Full text
MásterenTecnologíasdelaInformacióny ComunicacionesenRedesMóviles TRABAJOFINDEMASTER ESTIMACIÓNEXTREMOAEXTREMODEANCHO DEBANDADISPONIBLEPARAREDESDEALTA CAPACIDAD:IMPLEMENTACIÓNY EVALUACIÓNDEHERRAMIENTAS AUTOR:JOSÉIGNACIOAZNARBARANDA DIRECTOR:JULIÁNFERNÁNDEZNAVAJAS PONENTE:JOSÉRUIZMAS UNIVERSIDADDEZARAGOZA SEPTIEMBRE‐2010
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza A Mamá, Papá y Juan. A mis abuelos. I|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza “Stepbystep.Ican'tthinkofanyotherwayofaccomplishing anything.Thegameismylife.Itdemandsloyaltyand responsibility,anditgivesmebackSatisfactionandpeace”. MichaelJordan “Lalibertad,Sancho,esunodelosmáspreciososdonesque aloshombresdieronloscielos;conellanopuedenigualarse lostesorosqueencierranlatierrayelmar:Porlalibertad,así comoporlahonrasepuedeydebeaventurarlavida”. MigueldeCervantesSaavedra II|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza RESUMEN Eldesarrollodenuevastecnologíasderedyservicioscadavezmáspersonalizados,conlleva unaseriederequerimientosquehacenqueelsobre‐dimensionamientoderecursosderedno sealamejorsoluciónensituacionesdecongestiónofaltaderecursos.Unaposiblealternativa, consisteenrealizarunaadecuadagestióndelosparámetrosdecalidaddeservicio(Qualityof Service,QoS)atravésdeunaestimacióndelosmismosyunaposterioractuaciónenfunción delestadodelaredydelasnecesidadesparticularesdecadaservicio. Unodelosparámetrosdemayorrelevanciaeselanchodebandadisponible(Available Bandwidth,ABW).Sibienexistenotrosparámetros(e.g.retardoextremoaextremo,tasade pérdidas)asímismoimportantes,elABWesfundamentalespecialmenteenelactual panoramadeserviciosmultimedia,loscualesprecisanmayoreficienciayflexibilidadensu provisión.LastécnicasdeestimacióndeABWconstituyenunaherramientafundamentalenla gestiónderecursosentiemporeal,enelcontroldeflujoycontroldecongestión,otambiénen ladeteccióndeerroresderedytécnicasdecontroldeadmisión.Sinembargo,lastécnicasde estimacióndeABWpresentanciertoescepticismosobrelaidoneidaddelasmismasenla obtencióndemedidasentérminosdeprecisión,escalabilidadeintrusividadenelsistema, especialmenteenredesconenlacesdealtacapacidad. ElTFM“Estimaciónextremoaextremodeanchodebandadisponiblepararedesdealta capacidad:implementaciónyevaluacióndeherramientas”planteaenunentornode simulación,laimplementacióndeunaherramientadeestimacióndeABW,activa,extremoa extremoyquepermitaalestadodecongestióndelared,manteniendouncompromisoentre laprecisión,laintrusividadylacomplejidaddelasestimaciones.ElTFMsedesarrollaenel marcodelproyectoRUBENS[EU‐3187CP5‐020]enelqueelGrupodeTecnologíasdelas Comunicaciones(GTC)delaUniversidaddeZaragoza,espartícipedediversastareas,entre ellas,lapropuestadeunaherramientadeestimacióndeABWextremoaextremo. III|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza ÍNDICEDEFIGURAS FIGURA1:DiagramafuncionaldelaarquitecturaRUBENSqueincluyeelsistemademonitorizaciónde ABW………………………………………………………………………………………………………………………………………………..………3 FIGURA2:ClasificacióndeherramientasdeestimacióndeABW…………………………………………………………….9 FIGURA3:EstimaciónactivabasadaenPGM…………………………………………………………………………………………..9 FIGURA4:TriángulodecompromisoadoptadoporlosmétodosdeestimacióndeABW………………………11 FIGURA5:Fish‐eyecomoposibletasadepruebas.Analogíaconlaformadelojo…………………………………15 FIGURA6:Retardodeencolamientodeuntrendepaqueteschirp……………………………………………………….16 FIGURA7:Clasificacióndelossistemasdesimulación…………………………………………………………………………..23 FIGURA8:Metodologíageneraldelestudiodesimulación……………………………………………………………………24 FIGURA9:ImplementacióngenéricadeunescenarioderedenOPNET………………………………………………..29 FIGURA10:Escenarioimplementadoysuscaracterísticasparalarealizacióndesimulaciones……………..30 FIGURA11:Sectorizacióndelastasasconfiguradasparalospaquetesdeuntrendeestimación…………33 FIGURA12:Simplificacióndelprocesadodedatos:TraslacióndetiempoaABWymétricas…………………38 FIGURA13:ProcesadoymedidadeABWapartirdelmétodobasadoenregresiónlineal……………………39 FIGURA14:EstimacióndeABWparaunasituacióndecongestiónmedia.Estadísticasparadistintos conformadosdeltrenydistintonúmerodepaquetesportren.MétodoPRM……………………………………..45 FIGURA15:EstimacióndeABWparaunasituacióndecongestiónelevada.Estadísticasparadistintos conformadosdeltrenydistintonúmerodepaquetesportren.MétodoPRM……………………………………..46 FIGURA16:CálculodelerrorrelativocometidoenlaestimacióndeABWensituacionesdecongestión mediayelevada.Estadísticasparadistintosconformadosdeltrenydistintonúmerodepaquetespor tren.MétodoPRM…………………………………………………………………………………………………………………………………47 FIGURA17:Cálculode ensituacionesdecongestiónmediayelevada.Estadísticasparadistintos conformadosdeltrenydistintonúmerodepaquetesportren.MétodoPRM…………………………………….49 FIGURA18:Bondaddeajusteconregresiónlineal ensituacionesdecongestiónmediayelevada. Estadísticasparadistintosconformadosdetrenynúmerodepaquetesportren.MétodoPRM…………..50 FIGURA19:EstimacióndeABWparasituacionesdecongestiónmedia(izquierda)ycongestiónelevada (derecha).MétodoPGM………………………………………………………………………………………………………………………..51 FIGURA20:DiagramadesituacióndeenmascaramientoyerrorenlaestimaciónconelmétodoPGM..52 FIGURA21:DiagramadesituacióndeestimacióndelacapacidadynodelABW.Falloenlaestimación.52 FIGURA22:TiempodeestimacióndeunamuestradeABWrequeridoporelmétodobasadoenPGM…54 IV|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza ÍNDICEDETABLAS TABLA1:Principalescaracterísticasdelasherramientasdeestimación………………………………………………..10 TABLA2:ResumendesimulacionesmásrelevantesparalavalidacióndelmétodoPRM……………………..34 TABLA3:ResumendelaconfiguracióndeparámetrosparaelmecanismobasadoenPGM………………..37 TABLA4:Resumendesimulacionesrealizadasparaelanálisisdelasherramientasdeestimaciónde ABW………………………………………………………………………………………………………………………………………………………44 TABLA5:Principalescaracterísticasdelasherramientasdeestimación………………………………………………..48 TABLA6:IntrusividaddelmétodobasadoenPGMparalosescenariosdecongestiónmediayalta………53 V|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza LaUniversidaddeZaragoza,haparticipadodeesteproyectoapartirdelaimplementacióndel sistemaSMQoE(entreotrastareas)esdecir,deunsistemadeestimacióndeanchodebanda disponible. EnelcontextodelproyectoRUBENS,lanecesidaddeestimacióndeABWseencuentra íntimamenteligadaalafilosofíadelmismo:Gestionardemaneraeficiente(económicay tecnológicamente)losrecursosdereddisponibles,rompiendoconlaideadequeelsobre‐ dimensionamientoderedeseslamejorsoluciónparaevitarsituacionesdecongestión.El sobre‐dimensionamiento(overprovisioning)derecursosnoeslasoluciónmásacertada;las redesestánconstruidasdelaformaenqueestánconstruidasytratardeponerparchesnoes lamejorsolución.Unagestiónadecuadaderecursosapoyadaentécnicastalescomola estimaciónymonitorizaciónderecursos,resultamásadecuadoquepretenderincrementarel anchodebanda,almenosdesdelospuntosdevistadeI+Dyeconómico. 1.3.OBJETIVOSDELTFM ElobjetivofundamentaldelTFMconsisteenplanteareimplementarenunentornode simulación,unaherramientadeestimacióndeABWactiva,extremoaextremoyquepermita deformadinámicaadaptarsealestadodecongestióndelaredmanteniendouncompromiso entrelaintrusividad,complejidadyprecisióndelasestimacionessiempreenelcontextodel proyectoRUBENS.Atalfin,sehaseguidounametodologíaparalaimplementacióndelsistema desimulaciónysehadivididoelprocesoendosobjetivosparcialesydiferenciados. Porunladosehallevadoacaboelanálisisdeherramientasdeestimaciónextremoaextremo relevantesparalaposteriorimplementacióndelsistema.Sehanimplementadoyevaluado algunasdeestasherramientasafindeestudiarsuvalidezoserdescartadasenelcontextodel proyectoRUBENS.Laplataformadesimulaciónescogidaparatodoelproyectodesimulación esOPNETModelerencolaboraciónconMicrosoftVisualStudio. Porotrolado,sehanestudiadodiversastécnicasdefiltradoymétodosdeprocesadoy traslacióndeparámetrostemporales(outputdelasherramientasdeestimación)aunidadesde anchodebanda.Variasdeestastécnicashansidotambiénimplementadasparaestudiarla posibilidaddeincorporarlasaldiseñodelaherramienta.Estastareassehanrealizadoapartir delaherramientaMATLABv7.04. Laintegracióndeambaspartesconstituyeelpasofinaleneldesarrolloeimplementacióndel mecanismodeestimacióndeABW. 1.4.ORGANIZACIÓNDELPROYECTO Trasesteprimerapartadodeintroducción,lamemoriasedivideendiferentescapítulosque explicanlospasosseguidosenlaejecucióndelTFM.Lamemoriasecompletaadicionalmente conlabibliografíayanexos.Enelcapítulo2sepresentaunarevisiónyanálisisdelas principalesherramientasdeestimaciónactivas,extremoaextremoqueseajustanalos 4|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza requerimientosdelaarquitecturaRUBENSasícomoseexplicanlastécnicasdefiltradoy procesadodedatosanalizadaseimplementadasysejustificalaeleccióndelasmásadecuadas. Enelcapítulo3seexplicalametodologíadesimulaciónutilizadaconobjetodeconferirvalidez alasmedidasobtenidas.Acontinuación,enelcapítulo4seintroducelaestructuradel proyectodesimulaciónyseexplicaelmecanismodeestimacióndeABWysuimplementación apartirdeOPNETModeleryMATLAB.Losresultadosmásrelevantesderivadosdelas simulacionesrealizadasseexponenenelcapítulo5.Finalmente,lasconclusionesmás relevantesyposibleslíneasfuturasdetrabajoabiertassepresentanenelcapítulo6. 5|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza 6|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza CAPÍTULO 2. REVISIÓN DEL ESTADO DEL ARTE. 7|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza CAPÍTULO2.REVISIÓNDELESTADODELARTE 2.1.CLASIFICACIÓNDELASHERRAMIENTASDEESTIMACIÓNDE ANCHODEBANDA ExistenungrannúmerodetécnicasymecanismosdeestimacióndelABWenlaliteratura.Si bienexistendiversasclasificacionesytaxonomíasdelasmismas,lamásaceptadalasdivideen dosgrandesgrupos: Herramientaspasivas:Lasmedidaspasivasutilizanregistrosdetrazasdedatostransmitidosa travésdelenlace(path)deinterés.Atravésdelacapturadetráficoendeterminadosnodosde laredesposibleobtenerestadísticassobreelABWyotrasmétricasdeQoS.Sinembargoen entornosrealesestetipodetécnicasnoresultaviable,dadalaelevadainversiónenequiposy dispositivosnecesariosparacapturar,analizaryestimarelABWentiemporeal.Estastécnicas seconocenconelnombredeDeepPacketInspection(DPI)[7]ysibienlosproveedoresdered lasutilizanensusinfraestructuras,actualmentenosehaplanteadocomoalternativaparala estimacióndeABWenelladodelosusuariosfinales.Porotrolado,losoperadoresrestringen lasfuncionalidadesdesusrouterpormotivosdeseguridadresultandoimposiblecontrolarlas pruebas.Adicionalmente,losalgoritmosdecontroldecongestión,losbufferylosmecanismos decompeticiónparaaccesoalmediopuedeninfluenciarlautilizaciónmáximadelenlace, alterandolaprecisióndelasmedidas[8].Algunasherramientasdeestimaciónpasivase asocianasistemasdegestióncomoSNMPoasistemasdeanálisiscomoNetflow[9]oIPFIX [10].TambiénSehanrealizadoalgunosestudios[11]basadoencapturadetráficoADSLenlos extremosysuposterioranálisis,peroqueresultaninsuficientespararealizarestimaciones medianamenteprecisasdeABW.Porestosmotivos,lostrabajosdeinvestigaciónsehan orientadomáshaciaalgoritmosdemedidaextremoaextremoqueintroducentráficoenla red.Sonlosdenominadométodosoherramientasactivas. Herramientasactivas:Lasherramientasactivassecaracterizanporrealizarlaestimaciónde ABWinfiriendotráficoenlaredyobservandolosefectosquelospaquetesdemonitorización producenenlosnodosintermediosapartirdesucapturaenelextremoreceptor.Las herramientasactivaspuedenserextremoaextremoencasodequelaestimaciónseproduzca entrelosnodosfinalesdelaredobienper‐hop,silaestimaciónsellevaacaboencadaunode lossaltosintermediosqueconstituyenelenlaceentrelosnodosorigenydestinoquese pretendenverificar. 8|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza FIG2:ClasificacióndeherramientasdeestimacióndeABW. Asuvez,bienseanextremoaextremo,bienper‐hop,lasherramientasactivasseclasifican tambiénenfuncióndeltráficoinyectadoenlared. Porunladoencontramosmecanismosbasadosenlatransmisióndeparesdepaquetes denominadosPGM(ProbeGapModel).LosalgoritmosPGMbasanlaestimacióndelABWenla dispersiónentredospaquetesconsecutivosenelreceptor,locualestáestrechamente relacionadoconelvolumendetráficointerferenteenelenlacecrítico[12].Lafigura3 muestraelconceptodeestemecanismo. FIG3:EstimaciónactivabasadaenPGM. LosmétodosbasadosenPGMtienencomoprincipalventajaelhechodeserpocointrusivos(el volumendetráficoinyectadoespequeñoencomparaciónconeltráficodedatosreal).Por otroladoestetipodemétodosrequierenengeneralquelacapacidadseaunparámetro conocidodeantemanoypresuponenqueelenlacecuellodebotella(narrowlink)yelenlace crítico(tightlink)sonelmismo,locualnosiempreescierto[13]especialmenteenenlacesde 9|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza Internet.Estasuposiciónpuedellevaraerror,derivandoenresultadosquesubestimanelABW ensituacionesdeenlacesmulti‐salto.AlgunosejemplosdemétodosPGMdereferenciason Pathrate[14],SPRUCE[15],IGI[16]yAbing[17]. OtrogrupodemétodosactivossedenominaProbeRateModel(PRM).Estetipodemétodos sebasanenelconceptodecongestióninducida.Enelreceptor,losretardosdelospaquetes deestimaciónsonmedidosparadeterminarelinstanteenquelacongestiónsehacepatente enelsistema.ElABWcoincideconlatasademonitorizacióneneseprecisoinstante[3].Los métodosbasadosenPRMtienendoslimitacionessignificativas:Enprimerlugarlointrusivo queengeneralresultanparaelsistema,dadalaingentecantidaddepaquetesinyectadospara laestimación.Ensegundolugar,sonmétodoscuyaestimaciónrequiereuntiempodeproceso elevado,restandoutilidadensituacionesdemonitorizacióndelosconsiderados“real‐time”.La principalventajaquepresentanconrespectoalosmétodosPGMresideenunamayor precisióndelasmedidas[4].Ejemplosdemétodosmásactualesenlaliteraturaybasadosen PRMsonPathchirp[18]ysuevolucióne‐Pathchirp[19],ASSOLO[4]oFEAT[20].Latabla1 resumelasprincipalesventajasylimitacionesdelosmétodospresentados. HERRAMIENTASPASIVASHERRAMIENTASACTIVAS PGMPRM TIPODEANÁLISIS Microscópico(oporpaquete). Macroscópico(oporflujo).MicroscópicoMicroscópico Macroscópico VENTAJAS Bajaintrusividad Condicionesrealesdeuso Estimacionesrápidas Bajaintrusividadengnral. Controlables ViablesE2E MásprecisasquePGM ViablesE2E. LIMITACIONES Volumendedatos NoviablesparaE2E Imposiblecontroldepruebas MenosprecisasquePRM. Asuncionespocorealistas Intrusividadelevada. TABLA1:Principalescaracterísticasdelasherramientasdeestimación. Enelpresentetrabajo,seharealizadounanálisisdelaspropiedades,fortalezasylimitaciones delasherramientasdeestimaciónactivasquerepresentanMÉTODOlogíasdestacadasy actuales,afindeestablecersuutilidadparalosrequisitosestablecidosporlaredRUBENS.Las consideradasmásinteresantes,hansidoreproducidasenescenariosdesimulación.Elresto hansidodescartadasporresultarobsoletasonocumplirlosrequisitosexigidos.Estos requerimientossedescribenenlasiguientesección. 2.2.CARACTERÍSTICASYREQUERIMIENTOSDELASHERRAMIENTASDE ESTIMACIÓN AlahoradeevaluarherramientasdeestimacióndeABW,existen3métricasfundamentales quedeterminanlavalidezyviabilidaddeimplementacióndelasmismas.Estasmétricassonla precisióndelasmedidasrealizadas,eltiemponecesariopararealizarunaestimaciónyla intrusividaddelaherramientaenelsistema. 10|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza FIG4:TriángulodecompromisoadoptadoporlosmétodosdeestimacióndeABW. Laprecisiónfacilitaunvalorcuantitativoquecomparalaestimaciónextremoaextremodel ABWconlaelvalorreal,supuestoconocidoporelevaluador[3].Laprecisiónvienedadaporla estimacióndelerror,oloqueeslomismo,encuántolaestimaciónsedesvíadelvaloractual realentérminosporcentuales(errorrelativo)yabsolutos(errorrelativo). Laintrusividadserelacionaconlacantidaddepaquetesdepruebaquelasherramientas inyectanenlaredparaobtenerunaestimación[3].Paralaevaluaciónyvalidacióndela herramientadeestimaciónquesepresentaenesteTFM,laintrusividadsedefinecomoel porcentajedetráficodelaherramientautilizadoparaobtenerunamedidaconrespectoala capacidadtotaldeenlacemáscongestionadooTightLink. Eltiempodelaestimaciónesunamedidadeltiemporequeridoporlaherramientapara facilitarunvalordeABW.Semideensegundos[3].En[33]sesugierequeeltiempode estimaciónparaaplicacionesmultimediaseainferiora1segundo. Existenadicionalmentedosmétricasrelacionadasconlasmétricastécnicasanterioresyque tambiénsonfundamentales.Setratadelafiabilidadycredibilidaddelasestimaciones realizadas. Fiabilidad:Lafiabilidaddeunsistemasedefinecomolaprobabilidaddequeesesistema realiceunaciertafunciónbajocondicionesfijadasyduranteunperiododetiempo.La fiabilidaddelasmedidasesunamétricanotenidamuyencuentaenentornosdesimulación. Laverificacióndelsistemaimplementado,lareproduccióndelmismoylacomparaciónde resultadosesfundamentalenelprocesodevalidaciónyverificacióndelaherramientade estimacióndeABW. Credibilidad:Lacredibilidaddelostrabajosdesimulacióntambiéndebeestarpatente.Algunas suposicionesyasuncionesnosonciertasonopuedenserconsideradascomoválidasparala 11|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza validacióndelosmodelosdesimulación.Lacredibilidadesunamétricapuestaenteladejuicio alolargodelosúltimosaños[34]. Deacuerdoconlasmétricaspresentadas,laherramientaidealseríaaquellaquepresentaraun gradodeprecisiónmuyalto,sinapenasinyectartráficoenlaredylohicieraenunespaciode tiempoinferioraunsegundo.Sinembargo,lastresmétricassonantagónicasyencontraresta herramientaidealesdemomentounautopía.PorestemotivoenelpresenteTFMsepretende simularunaherramientaquepresenteuncompromisoypermitamantenerunequilibrio priorizandounascaracterísticasfrenteaotras,enfuncióndelosrequerimientosdelaredque seestémonitorizandoydelosserviciosqueseesténfacilitando. • Porejemplo,enlaaplicacióndeherramientasdeestimacióndeABWparala compilacióndelosSLAs(ServiceLevelAgreements),laprecisióndelasmedidases fundamentalparaverificarqueseestáncumpliendolostérminosdelcontrato.Sin embargo,eltiempodeestimaciónrequeridonoestanimportante. • EncasodequelaherramientaseutiliceparagestionarunsistemaCACyserá necesarioqueeltiempodeestimaciónseamínimoparaquelaredseacapazde reaccionarfrenteacambiosbruscosenlared.Adicionalmenteesnecesarioquela herramientainyectepocotráfico.Sinembargo,laprecisióndelasmedidaspuede considerarsemedia. • Comoúltimoejemplo,sepresentaelcasoenquelasherramientasdeestimaciónse utilicenparaladeteccióndeataquesdeseguridad:Enestetipodeaplicación,el tiempodeestimaciónylafiabilidadsonlasmétricasfundamentales. Sepresentaacontinuaciónunresumendelasventajasylimitacionesdelasherramientas analizadasy/otestadas.EnelanexoIIIseencuentraunaversiónextendidadeesteresumen. Apartirdelestudiodelimpactolasherramientasentérminosdeintrusividad,precisióny demásmétricascomentadasenlasecciónanterior,sehapropuestounmétododeestimación, quenopretenderomperconlosesquemasyaestablecidos,sinoaunarlascaracterísticasmás favorablesdecadaunodeellosafindeimplementarunaherramientaoptimizadaenlas métricasdeinterésparalaarquitecturaRUBENS. 2.3.TÉCNICASDEOBTENCIÓNDEPARÁMETROSTEMPORALES 2.3.1.REVISIÓNDELASPRINCIPALESTÉCNICASDEOBTENCIÓNDEPARÁMETROS TEMPORALES MÉTODOENDE Setratadeunaherramientaextremoaextremoparaaplicacionestipomultimediaquesiguela metodologíaPGMyutilizacomométricaparalaestimaciónlosparámetrosOWDyRTT[22]. Ventajas: 12|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza • Simplicidaddelmétodobasadaenparesdepaquetesdedistintotamaño. • Presentaunaprecisiónrazonableyutilidadenentornosmultimedia. Limitaciones: • Lareproductibilidaddelosresultadosapartirdelainformaciónfacilitadaesinviable. • Noseexponeelescenariodepruebasoelentornodetest‐bedrealizado.Noesposible establecerlascapacidadesdelosenlacessobrelosquesehanrealizadolos experimentos. • Nofuncionaparaenlacesmulti‐salto,salvoquetodospresentenlamismacapacidad. Conclusión Delanálisisrealizadodeestaherramientaysuimplementaciónysimulación,seconcluyeque noesútilpararedesdealtacapacidadyquelaimplementaciónapartirdelosdatos proporcionadosnoesposible.Fueunadelasprimerasherramientastestadasytrasunlargo procesodeverificacióndelaimplementación,fuedescartada. MÉTODOPATHLOAD ElmétodoPathloadrepresentaunclásicoejemplodeherramientabasadaenPRM.Laidea básicaconsisteenutilizarelprincipiodecongestiónautoinducidayOWD(OneWayDelay) [14].Elmétodosecaracterizaporlassiguientesventajasylimitaciones: Ventajas: • Elgradodeprecisióndelaherramientaesconfigurable.Pordefectosehaestablecido unerrormáximoentornoal4%delABWrealsibienlasub‐estimaciónestambién característica. • Enredesdebajacapacidadlaintrusividadsereduceal10%delABW. Limitaciones: • Claramenteesunmétodomuyintrusivo.Enfuncióndelerrorrelativoconfigurado,el númeroderáfagasenviadasadistintastasaspuedesermuyelevadohastaquese produzcalaconvergencia. • AdemáslaintrusividadesproporcionalalABW,luegoensituacionesdebaja congestiónenredesdealtavelocidad(porencimadeenlacesOC‐12[21])enlasqueel ABWesmayor,elmétododefinitivamentealterarálascondicionesdela ed.r • Eltiempodelaestimacióntambiénesvariableenfuncióndelastasasyelajusteen elerrorrelativo. • Necesitalosdosextremosdelacomunicaciónparacompletarlaestimación. Conclusión Elmétodoesmuyintrusivosisepretendeunaprecisiónelevadaenlasmedidas.Parauna menorintrusividadserequierequelostrenesdepaquetesseandemenortamañoymás espaciados,peroenestascircunstanciasydeacuerdocon[21],lavarianzadelamedidase 13|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza • ElimpactodelfiltroVHFenobservacionesruidosasestabilizalasobservacionesmás queotrosmétodosanteriores. Limitaciones: • Lautilidaddelfiltroquedalimitadaasituacionesenquelavariacióndelas observacionesesacusadadadoquesuavizaestavariación.Casodequelas estimacionesnopresentenunruidomedio‐elevadoconsecuenciadelosefectosquese producenenlared,suefecto,talycomosehacomprobadoexperimentalmente,es prácticamentenulo. Conclusión Lascondicionesdelmétodo,lasencillezdesuimplementaciónylanovedaddesuintroducción enelámbitodelaestimacióndelABW,fueronapriorilasclavesparaimplementarlosobre OPNETyestudiarsucomportamientoligadoalmétododeestimaciónseleccionado. 2.5.CONCLUSIONESRELATIVASALESTADODELARTE SeharealizadounexhaustivoanálisisdelasherramientasdeestimacióndeABWactivasy extremoaextremomásactualdelaliteraturaanalizandolosaspectosmásventajososasí comolaslimitacionesquepresentansiempreentérminosdelasprincipalesmétricasquerigen elanálisis,asaber:precisión,intrusividadytiempodeestimacióndelasmedidas.Esteanálisis nohasidounamerarevisióndelestadodelarte.Laimplementacióndealgunosdelos métodosqueaprioriresultabanmásesperanzadoresenloqueamantenereltriángulode compromisoserefiere,hanpresentadoengeneralcarenciasimportantesespecialmenteen términosdeintrusividadycredibilidaddebidoalasasuncionesadoptadas. Talycomosehaseñaladoenlasección2.2,elobjetivonopersigueoptimizarlastresmétricas dadaslasrestriccionesactuales;porestemotivoydadoqueningunasatisfacelasnecesidades delasredesyserviciosactuales(reflejadasenRUBENS)sehapropuestoeldesarrolloe implementacióndesistemademonitorizacióndeABWactivoybasadoenmedidasactivasque pretendeaunarlascaracterísticasmásventajosasdelasherramientasyaexistentesyomitir aquellaspartesquesuponenunalimitaciónydeestemodoacercarlasvariablesdeltriángulo decompromiso,mejorarlasherramientasyaexistentesenalgunadelasmétricasdeinterésy facilitaralaarquitecturaRUBENSunafuncionalidadquepermitaestimardeformaadecuadael ABW.Enelcapítulo4sedetallaelprocesodeimplementacióneintegracióndelas herramientasseleccionadasparalaobtencióndeunmétododeestimacióndeABW. 20|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza 21|Página CAPÍTULO 3. MÉTODOLOGÍA DE SIMULACIÓN
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza CAPÍTULO3.MÉTODOLOGÍADESIMULACIÓN 3.1.MOTIVACIÓNDELOSSISTEMASDESIMULACIÓN Unasimulaciónsólopuedesertanbuenacomoloseaelmodelodesimulación.Estamáxima, puedeconsiderarseunodelospilaressobrelosqueseasientanlosmodelosdesimulación.La simulaciónconsisteenunaimitacióndelosprocesosquetienenlugarenelmundorealolos sistemasatravésdeltiempo.Unmodelodesimulaciónconsideraunmodelodesistemayun entornoconcretoenlugardelsistemafísicoreal. ¿Enquéconsisteunmodelodesistema?Unmodelodesistemaesunaabstraccióndeun sistemarealenelqueseproduceunasimplificaciónconrespectoalentornorealatravésdela asuncióndeunaseriedecircunstanciasyquepermitecapturarelcomportamientoquese pretendeenlasimulación.Lassalidas(output)delmodelodesimulaciónrepresentanuna estimacióndelcomportamientodelsistemafísico. Unapreguntafundamentaleslasiguiente:¿Cuándounmodelodesimulaciónesadecuado?. Enprimerlugarcuandolasimulaciónpermiteaccederapartesdelsistemaquedeotromodo noseríaposible.Elhechodequelasmedidasrealizadaspermitancomprenderel comportamientodeunsistemaypermitaidentificarquévariablessonlasmásimportantesy cómoafectaneinteractúanenelsistema,esotrarazóndepeso.Laposibilidadderealizar pruebassinnecesidaddeaccederaequiposrealessuponeotraventajadeutilizarsistemasde simulación.Todasestascircunstancias,hacenqueplantearunmodelodesimulacióneneste trabajoseaadecuado. Estudiarsistemasrealesatravésdesistemasdesimulaciónllevaimplícitounaseriede ventajasylimitacionesqueseenuncianacontinuación[12]: Ventajas • Simularmejorassinafectaralossistemasenfuncionamiento. • Comprobarelrendimientodenuevossistemassintenerqueinvertirpreviamente. • Posibilidaddemodificarlaescalatemporalydeobservarlasvariablesinternasde funcionamiento. • Llevaracabounestudiodelcomportamiento:Cuellosdebotella,rendimiento,etc. Limitaciones • Construirmodelosdesimulaciónpuederequerirtiemposdeaprendizajealtosdebidoa lacomplejidaddelaherramientautilizada(curvadeaprendizaje). • Elgradodefidelidaddelassimulacionesestácondicionadoporelsistemasimuladoy lasasuncionesrealizadas. • Análisisdelosresultados:Lafaltaderelacionesanalíticasolaposibilidaddeextrapolar losresultadosparaverificarlaescalabilidaddelsistema,puedelimitarlavalidez. Encualquiercasolasimulaciónconstituyeunpasoprevioalaimplementaciónrealdelos sistemas,casodequeéstospretendantenerrelevanciayvalidez. 22|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza 3.2.CLASIFICACIÓNDELOSSISTEMADESIMULACIONES Lasiguienteimagenmuestraunaposibleclasificacióndelossistemasdesimulación.Siguiendo laprogresiónenverde,enesteTFMseharealizadounsistemadinámicodiscreto,porserla herramientadesimulaciónseleccionada,OPNET,unsoftwarequeserigeporestas características. FIG7:Clasificacióndelossistemasdesimulación. 3.3.MÉTODOLOGÍADELESTUDIODESIMULACIÓN Comosehaindicadoanteriormente,unodelosaspectosfundamentalesenlarealizaciónde unsistemadesimulaciónconsisteensermetódicoyseguirunaseriedepasosquegaranticen lafiabilidadycredibilidaddelasmedidas.Acontinuaciónseproponeeldiagramaenqueseha basadoelestudiodesimulaciónrealizadoparalasherramientastestadas. Ladefinicióndelproblemayplanteamientodelosobjetivoshasidodefinidaenelcontextode losobjetivosfundamentalesdelTFM:ImplementarunaherramientadeestimacióndeABW activa,extremoaextremoyquepermitaadaptarsedeformadinámicaalestadodela congestióndelaredmanteniendouncompromisoentrelaprecisión,intrusividady complejidaddelasestimaciones.Eldiagramadelafigura8resumelametodologíaseguidaen elestudiodesimulación;enellaseaprecianlastareasclavellevadasacabo: Elprimerpasohaconsistidoendeterminarelproblema,enestecasolanecesidaddeuna herramientadeestimacióndeABWextremoaextremo.Apartirdeladefinicióndelproblema, elobjetivohaconsistidoenrealizarunaimplementaciónquemantengaelequilibrioentrelas métricasdeinterésenlamedidadeloposibleyseharealizadounaaproximaciónbasadaen objetivosmásespecíficosyconcretosafindeconocerlosrequerimientosdelsistemade simulación. 23|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza FIG8:Metodologíageneraldelestudiodesimulación. Apartirdeestosrequerimientos,sehaprofundizadoenlostrabajosrealizadosenesta materia.Sehanimplementadoalgunasdelasalternativasestudiadasenescenariosdeprueba ycasodepresentarunbuencomportamientosehanadoptadoaquellascaracterísticasdel métodomásdestacablesyseharealizadounexperimentosobreunescenariomáscompleto. Completadoelexperimentosehananalizadoyprocesadolosresultadosobtenidosysehan realizadolosajustesnecesariosparaoptimizarelfuncionamientodelsistemadesimulación.Se hacomprobadoasímismolafiabilidaddelasmedidasrealizadas.Finalmente,casodequelos resultadoshayansidosatisfactorios,lascaracterísticasdelosmétodoshansidoincorporadasa 24|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza laherramientadeestimaciónenelsistemadesimulación.Elpasosiguientelógico,consistiría enlaimplementaciónenrealdelmecanismodeestimacióndeABW. Elesquemapresentadoesundiagramaglobalygeneralizado,quesinembargoharesultadode granutilidadenlaorganizacióndeltrabajoarealizar.Paracadaunadelasherramientas testadaseimplementadassehaseguidoesteprocesoadaptadoalascircunstanciasdecada herramientaparticularparafinalmente,incorporaralsistemasuscaracterísticaso descartarlas.Enelsiguientecapítuloseexplicanlossistemasdesimulaciónimplementados,las configuracionesdeparámetrosmásimportantesyelprocesodeintegracióndetodaslas partesparalaconsecucióndelaherramientadeestimacióndeABW. 25|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza 26|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza CAPÍTULO 4. IMPLEMENTACIÓN DEL SISTEMA DE ESTIMACIÓN DE ABW. 27|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza CAPÍTULO4.IMPLEMENTACIÓNDELMECANISMODEESTIMACIÓN DEABW,BASADOENMEDIDASACTIVASYEXTREMOAEXTREMO. 4.1.INTRODUCCIÓN Enloscapítulosanterioressehaofrecidounaampliaperspectivadelabanicodeherramientas yalgoritmosdeestimacióndeABW.Sehananalizadosusventajasysuslimitacionesysehan obtenidoconclusionesderivadasdesuanálisisyenalgunoscasosdesuimplementación.De todoelestudiorealizadosehaconcluido,quenoesposibleimplementarunaherramienta capazdeoptimizarlostresvérticesdeltriángulodecompromiso(precisión,intrusividady tiempodelaestimación)enredesdealtacapacidad.Porestemotivo,nosehaplanteadoel diseñodeunaherramientaquepretendaresolverestálimitación,sinoquesehanescogidolas mejorescaracterísticasdealgunosdelosmétodosestudiadosparasuintegraciónenuna nuevaherramientadeestimacióndeABWquecumplalosrequisitosenelámbitodela arquitecturaRUBENS(i.e.buenfuncionamientoenredesdealtacapacidadylimitacióndela intrusividadensituacionesdecongestiónelevada). Deacuerdoalametodologíaexplicadaenelcapítuloanteriorylascaracterísticasexigiblesa unaherramientadeestimación,sehadiseñadounaherramientadondelafiabilidady credibilidaddelasmedidasvenganrefrendadasporlosmétodosdeprocesadoyfiltradode datos.Asímismo,sehaevitadorealizarhipótesisquesuponganunalimitaciónimplícitaenla validacióndelasherramientas. 4.2.OPNETYMATLABCOMOHERRAMIENTASDESIMULACIÓN Elentornodesimulaciónutilizadoparalarealizacióndelosescenarios,hasidolaherramienta OPNETModeler14.0.SobreOPNETsehanimplementadoyconfiguradodistintosnodosdela rednecesariosparalavalidacióndelaherramienta,talescomorouter,nodosgeneradoresde tráficointerferente,nodosdeestimacióndeABW,etc.Lastareasrelativasalanálisis microscópico(porpaquete)paralaobtencióndelosdatostemporales,hansidorealizadas sobreOPNETtambién.Lafigura9muestraunescenariogenéricoderedOPNETconsus distintosnivelesdeactuación:Niveldered,niveldenodo,niveldeprocesoyniveldecódigo. MásinformaciónsobrelaherramientaOPNETpuedeencontrarseen[35]. 28|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza FIG9:ImplementacióngenéricadeunescenarioderedenOPNET.Cortesíade[41]. UnadelasprincipalesventajasqueofreceOPNETessumodularidadeneldiseño.Sibienes ciertoquelacurvadeaprendizajeyutilizacióndelaherramientaeselevada,laposibilidadde construirunescenariocomúnsobreelquesepuedaninsertaryextraerlosmecanismosde estimacióndelosdatostemporales,apenasvariandoalgunosbloquesconcretos,dotadegran potenciayefectividadalassimulaciones.Lavariacióndeparámetrosyvariablesconcretasdel escenario,tambiénsegestionadeformaeficientegraciasalamodularidaddelossistemas implementados. Elprocesado,filtradoytraslacióndeparámetrostemporalesenmedidasdeABW,seha llevadoacaboconlaherramientaMATLAB7.04.Losdiversosscriptsimplementadostoman comodatosdeentradalosregistrostemporalesproporcionadosporOPNETenformato“*.txt” ydevuelvenlasestimacionesdeABWrealizadas.Informaciónadicionalsobrelaherramienta puedeserconsultadaen[36]. 4.3.ESCENARIODESIMULACIÓN.HERRAMIENTAOPNET Enestasecciónsedescribeelescenariofinalimplementadoenelcualseintegranlos algoritmosdeestimacióndeABW(verfigura10).Setratadeunescenarioderedcompuesto porusuariosfinalesloscualesestablecensesionesentrepares(apartirdeladefiniciónde perfilesyaplicacionesfacilitadosporlaherramienta)congestionandolosnodosintermediosde lared.LosAccessGateway(AGWi)sonlospuntosdeaccesoquelosusuariostienenhaciala reddeacceso,lacualsecomponedediversosrouteratravésdeloscualessetransmitetanto eltráficointerferentecomoeltráficopropiodelasestimacionesdeABW. 29|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza (5) Sinembargo,esimportantedejarclaroqueelvalordeescogidoesfuncióndirectadela caracterizacióndeltráficointerferenteaceptadacomoválida.Casoderealizaruna caracterizacióndeltráficointerferentedistintaalapropuestaenesteTFM,seríanecesario adaptar. SEPARACIÓNTEMPORALDELOSPAQUETESDEUNMISMOPAR Sehanconsideradodiversasopcionesalahoradeconfigurareltiempoentrepaquetesdeun mismopar: • Opción1:Sinseparacióntemporalentrepaquetes:Estaopciónenprincipiocómoda fueconsideradaenunprimermomento.Sinembargodesdeunpuntodevistade aplicabilidadprácticanoeseficientepordosmotivosfundamentales:Enprimerlugar porlaimposibilidaddemandardospaquetesexactamenteenelmismoinstante temporal(conunaresolucióndenanoopicosegundos).Enunentornodesimulación esposibleimplementarestaopción,noasíconmáquinasreales.Porotrolado,sise realizanelenvíodepaquetesdeunmismotestsinestablecerunaseparaciónentre ambos,nose“cuelan“paquetesdetráficointerferente,locualsetraduceenquela estimacióndeABWdacomoresultadounaestimacióndelacapacidaddelcuellode botella. • Opción2:Separaciónentrepaquetesenfuncióndelacapacidaddelenlacemásdébil: Estemétodosedivideendospasos:Primero,serealizauntestparadeterminarla capacidaddelenlacedeinterés,haciendoquelaseparacióndelospaquetesde estimaciónseatanpequeñacomoseaposible(enunsistemarealhaylimitacionesde resolucióntemporal)oenunaplataformadesimulación,nodejandoseparaciónentre lospaquetes.Estimadalacapacidaddelenlace,secalculaelNTTparaeltamañode paquetedeestimaciónseleccionadoyseconfiguracomoseparacióntemporalentre paquetesdeunmismopar.Estasegundaopcióneslaquesehaimplementado. SEPARACIÓNTEMPORALENTREPARESDEPAQUETES Lapreguntaqueseplanteaalahoradeestableceresteparámetroes:“¿Seproducealgúntipo deinterferenciaentreparesconsecutivosdepaquetesquepuedanfalsearlasmedidasde ABW?”.Simulacionesrealizadasvariandoesteparámetro,demuestranquelaprecisióndelas medidasnoseveafectadaporesteparámetro.Porlotanto,sehaestablecidounvalor relativamentebajo(paraoptimizareltiempodelaestimación). NÚMERODEPARESDEPAQUETESPARALAOBTENCIÓNDEUNAMEDIDA En[23]seproponelautilización20paresdepaquetesparaobtenerunamedidadeABW.Igual queenelcasoanterior,sehanrealizadosimulacionesparaestablecersiesenúmerode paqueteseraeladecuado.Elsentidocomúnhacepensarquecuantomayorseaelnúmerode paresdepaquetespararealizarlaestimación,mayorprecisiónselograráenlasmedidas.La precisióndelosresultadosobtenidosdebidoalavariacióndeesteparámetromuestraqueno 36|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza existeunarelaciónsignificativa,porloqueescogeremosnúmerodeparesdepaquetes pequeñoafindeevitarqueseaunsistemaintrusivo. Latablasiguienteresumelosparámetroscuyaconfiguraciónhanrequeridodeunanálisis previoylosvaloresquesehantomadoparalarealizacióndelassimulaciones. PARÁMETROCONFIGURACIÓN DE[BITS] TIEMPOENTRE PAQUETESDE UNPAR[s] TIEMPOENTRE PARESDE PAQUETES[s] #PARESDE PAQUETESPOR ESTIMACIÓN[#] OPCIONES CONSIDERADAS 12000 8304 0 0.0000192 0.020.040.06 0.080.10.12 0.15 204060 80100120 OPCIÓN ESCOGIDA8304Bits19.2μs0.12s80Pares TABLA3:ResumendelaconfiguracióndeparámetrosparaelmecanismobasadoenPGM. Enestasecciónsehanpresentadolascaracterísticasmásatractivasparalaimplementaciónde unalgoritmodeestimacióndeABW.SehanpresentadoalternativastantoparamétodosPRM comoPRMysehaespecificadorazonadayempíricamentelaconfiguracióndelosparámetros necesariosparaunadecuadofuncionamientodelaherramienta.Enlasiguientesecciónse especificanlascaracterísticasescogidasparalatraslacióndedatostemporalesadatosde ABW. 4.5.IMPLEMENTACIÓNDELASHERRAMIENTASDEFILTRADO, PROCESADOYTRASLACIÓNDEDATOS. Losmétodosdeprocesadodedatosquesepresentanacontinuaciónpuedeninterpretarse comounacajanegra,lacualtomacomoentradaunarchivodetextoquecontienelosdatosde lasmedidastemporalesrealizadasbienporelmétodoPRM,bienporelmétodoPGM.Lacaja negraencuestión,consisteenelprocesadodedatos,elcualsehallevadoacaboatravésdela implementacióndescriptsenMATLAB. 37|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza FIG12:Simplificacióndelprocesadodedatos:TraslacióndetiempoaABWymétricas. 4.5.1.PROCESADODEDATOSBASADOENREGRESIÓNLINEAL LaregresiónlinealysuaplicaciónalámbitodelaestimacióndelABWhansidorevisadasenel capítulo2.ElmétodoPRMbasadoenlaestimacióndelautilizacióndelenlace,suponeun númerodemedidasquepermiteutilizarlatécnicaderegresiónlinealparaestimardeforma precisaelABW. Elprocesadoporregresiónlinealsimplesiguelossiguientespasos: 1.‐Enprimerlugarseconfiguranlosparámetrosnecesariosdeacuerdoconlatabla2. 2.‐Seleeelficherodetextoquecontienelosdatostemporalesysedetectanposiblespérdidas depaquetes.Casodequesedetectelapérdidadeunpaquetedeuntren,laráfagacompleta correspondienteaesetrendepaquetesesdescartadoyesnecesariorepetirlamedida. 3.‐Paracadaunodelostrenesdepaquetesenviadossecalculalautilización“U”delenlace.En funcióndelatasaconfiguradaparacadatren,lautilizacióncalculadavaríaysuresultadose sitúasobrelarectaquepermiteelcálculodelABWapartirdelprocesoderegresiónlineal. 4.‐Serealizaunfiltradoyajustedelarecta.Estarectareflejalarelacióndirectaqueexiste entrelautilizacióndelenlaceylatasadeestimaciónutilizada. 5.‐Sedeterminalaexistenciaonodeposiblespuntosmarginalesuoutliers.Encasodehaber outliersquerepresentenerroresenlaestimaciónestossoneliminadosdelarectaderegresión afindeevitaralteracionesenlamedida. 6.‐Cálculodelosintervalosdeconfianzaylosintervalosdepredicciónal95%. 7.‐Cálculodelfactorócoeficientededeterminación:estefactormideelpoderexplicatorio delmodelolineal[39].Esdecir,indicalainfluenciaqueenelmodelolineal,lavariable independiente(tasadepruebaconfiguradaparacadatren)tienesobrelavariabledependiente (utilizacióndelenlace).Estefactoresimportante,peronomidelafiabilidaddelamedida. 38|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza 8.‐Validacióndelmodeloapartirdelíndicedereduccióndevalidacióncruzada.Consisteen dividiraleatoriamentelamuestraendosgruposyutilizarlosparaobtenerdosmodelosconel fincompararlosparacomprobarsiseobtienensimilaresresultados.Apartirdeladiferencia entreelcuadradodeamboscoeficientes correspondientesalosdos gruposmuestrales,sedeterminaelvalidezdelaaplicacióndelmodeloregresiónlinealalos datosseleccionados.Valoresdeesteíndiceinferioresa0.1indicanqueelmodeloesmuy fiablemientrasquevaloressuperioresa0.9correspondenamodelosmuypocofiables[40]. 9.‐Validadoelmodeloderegresiónlinealapartirdelospasos7y8,sedeterminaelvalorde ABWapartirdelatasadepruebasquesuponeunvalordeutilizaciónde“1”.Elsiguiente esquemaresumeelprocesodecálculodelABWapartirdelarectaderegresiónlineal. FIG13:ProcesadoyobtencióndelamedidadeABWapartirdelmétodobasadoenregresiónlineal. 39|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza 4.5.2.PROCESADODEDATOSBASADOENVHF Talycomosepresentóenelcapítulo2,VHF(VerticalHorizontalFilter)esunatécnicade filtradoevolucióndeEWMAyheredadadelámbitofinanciero.Enestudiosanterioresesta técnicahademostradoreducirelimpactodelasobservacionesruidosasymostrandouna buenaestabilidaddelasmedidas.Laideafundamentalquesepersiguelaaplicacióndelfiltro, esdetectarloscambiosbruscosynopersistentes.Casodequelamedidapresenteuna variaciónsignificativarespectoalamedida ylasmedidassiguientesmantengan aproximadamenteelvalordelamedida,elfiltroconvergeráhaciaestevalor.Encaso contrario(silavariaciónnoespersistente)lamedidasemantieneentornoalvalorde .Endefinitiva,setratadeunfiltradoinsensibleavariacionesbruscaseinstantáneas deABW. LaimplementacióndeVHFseharealizadoapartirdeltrabajodescritoen[28].Seharealizado unestudioempíricoparadeterminarelajustedeparámetrosadecuadoalescenariode simulaciónpropuesto.Estosparámetrossonelvalordelumbralyeltamañodelamuestra demedidasdeABWquesetoman.Sehanllevadoacabovariassimulacionesvariandoel parámetro entre0y1uniformementeaintervalosde0.1.tambiénsehanrealizado simulacionesparadeterminarelvaloradecuadode.Losresultadosmuestranlosvalores escogidosen[28]seadecuanalescenariosimulado,locualconstituyeunaventajaadicional dadalageneralizaciónquepresentaelmétodoenlosquehaconfiguracióndeparámetrosse refiere. EnestetrabajosehaconsideradoaplicarelmétodoVHFsobreelmodelodeestimaciónde datostemporalesbasadoenparesdepaquetesPGM.Suestudioyaplicabilidadsobreel métodobasadoenPRMquedacomoposiblelíneadetrabajofuturo. ElprocesosefiltradoserealizaalfinaldelprocesodeestimacióndeABW.Deformasimilaral métodoanterior,comprendelossigu n pasos:ie tes 1.‐Configuracióndelosparámetrosy. 2.‐Lecturadelficherodetextoconlosdatostemporales.Deteccióndeposiblespérdidasde paquetes.Casodequesedetectelapérdidadeunpaquetedeunpar,elparesdescartadode caraalaestimaciónmediadelABW. 3.‐IdentificacióndelvalorQDFmedioapartirdelaexpresión(3)ydelvalordeABWmedioa partirdelaexpresión(4). 4.‐Apartirdemedidas,aplicacióndelfiltradoVHF. 5.‐DeterminacióndelosintervalosdeconfianzaparalasmedidasdeABWobtenidas. EnestecasonoesnecesariovalidarlautilizacióndlfiltroVHF.ELmétodobasadoenregresión linealsíesprecisovalidarlodadoquesuaplicabilidaddependedeladeterminacióndelarecta deutilizaciónyexistensituaciones(encondicionesdecongestiónelevada)enlasquesibienla medidadeABWpresentaunaltogradodeprecisión,losparámetrosyindicanqueel métodonotienevalidezhaciendoquelamedidacarezcadevalidez.Sinembargo,laaplicación 40|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza delfiltradoVHF,proponesuavizarlasestimacionesrealizadasyestabilizarlamedidadeABW, nonecesitandodesuvalidación. 4.6.INTEGRACIÓNDELSISTEMAYSIMULACIONES Enseccionesanterioresdeestecapítulo,sehandescritolosalgoritmosdeestimaciónde parámetrostemporales(métodosPRMymétodoPGM)asícomolastécnicasdefiltrado, procesadoytraslacióndelasmedidastemporalesaestimacionesdeABW.Elobjetivoprincipal deestetrabajopretende,apartirdeestascaracterísticas,construirunaherramientade estimacióndeABW. Porunladosehaconsideradolaestimacióndelosparámetrostemporalesapartirdela generacióndetrenesdepaquetesyelprocesadodeestosdatosbasadoenregresiónlineal simple.Lostrenesdepaquetesconfiguradosadiversastasasdepruebapermitenestablecer unarelaciónlinealentrelautilizaciónyelABWdelenlace,delcualsederivaelABWapartirde laaplicacióndelmétodobasadoenregresiónlineal. Porotrolado,sehaconsideradounmétododeestimacióndelosparámetrostemporales menosintrusivo,basadoenelenvíodeparesdepaquetes.LosmétodosbasadosenPGM adolecensinembargodeimprecisiónenlasmedidas.Porestarazónyadiferenciadeotros métodosbasadosenPGM,sehaoptadoporestimarelenlaceutilizandomásdeunparde paquetesencadamedida.Apartirdelamediaponderadadelasmedidasobtenidasparacada pardepaquetes,sepretendeestudiarsimejoralaprecisión,sinporelloincrementarla intrusividadsignificativamente.Laconfiguracióndelosparesdepaquetesnopermiterealizar unprocesadobasadoenregresiónlinealdadoqueelnúmerodemuestrasnoessuficiente paraestablecerunarelaciónlinealdelasmedidas.SehaoptadoporaplicarunfiltroVHFafin deobtenerlasestimacionesdeABW. Endefinitiva,seharealizadolaimplementaciónde2herramientas: • HerramientabasadaenPRM+Procesadomedianteregresiónlineal. • HerramientabasadaenPGM+filtradoVHF. Ambasherramientassehanconfiguradoenelescenariopreviamentepresentado.Sehan realizadosimulacionesquepermitandeterminarlasmétricasdescritasenelcapítulo2y validaronolasherramientasdeestimacióndeABW. 41|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza 42|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza CAPÍTUCAPÍTULO 5. CAPÍTULO 5. RESULTADOS DE SIMULACIÓN 43|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza CAPÍTULO5.RESU 5.1. INTRODUCCIÓN LTADOSDESIMULACIÓN Enestecapítulo,sepresentanlosresultadosmásrelevantesquehanpermitidovalidaro descartarlosmétodosimplementados.Laevaluaciónsehallevadoacaboapartirdelas métricasexplicadasenelcapítulo2:EstimacióndelABW,precisióndelamedida,intrusividady tiempodelaestimación. Enlaplataformadesimulaciónsehanconfiguradoambasherramientas(PRMyPGM)de estimacióndeABWconsusparámetros,variandoelratiodecongestióndelossaltosdelos enlacesparaestudiarsucomportamientoensituacionesdecongestiónnula,congestiónmedia ycongestiónelevada.Lasiguientetablamuestraelresumendesimulacionesrealizado. SALTO1SALTO2SALTO3SALTO4ABWREAL HERRAMIENTA#SIM1000Mbps4976Mbps622Mbps100Mbps PRMuniformeSIM000 0 0100Mbps PRMuniformeSIM10.10.2 0.1 0.280Mbps PRMuniformeSIM20.95 0.2 0.1 0.150Mbps PRMsectoresext.SIM300 0 0100Mbps PRMsectoresext.SIM40.10.2 0.1 0.280Mbps PRMsectoresext.0.95 0.2 0.1 0.150Mbps PRMsectoresint. 100Mbps PRMsectoresint.SIM50.10.20.10.280Mbps PRMsectoresint.SIM60.950.20.10.150Mbps PGMSIM70000100Mbps PGMSIM80.10.20.10.280Mbps PGMSIM90.950.20.10.150Mbps TABLA4:ResumendesimulacionesrealizadasparaelanálisisdelasherramientasdeestimacióndeABW. 5.2. RESULTADOS PARA EL MÉTODO BASADO EN PRM ElmétodobasadoenPRMtienecomocaracterísticafundamentalunarelaciónlinealentrela tasadepruebaylautilizacióndelenlace,apartirdelacualesposibledeterminarelABW.El hechodeutilizarlaregresiónlinealhacenecesarioqueademásdeobtenermedidasdeABW, intrusividad,precisiónytiempodelaestimación,éstastenganvalidezencontextodela regresiónlineal.Esdecir,esnecesarioevaluaryvalidarlaadopcióndelaregresiónlinealcomo requisitoparavalidarlosresultadosdelasmétricasdeinterés.Porestemotivo,tambiénse hanobtenidoresultadosrelativosalosparámetrosfactorócoeficientededeterminacióny elíndicedereduccióndevalidacióncruzada. 44|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza 5.2.1.ESTIMACIÓNDEABWYCÁLCULODELERRORRELATIVOPARACONGESTIÓNES MEDIAYALTA Lafigura14muestralosresultadosdelaestimacióndeABWobtenidosapartirdelmétodo PRMyprocesadobasadoenregresiónlinealparaunasituacióndecongestiónmedia.Los trenesdepaqueteshansidoconfiguradosconconformadouniforme(trazaazulenlafigura)y sectorizadointernoyexterno(trazasverdeynegrarespectivamente).Lasestadísticassehan obtenidoparatrenesdepaquetesdeestimacióndedistintotamaño(ejedeabscisas).ElABW delsaltocríticorealesde80Mbps(trazaroja). FIG14:EstimacióndeABWparaunasituacióndecongestiónmedia.Estadísticasparadistintosconformadosdel trenydistintonúmerodepaquetesportren.MétodoPRM. LasprincipalesconclusionesqueseobtienendelanálisisdelaestimacióndelABWsonlas siguientes: • Independientementedelconformadoutilizado,elnúmerodepaquetesportrenque mejorcomportamientopresentaes200.Cuantomayorseaelnúmerodepaquetes enviadoencadatrenaunatasadeterminada,másprecisiónlograremosenla estimacióndelautilizaciónyconsecuentementeenlamedidadeABW.Sinembargo lostrestiposdetrenes(trazasverde,azulynegra)presentanunabuenaprecisiónenla medidaparasituacionesdecongestiónmediaparatodaslasconfiguracionesde paquetespormuestra. • Realizarunconformadouniforme,osectorizadonoresultadeterminanteparauna situacióndecongestiónmedia.Porsimplicidad,seríaentoncesapropiadorealizarun conformadouniformedelostrenesdepaquetesalahoraderealizarlaestimación. 45|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza falseandolamedida.Enestasituación,noseobtieneelABWsinolacapacidaddel últimosaltosituadoenelenlace.EstasituacióneslaqueseproduceenlaSIM7dela tabla4,siendoelvalordeABWobtenidocercanoa100Mbps(Capacidadnominaldel últimosalto).Elefectoseveademásagravadoensituacionesdecongestiónmedia.La siguientefiguramuestraresumeestasituación: FIG20:DiagramadelasituacióndeenmascaramientoyerrorenlaestimaciónconelmétodoPGM. • Casodequeelsaltocríticoseaposterioraotrossaltosdemayorcapacidadymenor gradodecongestión,lospaquetesdeestimaciónPP1yPP2lleganalsaltocríticocon unatasadeenvíomayorquelaqueelsaltocríticopuedegestionar.Estosetraduceen unaseparacióntemporaldelospaquetesenelmomentodellegaralsaltocrítico inferior(condiciónqueseagravaenenlacesconsaltosdealtacapacidad)alNTTcon quelospaquetessonenviadostraselencolamientoenelrouterdeentradadelenlace crítico.Esteefectoproducequelaprobabilidaddequeseintercalenpaquetesde tráficointerferenteentrelospaquetesPP1yPP2seaprácticamentenula,calculando deestemodolaCapacidaddelsaltocríticoynosuABW.Ensituacionesdecongestión elevadaelefectoseveligeramentemitigado,porlaintercalacióndepaquetes interferentesensaltospreviosdelenlace,talycomosucedeenlafigura19(derecha). Lafigura21ejemplificaestasituación: FIG21:DiagramadelasituacióndeestimacióndelacapacidadynodelABW.Falloenlaestimación. 52|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza Porúltimo,sehanrealizadotambiénsimulacionesenausenciadetráficointerferente(SIM7). Elerrorcometidoenestaocasiónesnulo,dadoqueelmétodosiempreestimalaCapacidad delsaltoconflictivo,estoes,elABWenunasituacióndecongestiónnuladelenlace. Sepuedeconcluirquelosmétodosbasadosenparesdepaquetes,noseadecuanalas exigenciasdelosenlacesdealtacapacidad.NosepuededeterminarelABWapartirdelenvío deparesdepaquetes,dadoqueelcomportamientodelosmismosdependedelestadodela redynodeltráficointerferente.Acontinuaciónsepresentanlosresultadosderivadosdela intrusividaddelmétodoyeltiempodeestimaciónrequerido,sibienlafiabilidaddelas medidasesnulatalycomosehaexplicado. 5.3.2.ANÁLISISYCONCLUSIONESDERIVADOSDELESTUDIODEINTRUSIVIDAD Unadelascaracterísticasmásimportantesdelosmétodosestimaciónbasadosenparesde paquetesPGM,resideenelbajoniveldeintrusividadquepresentan.Enestetrabajo,seha pretendidodotaralasmedidasdeprecisiónyfiabilidad;porestemotivoenvezdelanzarla estimaciónconunsolopardepaquetes,sehaoptadoporenviarvariosparesyrealizaruna mediaponderadadelasmedidasobtenidasparalatotalidaddelospares,sinporelloelevarel niveldeintrusividadavaloresquehaganperderalmétodoPGMsuprincipalcaracterística. Comohemoscomentadoenelcapítulo4,elmétodopresentaunabuenaestimaciónapartir delenvíode40paresdepaquetesdetamaño1500Bytes.Paraestosvalores,latasade estimaciónobtenidaesde200Kbps.Apartirdeladefinicióndeintrusividadqueseencuentra en[3]seobtienenlossiguientesnivelesdeintrusividad: ESCENARIO(CONGESTIÓN)TIGHTLINKINTRUSIVIDAD[%] MEDIA/ALTA1000Mbps0.02 ALTA100Mbps0.2 TABLA6:IntrusividaddelmétodobasadoenPGMparalosescenariosdecongestiónmediayalta. Comosepuedecomprobar,losporcentajesdeintrusividadsonínfimosencomparaciónconlas capacidadeslosenlacesmáscongestionadosencadasimulación,aúnenpresenciadeun elevadogradodecongestión.Entérminosdeintrusividadsepuedeconcluirqueelmétodoes adecuado. 5.3.3.ANÁLISISDELTIEMPODEESTIMACIÓN Eltiempodelaestimaciónvienedadoporeltiemponecesarioparalatransmisiónyrecepción delos40paresdepaquetesenOPNETmáseltiempodeprocesadoquerequierela herramientaMATLABparafacilitarunresultado.Enlafigura22seobservaeltiempode estimaciónrequeridopor16medidasrealizadassobreunenlacedelsistemaparalasdos situacionesdecongestión(media/altayalta)quesehanestudiado.Losvaloressemantienen relativamenteconstantesentornoalos23.4segundos.EltiempodeprocesadodeMATLABes despreciable(inferiora100milisegundos)encomparaciónconeltiempoquetranscurrepara elenvíodelos40paresdepaquetes. 53|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza FIG22:TiempodeestimacióndeunamuestradeABWrequeridoporelmétodobasadoenPGM. Lalecturadelosresultadosobtenidosentérminosdetiemposdeestimaciónvaríaenfunción delaaplicabilidaddelmétodo,talycomosehaexplicadoenelcapítulo2.Enelcasoquenos ocupayenámbitodelaarquitecturadelproyectoRUBENS,lautilidaddelaestimacióndel ABWresideenlaposibilidaddepoderreaccionarantesituacionesenlasquelasqueun determinadousuariofinalestáexperimentandounamalacalidadenlarecepciónde contenidos(especialmentecontenidosmultimedia).Esdecir,esnecesarioqueeltiempodela estimaciónseapequeñoyportantoesteresultadoharesultadosernomuyfavorable.Este hechoañadeunalimitaciónademásdelarelativaalaprecisióndelasmedidas. 5.3.4.FIABILIDADDELSISTEMADESIMULACIÓNYLASMEDIDASOBTENIDAS TodaslasmedidasrealizadasparalaobtencióndelABWhanprovistounresultado.Casode queseproduzcaunfalloenlarecepcióndelospaquetesdeprueba,ésteesdetectado descartandoautomáticamentelamedida. 5.3.6.CONCLUSIONESDELMÉTODOPGM Elmétododeestimaciónbasadoenelenvíodeparesdepaquetesharesultadonoadecuarsea lasexigenciasdelaredRUBENSenconcretoniaenlacesdealtacapacidadengeneraldadas lasbajasprestacionesqueofreceentérminosdeprecisiónytiempodeestimacióndelas medidas.Porestemotivo,sedescartasuimplementacióneincorporaciónalaarquitectura RUBENS. 54|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza CONCLUSIONES Y LÍNEAS DE TRABAJO ABIERTAS. 55|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza CAPÍTULO6.CONC 6.1. CONCLUSIONES LUSIONESYLÍNEASDETRABAJOABIERTAS Atravésdeloscapítulosanteriores,sehapresentadodeformaclarayconcisalospasos requeridosparadesarrollarelobjetivoprincipaldelproyecto:Simularunmecanismode estimacióndeABWactivoyextremoaextremoquepermitapreservarelcompromisoentrela precisióndelasmedidas,laintrusividaddelmétodoyeltiempodeestimaciónrequeridoafin deincluirloenlaarquitecturadelproyectoRUBENS. Enelcapítulouno,lamotivaciónyobjetivosdelTFMfueronintroducidos.Enelcapítulo2se hapresentadounadetalladadescripcióndelestadodelarteysehanevaluadolas herramientasdeestimación.Adicionalmentesehanpresentadolasmétricasevaluadas.El capítulo3muestralametodologíadesimulaciónseguida.Laimplementacióneintegraciónde losmecanismosjuntoconunadescripcióndelosparámetrosdesimulaciónsehanexplicado enelcapítulo4.Finalmente,losresultadosderivadosdelassimulacionesseargumentanenel capítulo5. Laprincipalconclusiónqueseextraedeltrabajorealizado,esquetodavíaseestálejosde implementarunaherramientadeestimacióndeABWapropiadaqueseajustetantoalas tecnologíascomoalosnuevosserviciosyaplicacionesquehoyendíaseestándesplegando.Se hanrealizadomuchosestudiosenestamateriaparticularizadosentest‐bedconcretosquesin embargonopermitendotaralasherramientasdegeneralidad. Delosmétodosaquípropuestos,elmétodobasadoenparesdepaqueteshasidodescartado dadaslaslimitacionesquepresenta.Elanálisisrealizadoaniveldepaquetedemuestraque realizarestimacionesdeABWapartirdeparesdepaquetesparecedemomentounautopía. Además,lashipótesisdepartidaqueseadoptan,sonpocorealistasporloqueunarevisión profundadeestetipodemétodosdebellevarseacabo. ConrespectoalmétodobasadoenPRM,sehanobtenidobuenosresultadosentérminosde precisiónytiempodelaestimación,sibienlaintrusividadeselvérticedeltriánguloquemayor impactaelsistemadesimulación.Lasectorizacióndelatasadepruebanohademostrado mejorassignificativasrespectoaunconformadouniformecomoenunprincipiosepensaba.La aplicabilidaddeestemétodoquedarestringidaasituacioneslaestimacióndeABWenredes dealtacapacidaddóndelosnivelesdecongestiónseantales,quelaintrusividaddeeste métodonosupongaungastoimportantederecursos,oquelasmedidasrealizadasseespacien considerablementeeneltiempo.Aunquenohasidodirectamenteanalizada,laescalabilidad delmétodo(variosusuariosdeunaredejecutandolaaplicacióndeestimacióndeABW simultáneamente)estambiénunalimitaciónintrínsecadeéstaytodaslasdemásherramientas basadasentrenesdepaquetes. ApesardelosesperanzadoresresultadosdelmétodoPRM,bajomipersonalpuntodevistaya partireltrabajorealizado,quedamuchoporhacerymuchaspreguntasporresolverpara obtenerunaherramientadeestimacióndeABWóptimayquepuedaadaptarseyserutilizada paralasdistintastecnologíasderedtantodeaccesofijocomocelularinalámbrico. 56|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza 57|Página 6.2. LÍNEAS DE TRABAJO ABIERTAS Eltrabajorealizadohapermitidoobtenerinteresantesconclusionessobreelestadoactualde lasherramientasdeestimacióndeABWbasadasenPGMyPRM.Sehapropuestoun mecanismodecadatipovalidadoodescartadodeacuerdoaunaestrictametodologíade simulación.Sibienlosresultadosnosonóptimos,sonesperanzadoreseindicanelcamino haciaunaherramientaóptima.Algunasdelaslíneasfuturasqueseplanteanenestadirección sonlassiguientes: • Automatizacióndelprocesodeestimación:Laestimaciónserealizaenbaseala coordinacióndediversasherramientas.Laautomatizacióndelacomunicaciónentre estasherramientasasícomolacreacióndeuninterfazdevisualizacióny monitorizacióndelosresultadosharámásatractivalaherramientadeestimación. • UnaposiblealternativaaestudiarparaevitarlaintrusividaddelosmétodosPRM, podríaconsistireninsertarlospaquetesdeestimaciónenmodopiggybackenflujos dedatos,estoes,insertarenlosflujosdetráficoreallasráfagasdeestimaciónde ABW. • LautilizacióndelacabeceraIP(campoTimestamp)paralagestióndelasestimaciones: Estaposibilidadpermitiríarealizarlaestimaciónencadasaltodelenlacedeinterés, afinandomáslaestimacióndelABWglobaldelenlaceyminimizarlaintrusividad.El principalinconvenienteresideenlaimposibilidaddeaccederadichafacilidadenla mayoríadelosnodosintermediosdelared,dadoquelosoperadoreslarestringenpor motivosdeseguridadensistemasycomunicaciones. • Seguirinvestigandodiversasalternativasquepermitanmejorarlosmétodosactuales, sincaerenhipótesisdepartidapocorealistasoquenoseajustanalastecnologíasde redyserviciosactuales. • ImplementaciónenrealdelmétodoPRMydesplieguesobreunared.Lasimulación debeserentendidacomounpasoinicialypreliminaraldesarrolloexperimentaldela herramienta.
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza 58|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza REFERENCIAS BIBLIOGRÁFICAS 59|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza [1]http://wiki‐rubens.celtic‐initiative.org/index.php/Image:ALU_20100214_D3.2_FR.doc [2]DocumentoConfidencial. http://wiki‐rubens.celtic‐initiative.org/index.php/Main_Page [3]C.D.Guerrero,M.A.Labrador,“OntheApplicabilityofAvailablebandwidthestimation techniquesandtools,“ComputerCommunications.Vol33,pp.11–22,2010 [4]E.Goldoni,G.Rossi,A.Torelli,“ASSOLO:anEfficientToolforActiveEnd‐to‐endAvailable BandwidthEstimation,”InternationalJournalonAdvancesinSystemsandMeasurements, vol.2,no.4,2009. [5]J.LafuenteMartinez,I.GarcíaMuñoz,J.FernándezNavajas."QoSEstimatorsforClient‐ SideDynamicServerSelection:LimitationsandKeys,"TheNinthIEEESymposiumon ComputersandCommunications.Alexandria,Egypt.June29‐July1.2004. [6]M.Jain,C.Dovrolis,”Pathselectionusingavailablebandwidthestimationinoverlay‐based videostreaming,“InternationalJournalofComputerandTelecommunications Networking,vol.52,no.12,2008. [7]DocumentoConfidencial. http://wiki‐rubens.celtic‐initiative.org/index.php/Image:ALU_20100215_D4.2_FR.pdf [8]M.Jain,C.Dovrolis,“End‐to‐endavailablebandwidth:measurementmethodology, dynamics,andrelationwithtcpthroughput,”inIEEE/ACMTransactionsonNetworking, vol11,no.4,pp537‐549,August2003. [9]C.Estan,K.Keys,D.Moore,andG.Varghese,“BuildingabetterNetFlow,”Technical report,2004. [10]http://datatracker.ietf.org/wg/ipfix/charter/ [11]D.Collange,J.L.Costeux,“PasiveEstimationofQualityofExperience,”Journalof UniversalComputerScience,vol14,no.5,pp.625‐641,Mach2008. [12]A.Ferro,F.Liberal,Asignatura“QoSenRedesMóviles”.MásterenTecnologíasdela InformaciónyComunicacionesenRedesMóviles.Documentowebdisponibleen: http://www.ticrm.es/ [13]M.Jain,C.Dovrolis,“TenFallaciesandPitfallsonEnd‐to‐EndAvailableBandwidth Estimation,“IMC,October2004. [14]M.JainandC.Dovrolis.“Pathload:Ameasurementtoolforend‐to‐endavailable bandwidth,“InProceedingsofPassiveandActiveMeasurements(PAM)Workshop,Mar. 2002. [15]J.Strauss,D.Katabi,F.Kaashoek,“AMeasurementStudyofAvalilableBandwidth EstimationTools,”inIMC’03Florida,October2003. 60|Página
José Ignacio Aznar Baranda Centro Politécnico Superior Universidad de Zaragoza [16]N.Hu,P.Steenkiste,“Evaluationandcharacterizationofavailablebandwidthprobing techniques,IEEEJSAC,vol.21,no.6,2003. [17]J.NavratilandR.L.Cottrell,“Abwe:Apracticalapproachtoavailablebandwidth,“In Proc.Of4thPAMWorkshop,SanDiego,April2003. [18]V.J.RibeiroetAl,“pathChirp:EfficientAvailableBandwidthEstimationforNetwork Paths,“InPassiveandActiveMeasurementWorkshop,April2003. [19]S.Suthaharan,S.Kumar,“MeasuringAvailableBandwidth:pathChirp’sChirpTrain StructureRemodeled,SOURCEMISSING.2008. [20]Q.Wang,L.Cheng,“FEAT:ImprovingAccuracyinEnd‐to‐endAvailableBandwidth Measurement,”GLOBECOM2006. [21]J.Sommers,P.Barford,“Anactivemeasurementsystemforsharedenvironments,”In: ACMSIGCOMMConferenceonInternetMeasurement(IMC),October2007. [22]I.YeomandA.L.Narasimha,”ENDE:AnEnd‐to‐endNetworkDelayEmulatorToolfor MultimediaProtocolDevelopment,”MultimediaToolsandApplicationsvol.14,no.3, October2001. [23]J.Navratil,R.Les.Cottrell,“ABwE:APracticalApproachtoAvailableBandwidth Estimation,“InPassiveandActiveMeasurement(PAM)Workshop,2003. [24]D.Croce,M.Mellia,E.Leonardi,“TheQuestforBandwidthEstimationTechniquesfor Large‐ScaleDistributedSystems,“HOTMETRICS2009. [25]K.Lakshiminarayanan,V.N.Padmanabhan,andJ.Padhye,“BandwidthEstimationin BroadbandAccessNetworks,”inIMC,2004. [26]J.Sommers,P.Barford,W.Willinger,“AProposedFrameworkforCalibrationof AvailableBandwidthEstimationTools,”InProceedingsofthe11thIEEESymposiumon ComputersandCommunicationsISCC,2006. [27]E.GoldoniandG.F.Rossi,”Improvingavailablebandwidthestimationusingaveraging filteringtechniques,”Technicalreport,UniversityofPavia,2008. [28]S.Ekelinetal,“Real‐timemeasurementofend‐to‐endavailablebandwidthusingKalman filtering,“InNOMSSymposium2006,10th.IEEE/IFIP,2006. [29]A.Cabellos,F.J.García,J.Domingo,“ANovelAvailableBandwidthEstimationand TrackingAlgorithm,”NOMSWorkshops2008 [30]A.Solera,“ElFiltrodeKalman,“NotaTécnicadelDepartamentodeInvestigaciones EconómicasdelBancoCentraldeCostaRica,Julio2003. [31]M.Y.Rincón.Documentowebdisponibleen: http://www.monografias.com/trabajos27/regresion‐simple/regresion‐simple.shtml 61|Página