|
|
Movement Prediction of Wireless Nodes in Mobile Ad Hoc Networks (MANETS)
Makhlouf, Nermin ; Šimák, Boris (referee) ; Slavíček, Karel (referee) ; Koton, Jaroslav (advisor)
Rychlý vývoj v oblasti mobilní informatiky vyústil v nový, alternativní způsob mobilní komunikace, v němž mobilní uzly tvoří samoorganizující se bezdrátovou síť, jíž se říká mobilní síť ad hoc (Mobile Ad hoc Network, MANET). Specifické vlastnosti sítí MANET stavějí návrh síťového protokolu před řadu problémů na všech vrstvách protokolové sady . Příčinou jsou nepředvídatelné změny topologie a mobilní povaha těchto sítí. Nástrojem, který řeší problémy plynoucí z mobility uzlů, je predikce budoucích změn v topologii sítě. To má zásadní význam pro různé úlohy jako přesměrování. Tato disertační práce se zabývá dvěma metodami predikce mobility pro sítě MANET. První metoda se nazývá „predikce mobility s využitím virtuální mapy“ (mobility prediction using virtual map) a předpokládá, že každý uzel si dokáže vybudovat svou virtuální mapu v závislosti na svém umístění v průběhu času. Vyvinutý predikční algoritmus byl implementován do síťového simulátoru NS-2, aby jej bylo možné vyhodnotit. V této práci zkoumám stávající modely mobility a způsob, jakým v nich lze aplikovat tuto metodu predikce. Simulace sledují zlepšení výkonnosti, co se týče průměrného zpoždění na bázi end-to-end, poměru doručených paketů a propustnosti sítě. Navržený koncept predikce byl implementován pomocí směrovacího protokolu AODV(Ad Hoc On-Demand Distance Vector). Pro druhou metodu jsem vyvinula umělou neuronovou síť pro predikci pohybů v sítích MANET. Model pro predikci mobility vznikl na základě dat shromážděných ze vzorců umístění. K učení či trénování ANN byl využit bayesovský přístup. Ten byl implementován v softwaru pro trénování bayesovských neuronových sítí s názvem Model Manager. Nejlepším způsobem hodnocení závěrečného modelu je provedení predikcí a jejich srovnání s cílovými daty. Predikce vznikají na základě 50 vzorců jako vstupních proměnných. Dosažené výsledky prezentované s diskutované v práci se vyznačují zlepšením zásadních parametrů komunikační sítě, jako jsou propustnost, zpoždění, Poměr doručených paketů, až o 30% v porovnání s klasickým směrovacím protokolem AODV, kde není implementován predikční model.
|
|
|
Movement Prediction of Wireless Nodes in Mobile Ad Hoc Networks (MANETS)
Makhlouf, Nermin ; Šimák, Boris (referee) ; Slavíček, Karel (referee) ; Koton, Jaroslav (advisor)
Rychlý vývoj v oblasti mobilní informatiky vyústil v nový, alternativní způsob mobilní komunikace, v němž mobilní uzly tvoří samoorganizující se bezdrátovou síť, jíž se říká mobilní síť ad hoc (Mobile Ad hoc Network, MANET). Specifické vlastnosti sítí MANET stavějí návrh síťového protokolu před řadu problémů na všech vrstvách protokolové sady . Příčinou jsou nepředvídatelné změny topologie a mobilní povaha těchto sítí. Nástrojem, který řeší problémy plynoucí z mobility uzlů, je predikce budoucích změn v topologii sítě. To má zásadní význam pro různé úlohy jako přesměrování. Tato disertační práce se zabývá dvěma metodami predikce mobility pro sítě MANET. První metoda se nazývá „predikce mobility s využitím virtuální mapy“ (mobility prediction using virtual map) a předpokládá, že každý uzel si dokáže vybudovat svou virtuální mapu v závislosti na svém umístění v průběhu času. Vyvinutý predikční algoritmus byl implementován do síťového simulátoru NS-2, aby jej bylo možné vyhodnotit. V této práci zkoumám stávající modely mobility a způsob, jakým v nich lze aplikovat tuto metodu predikce. Simulace sledují zlepšení výkonnosti, co se týče průměrného zpoždění na bázi end-to-end, poměru doručených paketů a propustnosti sítě. Navržený koncept predikce byl implementován pomocí směrovacího protokolu AODV(Ad Hoc On-Demand Distance Vector). Pro druhou metodu jsem vyvinula umělou neuronovou síť pro predikci pohybů v sítích MANET. Model pro predikci mobility vznikl na základě dat shromážděných ze vzorců umístění. K učení či trénování ANN byl využit bayesovský přístup. Ten byl implementován v softwaru pro trénování bayesovských neuronových sítí s názvem Model Manager. Nejlepším způsobem hodnocení závěrečného modelu je provedení predikcí a jejich srovnání s cílovými daty. Predikce vznikají na základě 50 vzorců jako vstupních proměnných. Dosažené výsledky prezentované s diskutované v práci se vyznačují zlepšením zásadních parametrů komunikační sítě, jako jsou propustnost, zpoždění, Poměr doručených paketů, až o 30% v porovnání s klasickým směrovacím protokolem AODV, kde není implementován predikční model.
|
guest ::
RSS feed.