI; LEUNG,
2009).
Já o Orthogonal Frequency Division Multiple Access (OFDMA) basicamente
permite a utilização das subportadoras da técnica OFDM com multiplexação por
divisão de tempo e frequência entre multiusuários. Estas duas tecnologias são
utilizadas em diversos sistemas de comunicação sem fio de alta velocidade (ALI;
LEUNG, 2009).
2.2.1 Orthogonal Frequency Division Multiplexing - OFDM
A técnica de modulação OFDM consiste basicamente na transmissão de dados
em paralelo através de subportadoras as quais estão sobrepostas. Esta
sobreposição resulta em uma redução de 50% da largura de banda se comparada
com a técnica de multiplexação por divisão de frequência (FDM) (DUTRA, 2010).
Em um sistema FDM, o sinal é dividido em canais sem a sobreposição de
frequências e é necessário introduzir uma banda de guarda entre os canais
adjacentes para que os canais estejam separados de forma correta na recepção, o
que ocasiona que áreas do espectro sejam subutilizadas.
Já em sistema OFDM não existe esta limitação, pois as subportadoras admitem
a sobreposição por tempo e frequência, onde a recuperação do sinal é possível
através da ortogonalidade (PAULA, 2010).
Na figura 6, é possível visualizar que a transmissão de dados de forma paralela
aperfeiçoa a taxa de transmissão dos dados em comparação a técnica de divisão
por frequência.
26
Figura 6 – Comparação entre a transmissão de dados utilizando tecnologia FDM
(direita) e OFDM (esquerda)
Fonte: Armstrong, 2009, p. 190.
2.2.2 Orthogonal Frequency Division Multiple Access - OFDMA
Similar à técnica OFDM, a técnica OFDMA utiliza subportadoras ortogonais
para a transmissão de dados, sua diferença esta na possibilidade de
compartilhamento de um único símbolo por mais de um usuário (BOTH et al., 2012).
As subportadoras são agrupadas em subcanais, onde cada um pode ser
alocado por um usuário diferente (COSTA et al., 2008). Na figura 7 é possível
observar a divisão dos subcanais os quais podem ser alocados por diferentes
usuários.
O fato de que a alocação dos subcanais poder ser realizada por diferentes
usuários proporciona melhor distribuição da largura de banda do canal. Outra
vantagem sobre a utilização desta técnica é o uso de subportadoras ortogonais que
torna o canal menos sensível a ruídos e interferências do meio de transmissão
(CAMARGO, 2010).
27
Figura 7 – Transmissão de dados OFDMA
Fonte: COSTA et al. 2010, p. 17.
28
3 TRABALHOS RELACIONADOS
Durante este capítulo serão apresentados os principais trabalhos de pesquisa
que estão relacionados a esta pesquisa, dos quais todos serviram como base em
seu desenvolvimento.
A transmissão de dados em Redes de Rádios Cognitivos possui uma alta
complexidade e por isso existem diversas pesquisas nesta área. Uma destas
pesquisas foi realizada em 2008 por Lee e Akyldiz. Com o objetivo de apresentar um
modelo para a realização da função de Spectrum Sensing de forma otimizada em
Redes de Rádios Cognitivos, identificando assim um número maior de
oportunidades de acesso ao espectro por parte dos usuários secundários sem
interferir nas transmissões dos usuários primários.
O modelo proposto (LEE; AKYLDIZ, 2008), consiste basicamente em três
partes, que são (I) otimização dos parâmetros de sensoriamento de um único canal
do espectro, (II) seleção e programação dos canais do espectro, e (III) no
sensoriamento adaptativo e cooperativo. Assim de acordo com as características de
cada rádio cognitivo a estação base fica responsável por inicializar os parâmetros
utilizados no sensoriamento. No momento em que um novo usuário secundário
chega a Rede de Rádios Cognitivos ele deve selecionar os melhores canais para o
sensoriamento e configurar a programação do sensoriamento de acordo com o
número de transceptores que possui e otimizar os parâmetros de sensoriamento
através da utilização destes dois métodos, de seleção do espectro e programação.
Após isto o usuário secundário deverá ficar monitorando os canais do espectro
utilizando as informações otimizadas adquiridas através da execução dos métodos
anteriores e reportando os resultados a estação base. E é através destas
informações que a estação base define os canais que estão disponíveis, e no caso
da estação base detectar alguma alteração que afete a performance do
sensoriamento os parâmetros são alterados e todos os usuários secundários
conectados a esta estação base recebem uma notificação.
Para o aumento das oportunidades de acesso ao espectro por parte dos
usuários secundários, buscou-se através deste modelo anular a interferência
ocasionada pela impossibilidade de sensoriamento do espectro por um usuário
secundário durante o tempo de transmissão e otimizar a eficiência do sensoriamento
29
do espectro. Para provar a eficiência do modelo de sensoriamento proposto foi
desenvolvido um modelo de simulação o qual simula o ambiente de uma Rede de
Rádios Cognitivos.
Para este modelo de simulação são necessários alguns requisitos básicos, os
quais são eles (I) arquitetura da rede, (II) comportamento dos usuários secundários e
(III) o ambiente onde a Rede de Rádios Cognitivos está inserida. Fazendo parte
deste terceiro requisito existe a ‘Atividade do Usuário Primário’, e é nesta parte que
se encontra a relação entre a pesquisa que está sendo aqui descrita e a de Lee et al.
(2008).
De acordo com Lee e Akyldiz, a atividade do usuário primário está intimamente
relacionada com o desempenho da Rede de Rádios Cognitivos, e esta estimativa é
crucial para execução da função de Spectrum Sensing. Como proposta para a
simulação da atividade do usuário primário é assumido que o comportamento do
inicio e término de transmissões dos usuários primários pode ser realizado através
de uma distribuição exponencial. Com isto o tráfego de um usuário primário pode ser
representado em dois estados: nascimento e morte.
O nascimento seria o momento em que o usuário primário inicia uma
transmissão e a morte quando finaliza a transmissão. Para cada um destes estados
é definida uma taxa a qual será utilizada para o cálculo da distribuição exponencial
utilizada na simulação. A taxa de chegada ou nascimento é referenciada por β, que
é calculada com base no tempo decorrido entre o inicio de cada transmissão
realizada por um usuário primário em um determinado canal. Já a taxa de serviço ou
morte é referenciada no artigo por α e seu cálculo é baseado no tempo necessário
para realizar as transmissões dos dados dos usuários primários. O cálculo de cada
uma destas taxas será explicado com mais detalhe no capítulo 4.
Baseados nesta abordagem, cada canal possui dois estado que são ON para
quando esta ocupado e OFF quando esta disponível. E a chegada de cada usuário é
independente, onde cada transmissão utiliza um processo de chegada baseado em
uma distribuição de Poisson.
Utilizando as duas taxas, de serviço α e de chegada β, é estimada a
probabilidade dos períodos que serão utilizados pelos usuários primários (Pon) e que
ficarão disponíveis para a utilização dos usuários secundários (Poff). Para o cálculo
destes valores são utilizadas as seguintes fórmulas:
30
( )β+α
β=Pon (1)
( )β+α
α=Poff (2)
E com base no valor definido em Poff é apresentada a fórmula que é utilizada a
fim de estimar a capacidade de transmissão do canal que ficará disponível para os
usuários secundários. Segue abaixo a fórmula utilizada por Lee e Akyldiz (2008):
ioff,iiiopi PWρη=C ... (3)
Onde ηi, representa a eficiência de sensoriamento, a qual corresponde a razão
entre o tempo de transmissão sobre o tempo total do ciclo de sensoriamento. E Wi e
ρi, representam a largura de banda de um canal e a eficiência de transmissão do
canal, a qual esta intimamente relacionada ao esquema de modulação e codificação,
ou Modulation and Coding Scheme (MCS), utilizado durante cada transmissão, para
este parâmetro foi utilizado o valor fixo 1 durante as simulações. As fórmulas
apresentadas anteriormente são utilizadas no algoritmo proposto para uma previsão
sobre a capacidade de transmissão estimada em cada um dos canais, a qual será
utilizada como base na tomada de decisão sobre quais canais dentre os disponíveis
serão alocados para um determinado usuário secundário.
Além das fórmulas apresentadas anteriormente, são utilizadas durante esta
pesquisa, duas fórmulas as quais segundo os autores representam a média do
tempo de utilização e a média do tempo de disponibilidade de um determinado
canal. Estas fórmulas são:
α=Ton
1 (4)
β=Toff
1 (5)
Onde Ton corresponde a média do tempo de utilização e Toff corresponde a
31
média do tempo de disponibilidade. Podemos observar que todas as fórmulas
citadas utilizam como base as taxa de chegada e de serviço. Neste ponto é
necessário então entender como estas taxas são definidas para a simulação. No
caso de Lee e Akyldiz (2008) foram utilizados valores fixos em busca da simulação
de diferentes cenários.
Dando continuidade ao trabalho desenvolvido em 2008, em 2011 Lee e Akildiz
realizaram outra pesquisa agora focando na função de Spectrum Decision. Nesta
pesquisa foram apresentadas novamente fórmulas baseadas nas taxas de chegada
e de serviço. Uma fórmula apresentada novamente nesta pesquisa foi Toff = 1 / β.
Mas para a simulação do algoritmo proposto as taxa de chegada e de serviço não
foram definidas de forma fixa como no trabalho anterior e sim de forma randômica
onde as taxas correspondentes a cada canal foram geradas no intervalo de 0 a 1
através de uma função randômica de maneira uniforme.
Em Yuan et al. (2010) também foi realizada uma pesquisa cujo objetivo é a
análise de desempenho sobre a seleção de oportunidades de acesso ao espectro
utilizando previsão de tráfego. Onde os desafios traçados são semelhantes ao da
pesquisa realizada por Lee e Akildiz em 2008, que são a anulação da interferência
para a comunicação normal dos sistemas primários e a otimização sobre o
desempenho das transmissões realizadas pelos usuários secundários.
E para a realização da análise é proposto um modelo de simulação onde
períodos ON e OFF de cada canal são obtidos através de distribuições
exponenciais. Estas distribuições são baseadas nas taxas de chegada e de serviço,
cujos valores são gerados de forma randômica.
De acordo com Yuan et al., a geração randômica destes valores já é suficiente
para que seja possível estimar ,através de um cálculo probabilístico, a capacidade
disponível para a transmissão de dados de usuários secundários em um
determinado intervalo de tempo.
Já em Faganello (2012) foi realizada uma pesquisa cujo objetivo foi a proposta
de um algoritmo de alocação dinâmica de canais para Rádio Cognitivo baseado no
algoritmo de aprendizagem por reforço Q-Learning. A simulação dos períodos
utilizados pelos usuários primários e os não utilizados é um pouco diferente.
Para cada canal é definida uma taxa de chegada representada neste caso por
λ e as variáveis tON(i) e tOFF(i). Onde tON(i) representa uma única utilização de um
32
canal por um usuário primário e tOFF(i) um único período de disponibilidade de um
canal. Com base na taxa de chegada é calculada a probabilidade de haver k
períodos de utilização, sendo que um canal possui um número de utilizações igual a
k, utilizando a seguinte fórmula:
f(k, λi) = N.,,=i,k!
eλ iλki ...1,2,3
−
(6)
Onde N corresponde ao total de canais simulados. A definição dos períodos de
disponibilidade é realizada através do cálculo da duração entre dois períodos de
utilização o qual é obtido através da fórmula:
f(tOFF(i); λi) = ( ) ( )
( )
�−
00
0
<it,
it,it
e
OFF
OFFOFFiλ
(7)
Já para a modelagem dos períodos de utilização foi utilizada a fórmula:
f(tOFF(i); λi) = ( ) ( )
( )
�−
00
0
<i,t
i,tit
e
ON
ONONiλ
(8)
As simulações foram realizadas utilizando uma distribuição exponencial, a qual,
segundo o autor, representa um cenário mais realístico se comparado à distribuição
de Pareto.
Analisando os trabalhos de pesquisa relacionados podemos perceber que
mesmo que em alguns o objetivo principal seja diferente, em todos houve a
necessidade de simulação do comportamento dos usuários primários para a
validação de suas propostas. Este é um problema que é enfrentado em várias
pesquisas semelhantes, com base nisso durante esta pesquisa serão analisadas
algumas das possíveis soluções para este problema.
33
4 MODELOS DE SIMULAÇÃO
Para esta pesquisa foram propostos três modelos, os quais irão simular redes
sem fio utilizando tecnologia OFDM e ODFMA. A construção destes modelos foi
baseada nas pesquisas de Lee e Akyldiz de 2008 e 2011 e Both et al. (2012).
4.1 Modelos de Simulação baseados na Geração de Trá fego de Dados
Para os dois modelos desenvolvidos durante esta pesquisa que simulam uma
rede OFDM e uma OFDMA utilizando geração de tráfego VoIP e HTTP possuem
características muito semelhantes.
Estes dois modelos se diferenciam apenas no número de subportadoras
utilizadas e na forma como a capacidade disponível para a utilização dos usuários
secundários em cada canal é contabilizada. Desta forma, foi utilizada a mesma
estrutura básica nos dois modelos.
Visando a simplificação dos modelos, as transmissões realizadas em um canal
foram modeladas como se cada canal pertencesse a uma operadora, a qual agrupa
os dados transmitidos pelos usuários primários de um canal em uma fila, e fica
responsável por realizar a transmissão dos dados pelo canal.
A estrutura básica utilizada para o desenvolvimento dos modelos baseados na
geração do tráfego pode ser dividida em quatro partes que são: (I) Geração do
tráfego de dados, (II) Propagação de dados pelo canal, (III) Transmissão dos Dados
e (IV) Contabilização da capacidade de transmissão utilizada e a capacidade de
transmissão disponível para a utilização dos usuários secundários.
4.1.1 Geração do Tráfego de Dados
Nas duas simulações foram utilizados dois modelos de geração de tráfego de
download propostos em Both et al. Um para a geração de tráfego de transmissão de
voz sobre ip (VoIP), o qual é formado por transmissões de tempo real. E um outro
modelo de geração de tráfego HTTP (HyperText Transfer Protocol) para a simulação
de usuários com transmissões de melhor esforço. Cada um destes modelos é
explicado com mais detalhes nas seções seguintes.
34
4.1.1.1 Geração de Tráfego de Dados VoIP
O modelo de geração de tráfego VoIP foi desenvolvido considerando
parâmetros do codec de áudio Adaptive Multi-Rate (AMR), o qual é otimizado para a
codificação de voz, com supressão de silêncio.
A modelagem das transmissões é realizada baseando-se em dois períodos que
são: (I) período ON, que corresponde ao momento onde está sendo realizada a
transmissão de PDUs (Protocol Data Unit), ou Unidades de Dados de Protocolo , e
(II) período OFF, durante o qual é enviado apenas um ruído de conforto (BOTH et al.,
2012).
Cada um destes períodos é gerado através de uma distribuição exponencial,
onde os valores utilizados para a média são 1171 ms e 1026 ms para os período ON
e OFF respectivamente. Outro parâmetro utilizado foi o intervalo entre as
transmissões, onde foram utilizados 20 ms. Estes valores foram utilizados por terem
sido propostos em Both et al. (2012).
A compressão no cabeçalho do protocolo de transporte também foi
considerada, desta forma o tamanho da unidade de dados do protocolo MAC
(Medium Access Control) utilizado foi de 42 bytes. Onde foram considerados 6 bytes
para o cabeçalho do protocolo MAC, 3 bytes para os cabeçalhos comprimidos dos
protocolos RTP (Real-Time Transport Protocol), UDP (User Datagram Protocol) e IP
(Internet Protocol), e 33 bytes para o pacote de voz (BOTH et al., 2012). No quadro 1
são listados os parâmetros utilizados no modelo descrito anteriormente.
Quadro 1 – Relação dos parâmetros utilizados para a geração do tráfego VoIP
Parâmetro Valor
Duração do período ON Distribuição Exponencial, onde a média
utilizada foi 1171 ms
Duração do período OFF Distribuição Exponencial, onde a média
utilizada foi 1026 ms
Parâmetro Valor
Intervalo entre as transmissões 20 ms
Tamanho total do PDU do protocolo MAC utilizado durante os períodos
6 bytes (cabeçalho MAC) + 3 bytes
35
Parâmetro Valor
ON (cabeçalhos comprimidos RTP, UDP e IP) +
33 bytes (pacote de voz) = 42 bytes
Fonte: Autoria própria, 2012.
4.1.1.2 Geração de Tráfego de Dados HTTP
O modelo de geração de tráfego proposto por Both et al., em 2012, baseia-se
no contexto de que uma página web é formada por um conjunto de objetos, que são
a própria página principal e os elementos que estão incorporados nela. Do mesmo
modo que o tráfego de tempo real foi gerado baseando-se em períodos ON e OFF
este modelo também foi, mas neste caso o período ON compreende o período de
download de uma página web e o período OFF ao tempo de leitura (BOTH et al.,
2012).
O tempo de leitura refere-se ao período em que o usuário visualiza e lê uma
página web até ir para uma próxima página, o período de análise e o overhead do
protocolo também fazem parte do período OFF. Para a definição de cada um destes
valores, como tempo de leitura, tamanho da página principal e a quantidade de
objetos incorporados na página principal, foram utilizadas distribuições
probabilísticas. Estas distribuições estão relacionadas no quadro 2.
Quadro 2. Relação das distribuições probabilísticas utilizadas na geração do tráfego
HTTP.
Componente Valor Parâmetro Função de Densidade
Probabilística
Tamanho da
página
principal
Distribuição
Log-Normal
truncada
Média: 107010 bytes
Desvio Padrão: 25032 bytes
Mínimo: 100 bytes Máximo: 2 M bytes
Σ = 1,37
µ = 8,37
Componente Valor Parâmetro Função de Densidade
Probabilística
36
Componente Valor Parâmetro Função de Densidade
Probabilística
Número de
objetos
incorporados
em uma
página
Distribuição
Log-Normal
truncada
Média: 7758 bytes
Desvio Padrão: 126168 bytes
Mínimo: 50 bytes
Máximo: 2 M bytes
Σ = 2,36
µ = 6,17
Tamanho do
objeto
incorporado
em uma
página
Distribuição
de Pareto
truncada
Média: 5,64
Máximo: 53
Α = 1,1
m = 55
Tempo de
Leitura
Distribuição
Exponencial
Média: 30 s λ = 0,033
Tempo de
Análise
Distribuição
Exponencial
Média: 0,13 s λ = 7,69
Fonte: Autoria própria, 2012.
4.1.2 Propagação de Dados pelo Canal
A eficiência de transmissão em um canal altera ao longo do tempo, desta forma
para a simulação de um comportamento mais próximo do real é necessário modular
os estados pelos quais um canal irá transitar durante o tempo de simulação. Esta
eficiência de transmissão pode ser identificada através do MCS (Modulation and
Conding Scheme) utilizado em um canal, pois através dele é definido o número de
bits a serem transmitidos por símbolo de modulação e o FEC (Forward Error
Correction) utilizado na transmissão (BOTH et al., 2012).
Seguindo a proposta de Both et al. (2012), a modulação deste comportamento
foi realizado utilizando Cadeia de Markov. Através desta abordagem, foi possível
mapear possíveis estados de um canal, onde cada um destes estados foi associado
a um MCS. E para a transição de um canal entre estes estados foram associadas
diferentes probabilidades.
Na Cadeia de Markov utilizada para esta representação foram incluídos três
37
tipos de transação, que são: (I) permanecer no mesmo estado, que indica que a
propagação de dados em um canal permanece similar a anterior, (II) ir para o
próximo estado, isto ocorre quando a propagação dos dados apresenta uma
melhora, e (III) ir para o estado anterior, caracterizando uma piora na qualidade de
propagação do canal (BOTH et al., 2012).
Assim com base nos parâmetros utilizados em Both et al. (2012) foram definido
6 estados, onde para cada um deles foi atribuído um MCS diferente e a cada
possível transição associada a cada um destes estados foi associada uma
probabilidade diferente.
Figura 8 – Cadeia de Markov utilizada durante a simulação
Fonte: Autoria própria, 2012.
Na figura 8 estão representados os estados utilizados, as possíveis transições
e o MCS utilizado em cada estado. Desta forma, no primeiro e no segundo estado
serão enviados 2 bits por símbolo e um FEC de 2/3 e 3/4 respectivamente, no
38
terceiro e quarto 4 bits serão enviados por símbolo com um FEC de 1/2 e 3/4 nesta
ordem, e finalmente no quinto e o sexto estado foi definido um envio de 6 bits por
símbolo e para um quinto estado um FEC de 2/3 e para o sexto um FEC de 2/4.
Observando a figura 8, é possível visualizar que a decisão sobre qual transição
será utilizada é tomada com base apenas no estado, mas para simular o
comportamento de um canal é necessário também levar em consideração as
probabilidades associadas a cada interação conforme mencionado anteriormente.
Por exemplo, utilizando como base os estudos realizados em Both et al. (2012)
quando um canal se encontra no primeiro estado, ele pode continuar no primeiro
estado, ou ir para o segundo estado ou ir para o terceiro, mas a probabilidade que
que a transição escolhida seja para permanecer no mesmo estado é de 79 %
enquanto a probabilidade de que a transição seja para o segundo estado é de 28 %,
para o terceiro estado é de 1 %, para o sexto estado é de 10 %, para os demais
estados não há transições possíveis a partir do primeiro estado.
Na tabela 1 são apresentadas todas as probabilidades utilizadas durante as
simulações, às transações marcadas com X neste quadro são transações
inexistentes na cadeia na qual a simulação foi baseada.
Tabela 1 – Probabilidades das possíveis transições representadas na Cadeia de
Markov
Estado
Futuro
Estado Atual
1 2 3 4 5 6
1 79 % 13 % 8 % X X X
2 28 % 38 % 34 % X X X
3 1 % 3% 87 % 9 % X X
4 X X 2 % 94 % 3 % 1 %
5 X X X 10 % 80 % 10 %
6 10 % 10 % 10 % 10 % 10 % 95 %
Fonte: Autoria própria, 2012.
4.1.3 Transmissão de Dados
Para que o comportamento dos modelos simulados seja similar ao
39
comportamento de um ambiente real é necessário simular a transmissão de dados
levando em consideração o MCS (Modulation and Conding Scheme) utilizado e a
capacidade de transmissão de cada um dos canais. Como os canais simulados irão
utilizar tecnologias OFDM e OFDMA, a definição da capacidade de transmissão de
cada canal deve ser baseada em informações como: número de portadoras e a
quantidade de símbolos por slot.
Com este objetivo, para o desenvolvimento dos modelos de simulação foi
utilizada uma fórmula a qual é responsável por calcular o número de slots que serão
ocupados para a transmissão dos dados de um determinado usuário. A fórmula
utilizada foi baseada na fórmula proposta em Both et al. (2012), a qual é
apresentada a seguir:
( ) ( )
.
....1 0
scslots
ss
Q
=s
sP
i=is,mm
slots NS
KMPDU+kMΦ+Ψ
=N
∑ ∑
(9)
Onde Ψ e φ estão relacionados ao overhead gerado durante a transmissão,
para facilitar o desenvolvimento dos modelos o cálculo do overhead foi definido
como 10% do total de slots utilizados para transmissão dos dados, este valor foi
definido com base em Both et al. (2012).
As variáveis m e s correspondem aos índices dos Q slots os quais formam o
subframe do OFDMA, que foi a tecnologia estudada em Both et al. (2012). Além
destas informações são utilizadas na fórmula: (I) PDU (Protocol Data Unit), que
representa os bits transmitidos pelos usuários primários; (II) Ps, o qual é o índice de
um determinado PDU no slot s; (III) M, é definido como a quantidade de bits por
símbolo de modulação; (IV) K, é codificação FEC utilizada; (V) S, simboliza o
número de símbolos por slot; e (VI) N corresponde ao número de subportadoras por
subcanal.
Além da simplificação do cálculo do valor de overhead de cada transmissão,
outra simplificação realizada na fórmula apresentada em Both et al. (2012) foi que no
modelo de simulação OFDMA não foi considerado o número de subportadoras por
subcanal mas sim o número total de subportadoras.
Esta alteração não afeta os resultados da simulação, pois, como mencionado
40
anteriormente, em cada um dos canais modelados nos modelos de simulação
propostos nesta pesquisa serão utilizados como se uma operadora fosse
responsável pelo acesso aos canais. Desta forma, as requisições dos usuários
primários serão agrupadas e a transmissão dos dados será realizada de forma
conjunta como se fosse apenas um usuário, não necessitando assim a divisão dos
usuários em subcanais.
Com o objetivo de simplificar o desenvolvimento do modelo sem prejudicar os
resultados obtidos durante a simulação, foi utilizada nos modelos a seguinte fórmula:
( )( ).
..
cslots
islots NS
KMPDU=N (10)
Onde i representa um usuário o qual possuí dados na fila para a transmissão,
M e K correspondem ao número de bits por símbolo de modulação e a codificação
FEC respectivamente, quais são definidos com base na Cadeia de Markov explicada
na seção 4.1.2, S simboliza o número de símbolos por slots e N número de
subportadoras do canal.
4.1.4 Contabilização da Capacidade de Transmissão Disponível e Utilizada
Esta fase da simulação dos modelos de simulação baseados na geração de tráfego
VoIP e HTTP pode ser considerada como a fase chave para a geração dos
resultados que serão analisados nesta pesquisa. A contabilização da capacidade de
transmissão disponível e utilizada irá identificar a capacidade do canal usada para a
transmissão dos usuários primários e quanto ficou disponível para a transmissão dos
usuários secundários.
A contabilização da capacidade utilizada em cada transmissão em cada um dos
modelos foi realizada de forma simples. Após a identificação do número de slots
utilizados para a transmissão dos dados dos usuários primários é identificada a
porcentagem deste valor em relação ao total de slots disponível para a transmissão.
Já a contabilização da capacidade de transmissão disponível para uso dos
usuários secundários foi realizada de formas diferentes no modelo OFDM e no
modelo OFDMA. No modelo que simula uma rede com tecnologia OFDM a
41
capacidade disponível é considerada apenas quando nenhum usuário primário esta
realizando uma transmissão, pois a transmissão de dados de um usuário secundário
não pode prejudicar a transmissão de um usuário primário.
Nos quadros em que não há a transmissão de dados dos usuários primários é
considerada 100% da capacidade do canal no momento disponível para o usuário
secundário, mas considerando a eficiência de sensoriamento, pois quanto menor for
a eficiência de sensoriamento menor será a capacidade de transmissão aproveitada
pelo usuário secundário.
Já no caso do modelo de simulação OFDMA além de contabilizar a capacidade
disponível quando nenhum usuário primário está realizando uma transmissão,
também foi contabilizada a porcentagem da capacidade de transmissão que não é
utilizada mesmo quando um usuário primário estiver utilizando o canal. Esta é uma
das vantagens da utilização de uma rede OFDMA, a qual possibilita a transmissão
em subcanais. Assim os usuários secundários podem realizar suas transmissões em
um mesmo canal que esteja sendo utilizado por usuários primários, quando estes
não utilizarem toda a sua capacidade de transmissão.
4.2 Modelo Probabilístico
O modelo desenvolvido com base nas fórmulas probabilísticas foi desenvolvido
com base nas fórmulas apresentadas por Lee e Akyldiz em 2008 e 2010, com o
objetivo de validar se as fórmulas propostas simulam de forma realista uma rede
com tecnologia OFDM.
A definição da capacidade de transmissão disponível e utilizada foi realizada
com base nas fórmulas 1, 2 e 3 apresentadas no capítulo 3. Através das fórmulas 1
e 2 foram calculadas as probabilidades sobre a capacidade de transmissão
disponível e utilizada.
Desta forma a capacidade de utilização considerada neste modelo foi o
resultado obtido através do cálculo da probabilidade de utilização obtido através da
execução da fórmula 1.
Já a capacidade disponível em um canal, conforme apresentado na pesquisa
de Lee e Akyldiz de 2008, foi calculada utilizando a fórmula 3, apresentada
anteriormente. Mas como o objetivo deste modelo é identificar a parcela da
42
capacidade transmissão que utilizada e parcela disponível, a largura de banda não
foi considerada neste cálculo.
E para a identificação da média dos períodos de disponibilidade e de ocupação
em cada um dos modelos simulados foram utilizadas as fórmulas 4 e 5 também
apresentadas no capítulo 3.
4.3 Cálculo das Taxas de Chegada e de Serviço
Como mencionado na seção anterior, o Modelo baseado em Fórmulas
Probabilísticas desenvolvido durante esta pesquisa é baseado nos valores definidos
como a taxa de chegada e de serviço de cada canal simulado.
Desta forma para que haja uma forma de comparação entre os modelos
desenvolvidos foi identificada a necessidade de cálculo das taxas de chegada e da
taxa de serviço dos canais simulados a partir dos modelos baseados na geração do
tráfego VoIP e HTTP.
A taxa de chegada e a taxa de serviço são conceitos relacionados a Teoria das
Filas. A transmissão de dados em uma rede caracteriza uma fila de espera, pois
quando um usuário requisita a transmissão de dados, mas encontra o canal ocupado
é necessário aguardar durante um tempo até que seja possível realizar a
transmissão (BOTH et al., 2012).
Figura 9 – Estrutura básica de um sistema de filas
Fonte: TAVARES, 2012, p. 10.
Na figura 9, é apresentada a estrutura básica de um modelo de filas. Onde é
possível observar os elementos básicos que formam uma fila de espera, os quais
são: (I) Fonte de Entrada, responsável pelo processo de chegada; (II) Fila de
Espera, local onde os clientes aguardam até serem atendidos; (III) Disciplina da Fila,
onde são estabelecidos os critérios para a ordenação dos clientes na fila; (IV) E o
43
atendimento ou serviço, responsável pelo processo de atendimento dos clientes
(TAVARES, 2012).
Relacionando esta imagem com os modelos desenvolvidos durante esta
pesquisa os clientes correspondem aos dados transmitidos por cada um dos
usuários primários vinculados a operadora responsável pela a realização da
transmissão de dados em um determinado canal. E a disciplina das filas é definida
através de uma regra bastante simples, o primeiro a chegar à fila é o primeiro a sair.
E na figura 10 é apresentado um esquema simplificado sobre a definição das
taxas de chegada e de serviço, as quais são de profunda importância uma vez que
estas informações são apresentadas na grande maioria dos gráficos utilizados na
análise de resultados desta pesquisa.
Figura 10 – Definição de Taxa de Chegada e Taxa de Serviço
Fonte: Autoria Própria, 2012.
O cálculo da taxa de chegada é calculado pelo inverso da média do intervalo
de tempo entre requisição da transmissão de dados por parte dos usuários primários
em cada canal (PEDROSO, C. M.; RIBEIRO, E. P.; MUNETIKO, E. M, 2009). Ou
seja, a definição da taxa de chegada foi realizada através da fórmula 1/m, onde m é
a média do intervalo entre as chegadas de novas requisições de transmissão de
dados, o qual corresponde ao período entre requisições.
Já a taxa de serviço possui um cálculo bem semelhante, mas focado agora no
44
tempo de serviço médio de cada canal, o qual corresponde ao período de serviço.
Assim foi utilizada a seguinte fórmula para esta definição: 1/n. Onde n corresponde
no tempo médio entre o inicio do atendimento dos usuários primários em um canal
até o fim deste atendimento, o qual é caracterizado pela inexistência de dados a
serem transmitidos pelos usuários primários.
45
5 CENÁRIOS DE SIMULAÇÃO
Durante este capítulo serão descritos os parâmetros utilizados durante a
execução de cada um dos modelos desenvolvidos. Como mencionado
anteriormente, foram desenvolvidos para esta pesquisa três modelos de simulação,
todos eles utilizando o software Matlab.
5.1 Cenários de Simulação para o Modelo de Simulaçã o baseado em fórmulas
probabilísticas
Para a execução da simulação do Modelo de Simulação baseado em Fórmulas
Probabilísticas foram utilizados os seguintes parâmetros: eficiência de
sensoriamento, taxa de chegada, taxa de serviço e quantidade de canais simulados.
Para a eficiência de sensoriamento será utilizado o valor fixo 0,9, o mesmo valor
utilizado nas pesquisas de Lee e Akyldiz.
Já a taxa de chegada e a taxa de serviço serão geradas randomicamente em
um intervalo de 0 a 1. Estes valores foram baseados nos valores utilizados nas
simulações realizadas por Lee e Akyldiz em 2011. E a quantidade de canais
simulados foram 10. Estes parâmetros estão listados no quadro 3.
Quadro 3 – Relação dos parâmetros utilizados na simulação do modelo baseado nas
fórmulas probabilísticas
Fonte: Autoria própria, 2012
Os dados analisados durante a simulação deste modelo foram: (I) Período
Médio de Disponibilidade em função a Taxa de Chegada, (II) Período Médio de
Ocupação em função da Taxa de Serviço, (III) Capacidade Média Disponível em
Parâmetro Valor
Eficiência de Sensoriamento 0,9
Taxa de Chegada Número randômico no intervalo de 0 a 1
Taxa de Serviço Número randômico no intervalo de 0 a 1
Quantidade de canais 10
Eficiência de Transmissão 1
46
função da Taxa de Chegada e (IV) Capacidade Média Ocupada em função da Taxa
de Serviço. Para cada uma destas métricas foi gerado um gráfico que será utilizado
para a comparação deste modelo com os modelos propostos durante esta pesquisa.
5.2 Cenários de Simulação para o Modelo de Simulaçã o OFDM baseado na
Geração de Trafego VoIP e HTTP
Na simulação do modelo o qual simula uma rede primária com tecnologia
OFDM com geração de tráfego VoIP e HTTP foram utilizados além dos parâmetros
já apresentados no capítulo 4 referentes à geração de tráfego, os seguintes
parâmetros: eficiência de sensoriamento, quantidade de canais, quantidade de
usuários atendidos em cada canal, tipo de tráfego de cada usuário, total de
portadoras de cada canal e o número máximo de slots enviados em cada quadro.
O número máximo de slots enviados a cada quadro foram definidos com base
em Both et al. (2012), onde o valor utilizado para este parâmetro é de 420. A
porcentagem de overhead foi definida como 10 % para cada slot e o número de
símbolos por slot como 2, com base também nas informações desta mesma
pesquisa. E a eficiência de sensoriamento definida neste modelo foi a mesma
utilizada no modelo descrito anteriormente.
A simulação possui um tempo total de 10 s, onde cada 5 ms correspondem a
um quadro a ser transmitido. A quantidade de canais simulados foi a mesma
utilizado nos demais modelos, ou seja, 10 canais. Para a definição do número de
usuários os quais serão clientes de cada uma das operadoras responsáveis pela a
transmissão dos dados em cada um dos canais simulados, o modelo realiza uma
escolha entre os valores 50, 100, 150 e 200 onde cada um possui a probabilidade de
25 % de ser escolhido.
Outro parâmetro importante é a definição do tipo de tráfego que será utilizado
por cada um destes usuários, neste caso também é realizada uma escolha entre os
tipos de tráfego VOIP e HTTP, para esta escolha cada um possui uma probabilidade
de 50 % de ser escolhido. E por fim, para caracterizar uma rede primária a qual
esteja utilizando tecnologia OFDM, o número de portadoras definido foi de 256.
Todos os parâmetros descritos anteriormente estão relacionados no quadro 4.
47
Quadro 4 – Relação dos parâmetros utilizados no modelo de simulação OFDM
baseado na geração de tráfego VoIP e HTTP
Parâmetro Valor
Eficiência de Sensoriamento 0,9
Quantidade de canais 10
Quantidade de usuários em cada canal Escolha entre 50, 100, 150 e 200
usuários. Todos com uma probabilidade
de escolha de 25%.
Tipo de tráfego de cada usuário Escolha entre HTTP ou VoIP realizada
para cada usuário. Cada um com uma
probabilidade de 50%.
Total de portadoras 256
Número máximo de slots por quadro 420
Número de símbolos por slots 2
Porcentagem de overhead gerado 10 %
Tempo de simulação 10 s
Tempo de cada quadro 5 ms
Fonte: Autoria própria, 2012.
5.3 Cenário de Simulação para o Modelo de Simulação OFDMA baseado na
Geração de Tráfego VoIP e HTTP
Como mencionado anteriormente, o modelo de simulação o qual simula uma
rede primária com tecnologia OFDMA foi desenvolvido de forma muito semelhante
ao modelo o qual simula uma rede OFDM, desta forma foram utilizados os mesmos
parâmetros nestes dois modelos alterando apenas o número de portadoras
utilizadas que neste caso foram 1024, caracterizando assim uma rede OFDMA. Os
parâmetros utilizados durante esta simulação estão relacionados no quadro 5.
48
Quadro 5 – Relação dos parâmetros utilizados na simulação do modelo OFDMA
baseado na geração de tráfego VoIP e HTTP.
Parâmetro Valor
Eficiência de Sensoriamento 0,9
Quantidade de canais 10
Quantidade de usuários em cada canal Escolha entre 50, 100, 150 e 200
usuários. Todos com uma probabilidade
de escolha de 25%.
Tipo de tráfego de cada usuário Escolha entre HTTP ou VOIP realizada
para cada usuário. Cada um com uma
probabilidade de 50%.
Total de portadoras 1024
Número máximo de slots por quadro 420
Número de símbolos por slots 2
Porcentagem de overhead gerado 10 %
Tempo de simulação 10 s
Tempo de cada quadro 5 ms
Fonte: Autoria própria, 2012.
49
6 ANÁLISE DE RESULTADOS
Neste capítulo serão apresentados os resultados obtidos durante as
simulações. Desta forma serão relacionados os gráficos e as conclusões obtidas em
cada um dos gráficos gerados.
6.1 Comparações entre os resultados obtidos através dos três modelos
desenvolvidos
Como o modelo baseado em fórmulas probabilísticas é baseado nas taxas de
chegada e na taxa de serviço, conforme explicado anteriormente, estas taxas foram
utilizadas como base para a comparação entre os modelos desenvolvidos.
O primeiro gráfico a ser analisado é apresentado no gráfico 1, onde é
representada a capacidade média disponível em relação a taxa de chegada obtida
durante a simulação.
Gráfico 1– Capacidade Disponível em relação à taxa de chegada
Fonte: Autoria própria, 2012.
50
A primeira vista é possível identificar características próprias de cada modelo
de simulação. Para o modelo construído com as fórmulas probabilísticas
relacionadas nas pesquisas realizadas por Lee e Akyldiz em 2008 e 2011, é possível
verificar que este modelo não produz um tráfego de dados semelhante aos demais
modelos, pois para a geração das taxas de chegada são utilizados números
randômicos. Desta forma não são levadas em consideração questões como o
número de usuários que estarão realizando transmissões, o tipo de tráfego, nem a
quantidade de bits gerados por cada usuário, o que ocasiona um comportamento
totalmente diferente dos demais modelos os quais consideram estas informações.
Em relação aos dois modelos desenvolvidos com base na geração de tráfego
VoIP e HTTP pode-se observar que nos dois modelos houve um comportamento
semelhante, onde conforme o aumento da taxa de chegada a capacidade média
disponível diminuí. Isto acontece porque quanto maior a taxa de chegada maior será
a utilização do canal por parte dos usuários primários, o que não ocorre no modelo
baseado nas fórmulas probabilísticas.
Mas levando em consideração as linhas do gráfico referentes aos dois modelos
baseados na geração de tráfego, é possível observar que a linha que se refere ao
modelo o qual simula a tecnologia OFDM chega um determinado valor de taxa de
chegada que a capacidade média disponível começa a estabilizar e não diminuir
mais.
Este comportamento ocorre, pois a partir de uma determinada taxa de chegada
onde o canal começa a ficar congestionado, ou seja, a capacidade do canal começa
a não ser suficiente para a transmissão dos dados dos usuários primários, e mesmo
com o aumento da taxa de chegada a capacidade utilizada do canal será a mesma.
Mas por outro lado observa-se que mesmo com o congestionamento do canal
ainda existe uma porcentagem do canal a qual ficou disponível para o usuário
secundário.
A pequena parcela a qual ficou disponível para o usuário secundário
corresponde ao primeiro segundo de simulação. Esta parcela é decorrente ao
comportamento do modelo de geração de tráfego o qual inicia a transmissão de
dados a partir do segundo de simulação. Este comportamento não ocorre no modelo
de simulação que utiliza tecnologia OFDMA, pois uma capacidade de transmissão
deste modelo é maior devido ao número maior de portadoras.
51
O segundo gráfico gerado nos três modelos apresenta informações sobre a
capacidade média utilizada de cada canal relacionada às taxas de serviço obtidas
durante as simulações. Como os valores referentes a capacidade utilizada obtidos
no modelo OFDMA utilizando a geração de tráfego são muito baixos se comparadas
aos obtidos através dos dois modelos OFDM, tanto o modelo desenvolvido utilizando
a geração de tráfego quanto o gerado a partir das fórmulas probabilísticas, serão
apresentados dois gráficos separados para um melhor entendimento sobre os
resultados obtidos.
Gráfico 2 – Capacidade Utilizada em relação à taxa de serviço nos modelos de
simulação OFDM
Fonte: Autoria própria, 2012.
Comparando o gráfico 2 e o gráfico 3 é possível observar as taxas de serviço
relacionadas a simulação da rede primária OFDMA são muito mais elevadas que as
taxas obtidas nos modelos OFDM. Isto se deve ao fato de que como a capacidade
de transmissão é maior através da utilização da tecnologia OFDMA, desta forma são
necessários menos quadros para a transmissão dos dados gerados pelos usuários.
52
Gráfico 3 – Capacidade Utilizada em relação à taxa de serviço no modelo de
simulação OFDMA
Fonte: Autoria própria, 2012.
Novamente o comportamento observado no modelo de simulação baseado nas
fórmulas probabilísticas não obteve um comportamento semelhante ao modelo
desenvolvido com a geração de tráfego. Este fato deve-se a utilização de valores
randômicos para a geração das taxas de serviço sem levar em consideração a
qualidade de propagação do canal como nos demais modelos.
Mas comparando apenas os dois modelos onde foi utilizado o modelo de
geração de tráfego e a Cadeia de Markov para simular o comportamento de um
canal, conclui-se que a capacidade utilizada em um canal reduz conforme o aumento
da taxa de serviço do canal.
Além dos gráficos relacionados a capacidade média disponível e a capacidade
média utilizada, também foram gerados gráficos referentes ao período médio de
disponibilidade e o período médio de ocupação. Ou seja, nestes gráficos são
53
relacionados a quantidade de quadros média a qual fica disponível para a utilização
de um usuário secundário ou não de forma sequencial, as taxas de chegada e
serviço.
No modelo baseado em fórmulas probabilísticas foi utilizada a fórmula 1/β,
onde β corresponde à taxa de chegada de um canal, para a definição desta
quantidade. Nestes gráficos é possível verificar se esta fórmula é realmente válida
ou não.
Gráfico 4 – Período Médio Disponível em relação à taxa de chegada de um canal
Fonte: Autoria própria, 2012.
Os valores apresentados no gráfico 4 são relacionados aos períodos médios de
disponibilidade adquiridos durante a simulação de cada um dos modelos em relação
a taxa de chegada. Observando este gráfico é possível perceber que os modelos
OFDM e OFDMA que utilizaram a geração de tráfego não possuem o mesmo
comportamento apresentado no modelo baseado nas fórmulas probabilísticas.
Analisando mais profundamente os dados obtidos, concluiu-se que a fórmula
1/β se aproxima da média de períodos disponíveis quando os períodos de
54
transmissões são mais uniformes, ou seja, quando existe um número muito pequeno
de usuários ou, o contrário, um número muito grande de usuários ocasionando
períodos longos de não utilização ou períodos muito longos de utilização esta
fórmula não é válida.
Além da análise realizada sobre a média dos períodos disponíveis para a
utilização dos usuários secundários também foi realizada uma análise sobre a média
dos períodos utilizados pelos usuários primários, como mencionado anteriormente.
Para a média dos períodos utilizados pelos usuários primários foi realizada uma
análise muito semelhante a anterior, mas desta vez focando na fórmula 1/α, onde α
corresponde a taxa de serviço de um determinado canal.
Esta fórmula também foi utilizada no modelo OFDM baseado em fórmulas
probabilísticas para a determinação da média dos períodos de utilização de cada um
dos canais simulados. Novamente serão apresentados dois gráficos, um com os
resultados dos modelos OFDM e outro com os resultados do modelo OFDMA devido
as taxas de serviço atingidas no modelo OFDMA serem muito mais baixas quando
comparadas as taxas de serviço geradas nos outros modelos.
Já neste caso o resultado obtido é contrário ao anterior, pois é possível
observar, principalmente no gráfico 5, que a fórmula 1/α resulta em um valor médio
de períodos utilizados muito semelhantes ao valor identificado nos modelos
baseados na geração de tráfego. É visível a semelhança no comportamento dos dois
modelos OFDM apresentados no gráfico 5.
E analisando em conjunto os dois gráficos 5 e 6, é possível identificar que
conforme ocorre um aumento sobre a taxa de serviço acontece uma redução no
período médio utilizado. E que devido a maior capacidade de transmissão da rede
OFDMA os períodos de utilização são muito menores e as taxas de serviços muito
maiores se compararmos com os resultados obtidos nas simulações das redes
OFDM, pois não ocorre o congestionamento.
55
Gráfico 5 – Período Médio Utilizado em relação à taxa de serviço de um canal nos
modelos de simulação OFDM
Fonte: Autoria própria, 2012.
Gráfico 6 – Período Médio Utilizado em relação à taxa de serviço de um canal no
modelo de simulação OFDMA
Fonte: Autoria própria, 2012.
56
6.2 Análises de Resultados obtidos nos Gráficos dos Modelos desenvolvidos
utilizando a Geração de Tráfego
Os gráficos do modelo OFDM baseado nas fórmulas probabilísticas foram
gerados, como já mencionados anteriormente, com base em fórmulas probabilísticas
e números randômicos. Desta forma existem alguns gráficos os quais não podem
ser gerados a partir das fórmulas probabilísticas utilizadas, mas foram gerados para
os demais modelos.
Gráfico 7 – Capacidade Média Utilizada pelos usuários primários relacionada à
quantidade de usuários
Fonte: Autoria própria, 2012.
No gráfico 7 e 8, são apresentados os valores referentes a capacidade média
disponível e a capacidade média utilizada nos dois modelos baseados na geração
de tráfego de dados VoIP e HTTP. Nestes gráficos é possível visualizar com
bastante facilidade que a tecnologia OFDMA possui uma capacidade de transmissão
57
muito maior que a tecnologia OFDM.
E, além disto, a possibilidade de divisão das portadoras em subcanais
permitida na tecnologia OFDMA possibilita que o usuário secundário aloque uma
capacidade muito maior do que em uma rede OFDM. Pois desta forma quando um
canal não utiliza toda a capacidade disponível para a transmissão dos dados dos
usuários primários a parcela não utilizada pode ser utilizada por usuários
secundários.
Gráfico 8 – Capacidade Média Disponível relacionada à quantidade de usuários
Fonte: Autoria própria, 2012.
Diferentemente da tecnologia OFDM, a qual permite que um usuário
secundário utilize os recursos de um canal apenas quando este não esta sendo
utilizado pelos usuários primários. Este comportamento pode ser visualizado nas
figuras 9 e 10, onde estão sendo apresentadas as capacidades utilizadas e as
disponíveis durante a execução da simulação de cada um destes modelos.
Cada uma destas figuras possuem dois gráficos, um superior que corresponde
58
às capacidades utilizadas e um inferior as capacidades disponíveis. No gráfico 9,
excluído os primeiro segundos de transmissão sobre o qual existe um número muito
grande de quadro os quais dificultam a visualização dos quadros que não ficaram
disponíveis, durante um longo período que compreende do 1s a um pouco depois de
9s de simulação onde não foi identificado nenhum quadro disponível para a
utilização dos usuários secundários, pois durante este tempo haviam dados dos
usuários primários a serem enviados.
Já no gráfico 10 mesmo havendo transmissões por parte dos usuários
primários há uma parcela da capacidade total que pode ser utilizada pelos usuários
secundários através dos subcanais da tecnologia OFDMA.
Gráfico 9 – Capacidade de Transmissão Utilizada e Capacidade de Transmissão
Disponível em um canal durante o tempo de simulação de uma rede OFDM
Fonte: Autoria Própria, 2012
59
Gráfico 10 – Capacidade de Transmissão Utilizada e Capacidade de Transmissão
disponível em um canal durante o tempo de simulação de uma rede OFDMA
Fonte: Autoria Própria, 2012.
60
7. CONCLUSÃO
Durante este trabalho de pesquisa foram desenvolvidos três modelos de
simulação, onde em dois foi realizada a geração de tráfego de rede de aplicações de
tempo real e de melhor aproveitamento simulando redes com tecnologia OFDM e
OFDMA. E em um terceiro modelo foram utilizadas fórmulas probabilísticas
propostas em pesquisas anteriores para caracterizar o ambiente de uma rede sem
fio com tecnologia OFDM. É importante salientar que os modelos baseados na
geração de tráfego foram desenvolvidos utilizando as tecnologias OFDM e OFDMA
com o objetivo de apresentar informações as quais não são obtidas através do
modelo probabilístico, e não para fins comparativos entre as duas tecnologias.
Com base nos resultados obtidos nas simulações é possível concluir que a
resposta para a pergunta realizada anteriormente “Um modelo onde sejam utilizados
valores randômicos para a geração da taxa de chegada e a taxa de serviço de uma
rede consegue simular de forma realista o comportamento dos usuários primários?”
é não.
Durante as simulações foi possível identificar que as taxas de chegada e
serviço em uma rede não podem ser consideradas de forma aleatória, pois existem
diversas características as quais definem este comportamento. A geração randômica
destes valores não leva em consideração o tipo de rede que esta sendo modelada, a
quantidade de usuários primários que estão utilizando um determinado canal, e nem
a qualidade de propagação dos dados em um determinado canal.
Diferente do modelo que utiliza valores randômicos, os modelos com geração
de tráfego VOIP e HTTP possuem um determinado comportamento dependendo do
número de usuários utilizando um canal. É possível observar que a capacidade
disponível e utilizada em um determinado canal é determinada por um conjunto de
informações, das quais as mais importantes são realmente as taxas de chegada e
de serviço. Mas que considerando características de transmissão da rede como
qualidade do canal, cada nível de taxa de chegada terá um nível de taxa de serviço
correspondente.
Por exemplo, enquanto não houver congestionamento para a transmissão de
dados e a taxa de chegada aumentar a taxa de serviço irá aumentar também. Mas
quando houver congestionamento ocorrerá o contrário, o aumento na taxa de
61
chegada irá ocasionar a diminuição da taxa de serviço. Até o momento em que o
aumento na taxa de chegada não irá influenciar a taxa de serviço, pois quantidade
de dados gerados é maior que a capacidade de transmissão do canal durante o
tempo de simulação. Ou seja, existe um padrão de comportamento a ser seguido.
Como um ambiente de rede possui diversos detalhes complexos, durante o
desenvolvimento dos modelos baseados na geração de tráfego VoIP e HTTP foi
necessário a simplificação de alguns destes detalhes. Para trabalhos futuros
pretende-se melhorar estes modelos visando uma modelagem mais realista, como
por exemplo, incluir no modelo um número maior de operadoras utilizando um
mesmo canal e realizar a alocação do canal levando em consideração os subcanais
alocados para operadoras diferentes.
62
REFERÊNCIAS
ALI, S. H.; LEUNG, V. C. M. Dynamic Frequency Allocation in Fractional Frequency Reused OFDMA Networks. IEEE Transactions on Wireless Communications, v. 8, p. 4286 - 4295, ago. 2009. AKYILDIZ, I. F. et al. A Survey on Spectrum Management in Cognitive Radio Networks. IEEE Communications Magazine , v. 46, n. 4, p. 40 - 48, abr. 2008. ARMSTRONG, J. OFDM for Optical Communications. Journal of Lightwave Technology , v. 27, p. 189 - 204, fev. 2009. BOTH, C. et al. On the Integration of Scheduling and Allocation in OFDMA-Based WiMAX Networks. ln: Simpósio Brasileiro de Telecomunicações , 30., 2012, Brasília. Anais... , Brasília: SBrT, 2012. CAMARGO, E. G. Uma Arquitetura de Escalonamento Hierárquica para Transmissões Uplink em Redes IEEE 802.16e Baseadas em OFDMA . 86 f., Dissertação apresentada como requisito parcial para a obtenção do grau de Mestre em Ciência da Computação – Programa de Pós Graduação em Computação, Universidade Federal do Rio Grande do Sul, Porto Alegre, 2010. COSTA, M. F. N. et al. Planejamento e Análise de Desempenho de Sistema WIMAX. 2008. 102 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica), Faculdade de Tecnologia da Universidade de Brasília, Brasília, 2008. DUTRA, R. B. Avaliação do Desempenho da Modulação OFDM em Canais HF para Radios Cognitivos . 2010. 69 f. Dissertação (Mestrado em Engenharia Elétrica) - Programa de Pós Graduação em Engenharia Elétrica, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2010. FAGANELLO, L. R. Q-Noise: um algoritmo de alocação dinâmica de canal para Rádio Cognitivo . 57 f. Trabalho de Conclusão de Curso (Graduação em Engenharia da Computação), Universidade Federal do Rio Grande do Sul, Porto Alegre, 2012. GHASEMI, A; SOUZA, E. S. Spectrum sensing in cognitive radio networks: requirements, challenges and design trade-offs. IEEE Communications Magazine , Toronto, v. 46, n. 4, p. 32 - 39, Abr. 2008. HUANF, S.; LIU, X.;DING, Z. Opportunistic Spectrun Access in Cognitive Radio Networks. ln: INFOCOM – Conference on Computer Comunications, 27., 2008, Phoenix. Anais… , Phoenix: IEEE, 2008, p. 1427 - 1435. JONDRAL, F. K. Cognitive Radio: A Communications Engineering View. IEEE Wireless Comunications , v. 14, p. 28 - 33, ago. 2007. KUNST, R. One Study of Components to Provide QoS in Cognitive Radio Networks . 53 f. Programa de Pós Graduação em Computação, Universidade Federal do Rio Grande do Sul, Porto Alegre, 2011. Texto Impresso.
63
LEE, W.; AKYILDIZ, I. F. Optional Spectrum Sensing Framework for Cognitive Radio Networks. IEEE Transactions on Wireless Communications , v. 7, p. 3845 - 3857, out. 2008. LEE, W.; AKYILDIZ, I. F. A Spectrum Decision Framework for Cognitive Radio Network. IEEE Transactions on Mobile Computing , v. 10, p. 161 - 174, fev. 2011. MITOLA, J.; MAGUIRE, G. Q. Jr. Cognitive radio: making software radios more personal. IEEE Personal Communications , Estocolmo, v. 6, n. 4, p. 13 - 18, ago. 1999. PAULA, A. S. Um Estudo Comparativo entre os Sistemas OFDMA e SCC P. 2010. 119 f. Dissertação (Mestrado em Engenharia Elétrica) – Escola Politécnica, Universidade de São Paulo, São Paulo, 2010. PEDROSO, C. M.; RIBEIRO, E. P.; MUNETIKO, E. M. Modelagem de Sistemas VoIP: Análise de Características de Sessão. ln: SIMPÓSIO BRASILEIRO DE TELECOMUNICAÇÕES , 26., 2009, Blumenau. Anais... , Blumenau: SBrT, 2009. SILVA, M. W. R. Redes Cognitivas com Oportunidades Dinâmicas de Ace sso ao Espectro . 2011. 68 f. Tese (Doutorado em Engenharia Elétrica) - Programa de Pós Graduação em Engenharia Elétrica, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2011. TAVARES, J. M. Análise e Simulação de Redes de Comunicações com Comutação de Pacotes em Matlab . 96 f., Dissertação (Mestrado de Matemática Aplicada à Engenharia), Universidade de Aveiro, Aveiro, 2010.
WANG, J.; HUANG, Y.; JIANG, H. Improved Algorithm of Spectrum Allocation Based Coloring Model in Cognitive Radio. ln: INTERNATIONAL CONFERENCE ON COMMUNICATIONS AND MOBILE COMPUTING, 3., 2009, Yunnan. Anais…, Yunnan: IEEE, 2009, p. 353 - 357. YUAN, G. et al. Performance Analysis of Selective Opportunistic Spectrum Access With Traffic Prediction. IEEE Transactions on Vehicular Technology , v. 59, p. 1949 - 1959, maio 2010. ZHOU, X. et al.. Probabilistic Resource Allocation for Opportunistic Spectrum Access. IEEE Transactions on Wireless Communications , v. 9, p. 2870 - 2879, set. 2010.