Evaluacion de Protocolos de Encaminamientopara Redes Oportunistas en Escenarios con

Alta Renovacion de personasLeonardo Chancay-Garcıa1 y Pietro Manzoni, Enrique Hernandez-Orallo, Carlos Tavares

Calafate, Juan-Carlos Cano 2

Resumen— El rendimiento de las Redes Oportunis-tas depende principalmente de la movilidad de losusuarios. Esta movilidad crea oportunidades de con-tactos, y por lo tanto, de reenvıo de mensajes. Ge-neralmente la evaluacion de estas redes esta basadaen modelos de movilidad sinteticos o en trazas reales,caracterizadas a menudo por un numero fijo de usua-rios. Este trabajo se centra en escenarios caracteriza-dos por una renovacion alta de personas. Utilizandoun simulador de movilidad de peatones se han defini-do trazas realistas de movilidad con diferentes gradosde densidad de usuarios y tasas de renovacion.

Usando esta metodologıa, se ha evaluado el rendi-miento de varios protocolos de encaminamiento exis-tentes, aplicados en escenarios con alto grado de reno-vacion de personas y mensajes de diferentes tamanos.Los experimentos confirman que la tasa de renovaciontiene un gran impacto en el rendimiento de los proto-colos, siendo esto mas evidente cuando para tamanosde mensaje grande. De forma general, observamos queel algoritmo de inundacion controlada (controlled floo-ding) como Spray & Wait puede obtener buenos resul-tados en la entrega de paquetes con una sobrecargamenor respecto a los protocolos basados en probabi-lidad, evitando tambien la complejidad de implemen-tacion de estos ultimos.

Palabras clave— Redes Oportunistas, OpportunisticNetworks, OppNets, Redes Tolerantes a Retardo, De-lay Tolerant Network, DTN, Redes Ad-hoc, Protoco-los de Encaminamiento.

I. Introduccion

EL rendimiento y la disponibilidad de las tecno-logıas de comunicaciones actuales, como WiFi

o 4G habitualmente en espacios muy concurridos,pueden verse seriamente afectadas por problemas decongestion. Las Redes Oportunistas en ingles Op-portunistic Network (OppNets para abreviar) soncomunmente usadas en estos escenarios como unasolucion a la falta de infraestructura fija, llegando aser una buena alternativa. Las redes oportunistas [1]se basan en la oportunidad de intercambiar mensajesentre dispositivos cercanos que establecen algun ti-po de comunicacion inalambrica (por ejemplo, Blue-tooth o WiFi Direct).

El rendimiento de las OppNets depende principal-mente de la movilidad de los nodos y de los algorit-mos de encaminamiento utilizados. Estos ultimos sonlos encargados de intercambiar los mensajes entre losnodos cuando se produce un contacto, tratando siem-

1Departamento de Informatica de Sistemas y Compu-tadores, Universitat Politecnica de Valencia, e-mail:leochaga@doctor.upv.es

2Departamento de Informatica de Sistemas y Computado-res, Universitat Politecnica de Valencia, e-mail: {pmanzoni,ehernandez, calafate, jucano}@disca.upv.es

pre de encontrar la mejor ruta para que un mensajellegue a su destino. La movilidad de estos nodos estaestrechamente unida al comportamiento humano, ya sus dispositivos moviles, ya que solo se comunicancuando sus propietarios se encuentran y establecencontacto.

El objetivo de nuestro trabajo es evaluar la eficaciade los protocolos de encaminamiento mas utilizadosen OppNets para la transmision de mensajes en es-cenarios con alto grado de renovacion de personas.Consideramos que el numero de personas en escena-rios reales puede ser muy variable en el tiempo, yeste aspecto puede afectar la eficiencia en la entre-ga de los mensajes. Sin embargo, la mayorıa de losprotocolos de encaminamiento han sido disenados yevaluados en escenarios con un numero constante deusuarios.

Esta limitacion se debe principalmente a las meto-dologıas utilizadas actualmente para evaluar este ti-po de redes. Normalmente, la evaluacion de OppNetscombina herramientas de simulacion de red con tra-zas reales de movilidad. Los simuladores de OppNets(como ONE, Opportunistic Network Environment si-mulator [2]), permiten evaluar diferentes protocolosde difusion utilizando trazas de movilidad. Aunqueexiste una gran coleccion de conjuntos de datos obte-nidos de la observacion de la movilidad de los nodosen escenarios reales, la evaluacion se restringe a esosescenarios, condicionando severamente la evaluaciondel rendimiento de los protocolos de difusion. Estastrazas tienen un conjunto fijo de nodos y la reno-vacion (si existe) es muy reducida. Para evitar estarestriccion, se pueden utilizar modelos de movilidadsintetica, como Random Waypoint Mobility (RWM),Small Worlds In Motion (SWIM) [3], o Self-similarLeast Action Walk (SLAW) [4]. Estos modelos pue-den generar trazas con caracterısticas ajustables, ba-sadas en la reproduccion de algunas propiedades es-tadısticas de la movilidad humana. Sin embargo, es-tos modelos no pueden capturar el movimiento depersonas en escenarios especıficos o la variacion tem-poral del numero de personas en un lugar.

Para evaluar el impacto de la renovacion de per-sonas hemos optado por la creacion de trazas ex-ternas utilizando el simulador de peatones PedSim[5], creando un escenario que se asemeja a una tıpi-ca plaza urbana llena de gente, donde las personaspueden ingresar y salir. En base a este escenario, ge-neramos diferentes trazas de movilidad con diferentes

Jornadas SARTECO 2018 389

tasas de renovacion (desde la no renovacion hasta laalta renovacion de personas). Estas trazas de movili-dad se usaron como entrada para el simulador ONEpara evaluar los protocolos de difusion mas utiliza-dos: Epidemic [6], Spray & Wait [7], PHOPHET [8]y MaxProp [9]. Los resultados de estos experimen-tos muestran que el rendimiento de estos protocolosse reduce claramente a medida que aumenta la ta-sa de renovacion. Esto es especialmente significativocuando el tamano de los mensajes es grande, dondetasa de entrega se reduce drasticamente a valores pordebajo del 3%. Con respecto al rendimiento de losdiferentes protocolos de encaminamiento, demostra-mos que los enfoques probabilısticos no son mejoresque los protocolos mas simples basados en inunda-cion (flooding). Por lo tanto, protocolos como Spray& Wait pueden obtener buenos resultados en todoslos escenarios.

Dos son las contribuciones principales de esteartıculo. Primero, presentamos una nueva metodo-logıa para evaluar el rendimiento de los protocolos deencaminamiento en escenarios donde se puede con-figurar la tasa de renovacion. En segundo lugar, losresultados muestran que los protocolos de difusionactuales no son eficientes en escenarios donde hayuna gran renovacion de personas. Por lo tanto, sedeben disenar nuevos protocolos para abordar esteproblema, detectando primero cuando ocurren estosescenarios y segundo, mejorando la tasa de entregade paquetes.

El resto de este articulo esta organizado como si-gue: en la seccion II abordamos algunos trabajos re-lacionados con nuestra propuesta, la seccion III des-cribe los protocolos de encaminamiento mas conoci-dos, en la seccion IV se presenta la metodologıa, losescenarios y los simuladores usados para recrear losexperimentos. En la seccion V realizamos una eva-luacion de los protocolos de encaminamiento. Final-mente en la seccion VI se muestran las conclusionesy el trabajo futuro.

II. Trabajos Relacionados

Las Redes Oportunistas se basan en la oportuni-dad de establecer contactos entre pares de nodos co-mo una forma de propagar mensajes. La efectividadde OppNets depende principalmente del numero y laduracion de estos contactos, que dependen de la mo-vilidad de los nodos. Podemos decir que la movilidades el principal facilitador de la diseminacion oportu-nista de datos en escenarios urbanos [10]. La movi-lidad y su impacto en el rendimiento de OppNets seha estudiado ampliamente en [11], [12], [13], dondese evalua el comportamiento de difusion de mensajesde diferentes protocolos, centrandose en los patronesde movilidad de los nodos. En estos trabajos, los au-tores explican la relacion entre factores tales comola velocidad, el modelo de movilidad, la densidad delnodo y los lugares.

Siendo la movilidad un factor clave para evaluarlas OppNet, se idearon varios modelos para capturareste comportamiento de movilidad. Desde los mo-

delos basicos, como Random Walk y Random Way-Point [14] a modelos mas realistas, que consideran al-gunos aspectos sociales del movimiento humano, co-mo SWIM [3], SLAW [4] y el modelo de movimientoWorking Day [15] (dıa de trabajo). Sin embargo, pa-ra tener simulaciones mas realistas, el mejor enfoquees utilizar trazas moviles reales [16], [17], combinadascon un simulador OppNet.Debido a la limitacion de las trazas de movili-

dad, algunos artıculos recientes utilizan simuladoresde peatones para evaluar su movilidad. En [18], elautor introduce un modelo complejo para calles ba-sado en colas y probabilidad de contacto y duracion.Este modelo se compara con los resultados de la si-mulacion utilizando el simulador comercial de pea-tones llamado LEGION. Utilizando este simuladorde peatones, los autores en [13] estudian el impactode la movilidad y el escenario sobre la comunicacionoportunista (tiempo de contacto y duracion del con-tacto). Los resultados muestran, como se esperaba,que el tipo de escenario es el aspecto mas importan-te a considerar, por lo que no se puede extender eluso de un modelo generico. Finalmente, [19] proponeun modelo para conteo de multitudes basado en unaaplicacion que recibe mensajes desde puntos de ac-ceso, y tambien por contacto entre nodos. Proponenun modelo basado en Ecuaciones Estocasticas Dife-renciales (SDE - Stochastic Di↵erential Equations) ylos evaluan usando algunas trazas de movilidad quehan sido generadas con LEGION y otros modelos demovilidad.Ademas de la movilidad de los nodos, el rendimien-

to de OppNet tambien depende de otros dos aspec-tos muy importantes: como se reenvıan los mensajesy como se gestionan localmente (en el bufer de losnodos). El primer aspecto depende de los diferentesalgoritmos de encaminamiento y se estudiara en pro-fundidad en la siguiente seccion. En cuanto a la ges-tion de bufer, recientemente se ha mostrado [20], quees importante implementar ciertos mecanismos paramejorar la gestion de la eficiencia del bufer, priori-zando el reenvıo y descarte de mensajes.Los aspectos sociales tambien se pueden conside-

rar en la gestion local del bufer y el reenvıo de losmensajes. En este contexto, los autores de [21] utili-zaron analisis teoricos aplicados a redes sociales pa-ra clasificar y estudiar algunos esquemas de difusionbasados en la homofilia (fenomeno de redes sociales)mediante la combinacion de relaciones de nodo y susintereses en los datos. Los autores en [22] proponenuna tecnica para disminuir el uso de los recursos uti-lizando un algoritmo llamado FSF - Algoritmo deenvıo de la amistad y el egoısmo (The Friendshipand Selfishness Forwarding Algorithm), que realizauna validacion teniendo en cuenta aspectos sociales,antes de reenviar un mensaje.

III. Protocolos de Encaminamiento

El objetivo de esta seccion es describir los proto-colos de encaminamiento en las OppNets y, mas con-cretamente, los aspectos que pueden afectar su ren-

390 Jornadas SARTECO 2018

Fig. 1.Protocolos de encaminamiento de acuerdo al numero demensajes reenviados.

dimiento en escenarios con renovacion de personas.Los protocolos de encaminamiento se pueden clasi-ficar segun varios aspectos, como el uso o no de lainfraestructura, su aplicacion, la cantidad de infor-macion que administran, etc. Una buena clasifica-cion teniendo en cuenta todos estos aspectos es larealizada en [23]. Un buen criterio de clasificacion esla forma en que se propaga el mensaje considerandotambien el numero de mensajes retransmitidos comose muestra en la Figura 1.

Los protocolos de Copia Unica (Single Copy) con-servan solo una copia del mensaje hasta que se entre-ga al destino. Por ejemplo, el protocolo Direct Deli-very, [12], se puede considerar la forma mas sencillade transmitir un mensaje. El mensaje se enviara si ysolo si el nodo con el que se ha contactado es el nodode destino. La probabilidad de que el mensaje lleguea su destino dependera de un contacto directo entreel nodo fuente y el nodo de destino. Otro enfoquees el First Contact (Primer Contacto) [24], que sebasa en la transferencia del mensaje al primer nodocontactado hasta llegar al nodo de destino. Sola hayuna unica copia del mensaje, reduciendo la sobrecar-ga en la red al mınimo. Las principales desventajasde estos protocolos son la baja tasa de entrega.

Los protocolos de Inundacion (Flooding) propaganun mensaje a traves de la red. Pueden abarcar des-de inundaciones no controladas como Epidemic hastainundaciones controladas con n copias. En particular,(Full) Epidemic [6] hace una copia del mensaje paratodos los nodos contactados, con el fin de aumentar laposibilidad de entregar el mensaje. El principal pro-blema de este protocolo es la sobrecarga, ya que cadanodo necesita almacenar una copia del mensaje pa-ra transmitirlo a los nodos contactados que todavıano lo tienen. En cambio, Spray & Wait [7] reducela sobrecarga, haciendo una diseminacion controladade n copias del mensaje. Este protocolo consta dedos fases, “spray”, donde las copias se distribuirana los contactos y, la segunda fase “wait” consiste enesperar que una de las copias llegue a su destino. So-lo puede existir una cierta cantidad de copias de unmensaje en la red en cualquier momento dado.

Finalmente, los protocolos probabilısticos (Proba-bilistic) se basan en la transmision de copias del men-saje a los nodos que tienen mas probabilidad de llegaral receptor. Por ejemplo, PRoPHET [8], se basa endeterminar que nodos son los mejores para reenviarlos mensajes con el fin de llegar a su destino final,basandose en el historial de contactos, reenviando el

PEDSIM

output trace

The ONE

input trace

Scenearios Setngs

Mobility

TraceMetrics

SceneariosScenarios

Mobility

TraceMobility

Trace

SetngsSetngs

MetricsMetrics

Conversion

Fig. 2.Esquema para la correcta creacion de una traza desdePedSim hasta ser inyectada en The ONE

mensaje solo a los nodos que tienen mayor probabi-lidad. PRoPHET V2 [25] es una mejora con respec-to a su primera version, donde se tiene en cuentaun parametro adicional, el tiempo de interconexionen segundos. Un enfoque similar tiene MaxProp [9],que intenta validar todas las rutas posibles para ca-da mensaje, almacenando el numero de saltos y laprobabilidad de que el mensaje llegue a su destino.Eventualmente, si el mensaje llega a su destino, solose tiene en cuenta esta ruta y el resto de las copiasse elimina de los nodos que fallaron.

Resumiendo, las diferentes variaciones de PRoP-HET y MaxProp son protocolos de encaminamientoque estiman la “previsibilidad de entrega” o “pro-babilidad de entrega” [26], que a su vez se usa paradecidir si una copia del mensaje se transmite a unnodo encontrado. Sin embargo, la estimacion correc-ta de esta probabilidad no es una tarea facil ya quese basa en su comportamiento anterior (es decir, enel pasado). Sin embargo, como demostramos en estetrabajo, los contactos anteriores no pueden prede-cir su comportamiento futuro, ademas los nodos conuna estimacion alta de probabilidad de entrega queabandonan el escenario pueden afectar de forma sig-nificativa los resultados obtenidos.

IV. Metodologıa

Para evaluar los diferentes protocolos en escena-rios con alto grado de renovacion de personas, he-mos empleado PedSim y el simulador ONE. En estaseccion describimos primero la configuracion de lasimulacion, que describe el proceso empleado paraevaluar los diferentes escenarios. Y a continuaciondescribimos los diferentes escenarios utilizados en laevaluacion del desempeno.

A. Proceso de Evaluacion

El proceso de evaluacion del rendimiento incluyen-do las herramientas y metodos utilizados en los ex-perimentos esta esquematizado en la figura 2. Se usaPedSim para generar una traza de movilidad basadaen un script del escenario. La traza de movilidad ge-nerada se importa a ONE, donde podemos evaluar elcomportamiento de los diferentes protocolos de difu-sion, generando diferentes metricas.

PedSim [5] es un simulador microscopico de gruposde peatones de codigo abierto. Usando este simuladorde movilidad, podemos crear nuestros propios esce-narios (principalmente edificios o areas urbanas) ydefinir el numero de peatones, tipo de movimiento

Jornadas SARTECO 2018 391

y destino. PedSim consta de dos herramientas: unabiblioteca C++ que permite utilizar la dinamica delos peatones en tu propio software y una herramientade visualizacion en tiempo real. Se pueden configu-rar varias opciones con respecto a la movilidad depeatones, desde el numero de peatones en un areaparticular, la velocidad a la que viajan, el tiempo enque un grupo de peatones ingresa o sale, etc. Los es-cenarios pueden contener paredes, obstaculos fijos ymoviles, por lo que permite definir areas muy realis-tas.

Cuando se ha definido el escenario, PedSim simulael movimiento de los peatones sobre la base de un mo-delo generico de ecuaciones diferenciales acopladas,conocido como modelo de fuerza social, desarrolladopor Helbing et al.[27]. Este modelo de fuerza social seusa generalmente en este tipo de simuladores de pea-tones como Legion y SUMO. La simulacion generael movimiento de los peatones en las areas definidas,pudiendo observar el escenario y los movimientos enel visualizador en tiempo real.

La salida generada por el simulador PedSim seutiliza como entrada al simulador ONE, aunque esnecesario realizar un nuevo formateado, tal como sedescribe a continuacion. El principal problema es queONE requiere que, durante toda la simulacion, todoslos nodos se coloquen en el escenario, sin permitir quelos nodos entren o salgan. Para solucionar el proble-ma, todos los nodos se incluyen en la traza desde elprincipio y solo los que se encuentran en el area eva-luada se marcan como nodos activos para que puedancomunicarse. Despues de esta conversion, las trazasresultantes seran procesados por ONE.

ONE (Opportunistic Network Environment) [2],es una herramienta de simulacion especialmente di-senada para evaluar OppNets. Este ofrece una ampliavariedad de modelos de movilidad, e incluye los prin-cipales protocolos de difusion como Epidemic, PRoP-HET, Spray &Wait, etc. Tambien puede generar unavariedad de informes, como el movimiento de nodospara enviar mensajes y estadısticas generales.

B. Escenarios

Los experimentos se basan en la creacion de un es-cenario abierto donde las personas puedan ingresar ysalir. Nuestro escenario real corresponde a la “Plazade la Virgen” en la ciudad de Valencia (39.476481�

Lat , -0.375264� Lon), como se muestra en la figura3(a). Este es un lugar tıpicamente turıstico, tenien-do casi siempre un alto grado de renovacion de per-sonas. El area seleccionada tiene una dimension de120⇥120 metros. De este escenario real definimos enPedSim un area fısica con los obstaculos y espaciosabiertos donde el peaton puede entrar y salir, comose muestra en la figura 3(b).

Hemos definido cuatro escenarios con diferentes ta-sas de renovacion. Todos los escenarios se generaronpara un tiempo de simulacion de 1 hora y el numerode peatones en el lugar permanecio igual: 100 perso-nas.

1. No Renovacion, donde los peatones se quedan

en el lugar durante todo el tiempo de la simu-lacion. Este escenario fue creado con el fin deevaluar el comportamiento de los protocolos deencaminamiento cuando no existe renovacion.

2. (Low) Baja Renovacion, 50 peatones son re-emplazados cada 15 minutos (50 peatones dejanel lugar y entran 50 peatones nuevos) al final elnumero de peatones que habran pasado por elarea sera de 250.

3. (Medium) Media Renovacion, la tasa de re-novacion es de 50 peatones cada 5 minutos, te-niendo un total de 650 peatones en 1 hora.

4. (High) Alta Renovacion, es considerada lasituacion extrema, en la que 50 peatones son re-novados cada minuto, al terminar la simulaciontendremos un total de 3050 peatones que hanpasado por el lugar.

La renovacion y el movimiento de peatones se im-plementaron en PedSim de la siguiente manera: la“Plaza” tiene siete entradas / salidas para que lospeatones se coloquen aleatoriamente en cualquierade las entradas. El movimiento de peatones dentrode la plaza sigue el modelo de fuerza social con unavelocidad entre 0.3-1.5 m/s, moviendose a traves delos puntos de interes que se han definido como princi-pales, como se muestra en la figura 3(b). Estos puntosse definen como los lugares a los donde van y se paranlos peatones (como monumentos, restaurantes, etc.).Con respecto a la renovacion de los peatones, en cadaintervalo de renovacion, se selecciona aleatoriamen-te un numero determinado de nodos de los peatonesque se encuentran en el escenario, notificando a es-tos nodos que salgan del mismo usando una de lassalidas. A continuacion, se crean 50 nuevos nodos yse ubican aleatoriamente en una de las entradas.

C. Simulador para OppNet

A partir de los escenarios definidos anteriormen-te, podemos proceder a evaluar el rendimiento de losdiferentes protocolos cuando los peatones usan Opp-Net para enviar mensajes entre ellos. Este es un casode uso tıpico, en el que se decide compartir texto,imagenes o vıdeos (por ejemplo, informacion turısti-ca) entre amigos. Como el tamano del mensaje esun factor importante para evaluar el rendimiento, seconsideraron tres tamanos de mensaje: un mensajecorto de texto (1 kB), una imagen o foto de bajaresolucion (1 MB) y un vıdeo breve o una imagende alta resolucion (10 MB). En detalle, simulamos latransmision de mensajes entre un par de nodos quese encuentran en el lugar. Los mensajes se generancada minuto, con el remitente y el destino selecciona-dos al azar. Dado que la simulacion dura una hora, elnumero total de mensajes generados es 60. Los men-sajes se transmiten usando Bluetooth, con un rangodefinido de 8 metros y un ancho de banda prome-dio de 2Mbps. Los parametros fijos de la simulacion,incluidos los definidos en el escenario de PedSim, seencuentran en la tabla I.Se evaluan cinco protocolos de encaminamiento:

Epidemic, PRoPHET, PRoPHET-v2, Spray & Wait

392 Jornadas SARTECO 2018

(a) Vista real de la Plaza (b) Escenario generado en PedSim

Fig. 3.Escenario de los experimentos. Un lugar turistico la tıpica plaza de peatones, conocida como Plaza de la Virgen, localizadaen Valencia - Espana. Sus dimensiones son aproximadamente 120⇥ 120 metros. Esta rodeada de varios edificios, iglesias, ycon una fuente en su centro, cuenta con siete accesos peatonales. En la derecha de la figura podemos ver el escenario generadoen PedSim con varios peatones entrando y saliendo del lugar. Ademas podemos ver los puntos de interes con cırculos.

TABLA I

Parametros Fijos de la Simulacion

Parametros Valor

Movimiento Subarea Sintetica

Area Rectangular (m2) 14400Peatones 100

Velocidad Peatonal (m/s) 0.3 - 1.5Interfase Bluetooth

Tx Rango radio (m) 8Tx Velocidad (Mbps) 2Tamano de Mensajes 1 KB, 1MB, 10MB

Memoria del dispositivo 1 GBTTL (min) 720 (por defecto)

Tiempo de simulacion (seg.) 3600

y MaxProp. En la tabla II, podemos ver los parame-tros de configuracion adicionales requeridos en algu-nos de estos protocolos. Con respecto a los protoco-los de inundacion, tambien experimentamos con dife-rentes valores. Especıficamente, en el protocolo Epi-demic, podemos limitar la inundacion reduciendo eltiempo de vida del mensaje (TTL). Como veremos enla siguiente seccion, reducir este tiempo de vida me-jorara el rendimiento del encaminamiento epidemicoen escenarios con altas tasas de renovacion. Tambienpodemos controlar la difusion en el protocolo Spray& Wait, para lo que se han utilizado dos valores di-ferentes: 100 y 200 copias.

Finalmente, de las simulaciones obtuvimos cincometricas diferentes. Para cada escenario evaluado,la simulacion se repitio 10 veces, por lo que obtu-vimos valores promedios de las metricas. La metricade rendimiento mas significativa en OppNets es laprobabilidad de entrega del mensaje (delivery proba-bility), que se obtiene como el numero de mensajesentregados correctamente dividido entre el numerototal de mensajes generados. Tambien es importantedeterminar la rapidez con la que se entregan estosmensajes, por lo que tambien obtuvimos el tiempo

TABLA II

Protocolos Evaluados y Parametros de Configuracion

Protocolo Valor

Epidemic TTL por defectoEpidemic TTL 120 120sEpidemic TTL 240 240s

PRoPHET Delivery Predictability = 0.75Transitivity Constant = 0.25

GAMMA = 0.98Time unit = 30 seg.

PRoPHET-v2 Delivery Predictability = 0.5Transitivity Constant = 0.9

GAMMA = 0.9Time unit = 30 seg.

Interconnection = 1800 seg.Spray & Wait 100 100 copiasSpray & Wait 200 200 copias

MaxProp Configuracion por defecto

de entrega medio (delivery time). Y finalmente, paraevaluar la sobrecarga de los diferentes protocolos, ob-tuvimos dos valores: el numero de mensajes iniciados(messages started), que comprenden todas las trans-misiones iniciadas de los mensajes, y el numero demensajes retransmitidos (messages relayed), es decir,todos los mensajes que se logran transmitir con exito.Si todos los mensajes se transmiten correctamente,la cantidad de mensajes iniciados y retransmitidoses la misma, pero cuando la duracion del contacto esbaja y el tamano del mensaje grande, la mayorıa delos mensajes no se pueden transmitir correctamente(no tienen tiempo suficiente), por lo que los mensa-jes retransmitidos exitosamente son mas bajos quelos mensajes que empezaron a retransmitirse.

V. Evaluacion

El objetivo de esta seccion es evaluar el rendimien-to de los protocolos de encaminamiento en los esce-narios descritos anteriormente. Antes de esta evalua-

Jornadas SARTECO 2018 393

0 10 20 30 40 50seconds

0

0.2

0.4

0.6

0.8

1P(

X T

)

nolowmediumhigh

renewal rate

Fig. 4.Funcion de Distribucion Acumulativa de la duracion delcontacto.

TABLA III

Numero de contactos y la duracion promedio para los

diferentes escenarios.

Tasa de Numero de DuracionRenovacion contactos Promedio (seg.)

no 69363 12.07baja 66809 10.83media 71596 9.81alta 97165 6.33

cion, dado que el numero y la duracion de los con-tactos tienen un gran impacto en estos protocolos,la tabla III muestra estos valores que se obtuvieronutilizando el simulador ONE, considerando una gra-nularidad de 1s. Esto es, cada segundo el simuladorconsidera la posicion de los nodos y determina quenodos estan dentro del rango o no para obtener elnumero total de contactos y su duracion. Se obser-va que la cantidad de contactos aumenta a medidaque aumenta la tasa de renovacion, pero su duraciontambien es muy reducida. Es decir, en los escena-rios con altas tasas de renovacion hay mas contactospero con menor duracion, lo que refleja, como se es-peraba, una mayor movilidad. Como veremos, estotiene un gran impacto en la probabilidad de entrega.Tambien obtuvimos la funcion de distribucion acu-mulativa (Cumulative Distribution Function - CDF)de la duracion del contacto (es decir, P (X T )), co-mo se muestra en la figura 4 donde podemos ver quepracticamente el 90% de todos los contactos tienenuna duracion inferior a 20s.La figura 5 muestra la probabilidad de entrega pa-

ra diferentes tamanos de mensaje y tasas de reno-vacion. Utilizando un tamano de mensaje de 1 KB(figura 5(a)), podemos ver que, para todos los pro-tocolos, la probabilidad de entrega es casi 1 con tasade renovacion baja o nula. La razon principal es quelos nodos permanecen en el lugar el tiempo suficien-te para entregar el mensaje al receptor. El aumentode la tasa de renovacion (a partir de la tasa media)tiene un impacto evidente en el rendimiento de algu-nos protocolos, como Epidemic y PRoPHET, ya quealgunos nodos abandonan el lugar antes de poder re-cibir el mensaje.

Aumentar el tamano del mensaje a 1MB tiene masimpacto en algunos protocolos, como se muestra enla figura 5(b). Particularmente, la probabilidad deentrega para el protocolo de Epidemic se reduce a0.5 para el escenario de alta renovacion. Esto se de-be a la estrategia de inundacion de este protocolo,que intenta hacer una copia de todos los mensajesactivos en todos los nodos. Es decir, cuando un nue-vo nodo ingresa al escenario y entra en contacto conun nodo, comienza a recibir todos los mensajes po-sibles hasta que el contacto finaliza. Para tamanosde mensajes de 1MB, se necesitan aproximadamen-te 1MB · 8/2Mbps = 5s para transmitir 1 mensaje,cuando los nodos tienen varios mensajes, algunos nose pueden transmitir, por lo que la efectividad de laentrega se reduce. Este efecto se puede evitar redu-ciendo el tiempo de vida de los mensajes, por lo quese eliminan los mensajes mas antiguos. Podemos verque efectivamente, la probabilidad de entrega paraEpidemic TTL 120 y Epidemic 240 aumenta 1. Estecomportamiento es muy similar al protocolo Spray& Wait, donde el numero de copias es limitado.

Por otro lado, los resultados del tamano del mensa-je de 10MB muestran que la probabilidad de entregase reduce drasticamente. Aunque los resultados parael escenario sin renovacion es de 0.5, para los otrosescenarios la entrega es muy baja. La razon principales el tiempo de transmision de los mensajes, que esaproximadamente 10MB · 8/2Mbps = 50s. Teniendoen cuenta que el 99.08% de los contactos tienen unaduracion de menos de 50 segundos (como se muestraen la figura 4), esto implica que muy pocos mensajesse pueden transmitir con exito. Esto tambien se pue-de ver en la figura 7(c), donde el numero de mensajesiniciados es muy alto, en comparacion con los que seretransmitieron con exito. Por lo tanto, la difusiones muy lenta, por lo que en los escenarios con mayo-res tasas de renovacion los mensajes no llegan a sudestino.

En cuanto al tiempo promedio de entrega (ver fi-gura 6), hay que tener en cuenta que estos valoresse han calculado solo con los mensajes que se hanentregado. Podemos ver que para mensajes con ta-manos de 1KB y 1MB, el tiempo de entrega de todoslos protocolos es siempre inferior a 100s, aunque au-menta ligeramente para 1MB. Ademas, parece queno hay impacto de la tasa de renovacion, ya que eltiempo de entrega es muy similar para todos los es-cenarios. Por otro lado, para los mensajes de 10MB,el tiempo de entrega aumenta notablemente, parti-cularmente para el escenario de no renovacion, dondealcanza valores cercanos a 1400s. Para Epidemic conTTL reducido el tiempo de entrega es casi el lımitedefinido. Para el resto de protocolos, podemos verque este tiempo se reduce en escenarios con mayormovilidad. Concretamente, podemos ver que en el es-cenario de alta renovacion, el tiempo de entrega essuperior a 120s, es decir, el doble del perıodo de re-

1Tambien probamos con valores de TTL mas altos, y losresultados son muy similares a la Epidemic (sin lımites) conun aumento significativo en la sobrecarga

394 Jornadas SARTECO 2018

no low medium highRenewal Rate

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

delivery probability

(a) 1KB

no low medium highRenewal Rate

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

delivery probability

(b) 1MB

no low medium highRenewal Rate

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

delivery probability

EpidemicEpidemic TTL 120Epidemic TTL 240PRoPHETPRoPHET-v2Spray & Wait 100cSpray & Wait 200cMaxProp

(c) 10MB

Fig. 5. Probabilidad de Entrega de los protocolos de difusion de mensaje en Escenarios con diferentes tasas de renovacion.

no low medium highRenewal Rate

0

10

20

30

40

50

60

70

80

90

100

deli

very

tim

e (s

ec.)

(a) 1KB

no low medium highRenewal Rate

0

10

20

30

40

50

60

70

80

90

100

deli

very

tim

e (s

ec.)

(b) 1MB

no low medium highRenewal Rate

0

200

400

600

800

1000

1200

1400

1600

1800

deli

very

tim

e (s

ec.)

EpidemicEpidemic TTL 120Epidemic TTL 240PRoPHETPRoPHET-v2Spray & Wait 100cSpray & Wait 200cMaxProp

(c) 10MB

Fig. 6.Tiempo de Entrega Promedio de los protocolos de difusion de mensaje en Escenarios con diferentes tasas de renovacion

no low medium highRenewal Rate

0

1

2

3

4

5

6

7

8

9

10

overhead (messages)

104

Epidemic - m. startedEpidemic - m. relayedEpidemic TTL 120 - m. startedEpidemic TTL 120 - m. relayedEpidemic TTL 240 - m. startedEpidemic TTL 240 - m. relayedPRoPHET - m. startedPRoPHET - m. relayedPRoPHETv2 - m. startedPRoPHETv2 - m. relayedSpray & Wait 100c - m. startedSpray & Wait 100c - m. relayedSpray & Wait 200c - m. startedSpray & Wait 200c - m. relayedMaxProp - m. startedMaxProp - m. relayed

(a) 1KB

no low medium highRenewal Rate

0

0.5

1

1.5

2

2.5

3

3.5

overhead (messages)

104

(b) 1MB

no low medium highRenewal Rate

0

1000

2000

3000

4000

5000

6000

7000

overhead (messages)

(c) 10MB

Fig. 7. Overhead de los protocolos de difusion de mensaje en Escenarios con diferentes tasas de renovacion

novacion. Esto tiene sentido, ya que 120s es el tiempopromedio que un nodo permanece en el lugar en esteescenario. Finalmente, comparando los resultados delos diferentes protocolos, se obtienen los valores masbajos para Epidemic TTL 120 y 240.

Finalmente, evaluamos los resultados de la sobre-carga (overhead) que se muestran en la figura 7. Enestos graficos cada protocolo tiene dos barras, que co-rresponden a los mensajes iniciados y retransmitidos,que son los que se transmiten con exito. En cuanto ala relacion entre los mensajes iniciados y retransmiti-dos, podemos ver que para un tamano de mensaje de1KB todos los mensajes se transmiten correctamen-te ya que ambas columnas son iguales, mientras quecuando el tamano aumenta a 1MB, algunos mensajesno se retransmiten, pero con mensajes de 10MB, lamayorıa de ellos no son retransmitidos. Esto se puedever como la peor de las situaciones para OppNets, yaque la mayorıa de las oportunidades de transmisionse desperdician.

Comparando los resultados para los diferentes pro-tocolos, podemos ver que la sobrecarga mas alta, co-mo se esperaba, es para el protocolo Epidemic, queaumenta cuando la tasa de renovacion es mas alta.

MaxProp tambien tiene una alta carga, penalizandolos buenos resultados de entrega. Los mejores resulta-dos se obtienen, precisamente, en los protocolos quecontrolan la inundacion de mensajes, como Spray &Wait, y Epidemic con TTL reducido.

En conclusion, excluyendo Epidemic y PRoPHET,la probabilidad de entrega de los protocolos de enca-minamiento es muy similar en todos los escenarios.Sin embargo, teniendo en cuenta otros aspectos co-mo el tiempo de entrega, el algoritmo de inundacioncontrolada Spray & Wait obtiene buenos resultadosde entrega con una sobrecarga baja.

En cuanto al impacto del tamano del mensaje,especıficamente para el caso cuando la cantidad demensajes sin retransmision es muy grande (en nues-tros experimentos el mensaje de 10MB), una bue-na opcion podrıa ser usar un protocolo activo comoFriendly Sharing [20], con el fin forzar el exitos en latransmision.

VI. Conclusiones

En este trabajo evaluamos el impacto de los proto-colos de encaminamiento en OppNet con renovacionde personas, es decir, usuarios que pueden ingresar

Jornadas SARTECO 2018 395

o abandonar el escenario evaluado. Este aspecto hasido escasamente estudiado, ya que ningun simula-dor o modelo puede evaluar directamente escenarioscon renovacion de personas. Para resolver esta limi-tacion, proponemos un procedimiento para evaluarestos escenarios en base a la combinacion de simula-dores de peatones realistas (PedSim) con simuladoresOppNet (ONE).

Usando esta metodologıa, evaluamos el rendimien-to de varios algoritmos de encaminamiento en dife-rentes escenarios de renovacion y tamanos de mensa-jes. Los resultados confirmaron que la tasa de reno-vacion tiene un impacto importante en el rendimien-to de los protocolos, que es particularmente relevantecuando el tamano del mensaje es grande. En general,el algoritmo de inundacion controlada como Spray &Wait obtiene buenos resultados de entrega con unasobrecarga menor que los protocolos probabilısticos,evitando tambien la complejidad de implementacionde estos ultimos.

Dado que el rendimiento de OppNets se reducedrasticamente en escenarios con una alta renovacionde usuarios, se deben disenar nuevos protocolos paramejorar la entrega en estos escenarios. Por lo tan-to, como trabajo futuro, estamos disenando un nue-vo protocolo basado en la combinacion de Spray &Wait con una espera activa y reenvıo selectivo paraaumentar la entrega.

Agradecimientos

Este trabajo fue parcialmente financiado por elMinisterio de Economıa y Competitividad, Progra-ma Estatal de Investigacion, Desarrollo e Innova-cion Orientada a los Retos de la Sociedad, ProyectosI+D+I 2014, Spain, under Grant TEC2014-52690-R, the Secretarıa Nacional de Educacion Superior,Ciencia, Tecnologıa e Innovacion del Ecuador (SE-NESCYT), Ecuador.

Referencias

[1] Luciana Pelusi, Andrea Passarella, and Marco Conti,“Opportunistic networking: data forwarding in discon-nected mobile ad hoc networks,” IEEE communicationsMagazine, vol. 44, no. 11, 2006.

[2] Ari Keranen, Jorg Ott, and Teemu Karkkainen, “The onesimulator for dtn protocol evaluation,” in Proceedings ofthe 2nd international conference on simulation tools andtechniques, 2009, p. 55.

[3] A. Mei and J. Stefa, “Swim: A simple model to generatesmall mobile worlds,” in INFOCOM 2009, IEEE, April2009, pp. 2106–2113.

[4] Kyunghan Lee, Seongik Hong, Seong Joon Kim, InjongRhee, and Song Chong, “Slaw: A new mobility model forhuman walks,” in INFOCOM 2009, IEEE, april 2009,pp. 855 –863.

[5] Christian Gloor, “Pedsim - pedestrian crowd simulation,”urlhttp://pedsim.silmaril.org, 2016.

[6] Amin Vahdat, David Becker, et al., “Epidemic routingfor partially connected ad hoc networks,” 2000.

[7] Thrasyvoulos Spyropoulos, Konstantinos Psounis, andCauligi S Raghavendra, “Spray and wait: an e�cientrouting scheme for intermittently connected mobile net-works,” in Proceedings of the 2005 ACM SIGCOMMworkshop on Delay-tolerant networking. ACM, 2005, pp.252–259.

[8] Anders Lindgren, Avri Doria, and Olov Schelen, “Pro-babilistic routing in intermittently connected networks,”ACM SIGMOBILE mobile computing and communica-tions review, vol. 7, no. 3, pp. 19–20, 2003.

[9] John Burgess, Brian Gallagher, David D Jensen,Brian Neil Levine, et al., “Maxprop: Routing for vehicle-based disruption-tolerant networks.,” in Infocom, 2006.

[10] Jorge Herrera-Tapia, Anna Forster, Enrique Hernandez-Orallo, Asanga Udugama, Andres Tomas, and PietroManzoni, Mobility as the Main Enabler of Opportunis-tic Data Dissemination in Urban Scenarios, pp. 107–120,Springer International Publishing, Cham, 2017.

[11] Augustin Chaintreau, Pan Hui, Jon Crowcroft, Christop-he Diot, Richard Gass, and James Scott, “Impact of hu-man mobility on opportunistic forwarding algorithms,”IEEE Transactions on Mobile Computing, vol. 6, no. 6,2007.

[12] Matthias Grossglauser and David Tse, “Mobility increa-ses the capacity of ad-hoc wireless networks,” in INFO-COM 2001. Twentieth Annual Joint Conference of theIEEE Computer and Communications Societies. Procee-dings. IEEE. IEEE, 2001, vol. 3, pp. 1360–1369.

[13] O. Helgason, S. T. Kouyoumdjieva, and G. Karlsson,“Opportunistic communication and human mobility,”IEEE Transactions on Mobile Computing, vol. 13, no.7, pp. 1597–1610, July 2014.

[14] Christian Bettstetter, Christian Wagner, et al., “The spa-tial node distribution of the random waypoint mobilitymodel.,” WMAN, vol. 11, pp. 41–58, 2002.

[15] Frans Ekman, Ari Keranen, Jouni Karvo, and Jorg Ott,“Working day movement model,” Proceeding of the 1stACM SIGMOBILE workshop on Mobility models - Mo-bilityModels ’08, pp. 33–40, 2008.

[16] Tzu-Chieh Tsai and Ho-Hsiang Chan, “Nccu trace:Social-network-aware mobility trace,” IEEE Communi-cations Magazine, vol. 53, no. 10, pp. 144–149, 2015.

[17] Fabrıcio A Silva, Clayson Celes, Azzedine Boukerche,Linnyer B Ruiz, and Antonio AF Loureiro, “Filling thegaps of vehicular mobility traces,” in Proceedings ofthe 18th ACM International Conference on Modeling,Analysis and Simulation of Wireless and Mobile Sys-tems. ACM, 2015, pp. 47–54.

[18] Vladimir Vukadinovic, Olafur Ragnar Helgason, andGunnar Karlsson, “An analytical model for pedestriancontent distribution in a grid of streets,” Mathematicaland Computer Modelling, vol. 57, no. 11–12, pp. 2933 –2944, 2013.

[19] L. Pajevic and G. Karlsson, “Characterizing opportunis-tic communication with churn for crowd-counting,” in2015 IEEE 16th International Symposium on A Worldof Wireless, Mobile and Multimedia Networks (WoW-MoM), June 2015, pp. 1–6.

[20] Jorge Herrera-Tapia, Enrique Hernandez-Orallo, AndresTomas, Pietro Manzoni, Carlos Tavares Calafate, andJuan-Carlos Cano, “Friendly-sharing: Improving the per-formance of city sensoring through contact-based messa-ging applications,” Sensors, vol. 16, no. 9, pp. 1523, 2016.

[21] Yang Zhang and Jing Zhao, “Social network analysison data di↵usion in delay tolerant networks,” in Pro-ceedings of the Tenth ACM International Symposium onMobile Ad Hoc Networking and Computing, New York,NY, USA, 2009, MobiHoc ’09, pp. 345–346, ACM.

[22] Camilo Souza, Edjair Mota, Leandro Galvao, PietroManzoni, Juan Carlos Cano, and Carlos T Calafate, “Fsf:Friendship and selfishness forwarding for delay tolerantnetworks,” in Computers and Communication (ISCC),2016 IEEE Symposium on. IEEE, 2016, pp. 1200–1207.

[23] Sergio Martınez Tornell, Carlos Miguel Tavares Calafa-te, Juan-Carlos Cano, and Pietro Manzoni, “Dtn proto-cols for vehicular networks: An application oriented over-view.,” IEEE Communications Surveys and Tutorials,vol. 17, no. 2, pp. 868–887, 2015.

[24] Sushant Jain, Kevin Fall, and Rabin Patra, Routing ina delay tolerant network, vol. 34, ACM, 2004.

[25] Anders Lindgren, Elwyn Davies, Samo Grasic, and AvriDoria, “Probabilistic routing protocol for intermittentlyconnected networks,” 2012.

[26] Jouni Karvo and Jorg Ott, “Time scales and delay-tolerant routing protocols,” in Proceedings of the thirdACM workshop on Challenged networks. ACM, 2008, pp.33–40.

[27] Dirk Helbing and Peter Molnar, “Social force model forpedestrian dynamics,” Phys. Rev. E, vol. 51, no. 5, pp.4282–4286, 1995.

396 Jornadas SARTECO 2018