scieee AI-readable full text Open interactive document viewer

Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M

Botello Jannone, Fausto

Abstract

El aumento del número de dispositivos IoT existentes hoy en día plantea enormes desafíos en los sistemas de comunicaciones. Para satisfacer las crecientes necesidades de los usuarios y utilizar eficientemente los escasos recursos disponibles, la comunicación Device-To-Device (D2D) se considera una importante tecnología emergente para el futuro de las redes. En este trabajo se propone un algoritmo de consenso anticipado y recurrente para la elección del mejor punto de acceso en caso de caída del nodo principal, cambios en la red e itinerancia. Se presenta el diseño y desarrollo de una plataforma de comunicaciones descentralizada que permita una comunicación eficiente y segura entre dispositivos sin necesidad de un concentrador o enrutador central, utilizando la tecnología WiFi Direct. Para este fin, se discuten las limitaciones actuales de los sistemas de comunicación centralizados tradicionales y los beneficios de los sistemas descentralizados, haciendo especial énfasis en los algoritmos de consenso. Más adelante, la investigación se centra en el diseño y la implementación de la plataforma propuesta, incluido el uso de WiFi Direct para el descubrimiento y la conexión de dispositivos, utilizando protocolos Machine-to-Machine (M2M) para una transferencia de datos eficiente, y se trata de solventar las limitaciones encontradas. Cabe destacar el uso de diferentes herramientas de simulación como WiDiSi o MQTTX para la obtención de unos resultados que nos hagan reafirmar las hipótesis planteadas a lo largo de esta investigación. Por último, analizando los resultados, dado que la mayoría de los estudios se basan en la aleatoriedad para la selección del líder, se propone el diseño de un algoritmo de consenso basado en el algoritmo Raft que permita establecer criterios más útiles para conseguir una mejora de calidad en torno a la elección, en el contexto de WiFi Direct finalizando con la presentación de los resultados que muestran como la flexibilidad inherente del algoritmo proporciona una solución adaptable a diversas aplicaciones y escenarios en sistemas distribuidos abriendo nuevas posibilidades para investigaciones futuras y desarrollos en el campo de las redes distribuidas.

Full text

Equation Chapter 1 Section 1 Trabajo Fin de Grado Grado en Ingeniería de las Tecnologías de Telecomunicación Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M Dpto. Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla Autor: Fausto Botello Jannone Tutores: Luis Javier Reina Tosina Alejandro Talaminos Barroso Sevilla, 20 2 3 Trabajo Fin de Grado Grado en Ingeniería de las Tecnologías de Telecomunicación Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M Autor: Fausto Botello Jannone Tutor: Luis Javier Reina Tosina Profesor titular Alejandro Talaminos Barroso Dpto. de Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2023 Trabajo Fin de Grado: Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M Autor: Fausto Botello Jannone Tutor: Luis Javier Reina Tosina Alejandro Talaminos Barroso El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2023 El Secretario del Tribunal i Agradecimientos A todos los que me han acompañado estos años. Fausto Botello Jannone Grado en Ingeniería de las Tecnologías de Telecomunicación Sevilla, 2023 iii Resumen El aumento del número de dispositivos IoT existentes hoy en día plantea enormes desafíos en los sistemas de comunicaciones. Para satisfacer las crecientes necesidades de los usuarios y utilizar eficientemente los escasos recursos disponibles, la comunicación Device-To-Device (D2D) se considera una importante tecnología emergente para el futuro de las redes. En este trabajo se propone un algoritmo de consenso anticipado y recurrente para la elección del mejor punto de acceso en caso de caída del nodo principal, cambios en la red e itinerancia. Se presenta el diseño y desarrollo de una plataforma de comunicaciones descentralizada que permita una comunicación eficiente y segura entre dispositivos sin necesidad de un concentrador o enrutador central, utilizando la tecnología WiFi Direct. Para este fin, se discuten las limitaciones actuales de los sistemas de comunicación centralizados tradicionales y los beneficios de los sistemas descentralizados, haciendo especial énfasis en los algoritmos de consenso. Más adelante, la investigación se centra en el diseño y la implementación de la plataforma propuesta, incluido el uso de WiFi Direct para el descubrimiento y la conexión de dispositivos, utilizando protocolos Machine-to-Machine (M2M) para una transferencia de datos eficiente, y se trata de solventar las limitaciones encontradas. Cabe destacar el uso de diferentes herramientas de simulación como WiDiSi o MQTTX para la obtención de unos resultados que nos hagan reafirmar las hipótesis planteadas a lo largo de esta investigación. Por último, analizando los resultados, dado que la mayoría de los estudios se basan en la aleatoriedad para la selección del líder, se propone el diseño de un algoritmo de consenso basado en el algoritmo Raft que permita establecer criterios más útiles para conseguir una mejora de calidad en torno a la elección, en el contexto de WiFi Direct finalizando con la presentación de los resultados que muestran como la flexibilidad inherente del algoritmo proporciona una solución adaptable a diversas aplicaciones y escenarios en sistemas distribuidos abriendo nuevas posibilidades para investigaciones futuras y desarrollos en el campo de las redes distribuidas. xi ÍNDICE DE TABLAS Tabla 1-1 Comparativa de características de los sistemas centralizados frente a los descentralizados Tabla 3-1 Comparación entre protocolos Bluetooth, UWB, ZigBee y WiFi Tabla 3-2 Comparativa protocolos M2M Tabla 3-3 Fortalezas y debilidades protocolos M2M Tabla 4-1 Interfaces principales de Peersim Tabla 4-2 Métodos principales de la clase WifiP2pManager Tabla 6-1 Mapeo de potencia recibida (Pr) a niveles de RSSI cuantizados xiii ÍNDICE DE FIGURAS Figura 1-1 Ilustración del problema de los puentes de Köninsberg Figura 1-2 Esquema simplificado de nodos Figura 1-3 Sistema centralizado, descentralizado y distribuido Figura 2-1 Esquema de roles que se consideran en algoritmo de Paxos Figura 2-2 Esquema de funcionamiento del algoritmo de Paxos Figura 2-3 Modelo de máquina de estados para algoritmo Raft Figura 2-4 Modelo de máquina de estados para algoritmo de IBFT Figura 2-5 Capas en un proceso cuando se usa un detector de fallos para resolver el consenso Figura 2-6 Comunicaciones dentro de un grupo Figura 2-7 Resultado de simulación de este proceso para un escenario de 50 nodos Figura 2-8 Formación de clústeres Figura 2-9 Escenario después de la etapa MCI Figura 2-10 Escenario después de la etapa FCI Figura 3-1 Procedimiento de descubrimiento de dispositivos en WiFi Direct Figura 3-2 Métodos de formación de grupos en WiFi Direct Figura 3-3 Comunicación MQTT Figura 3-4 Arquitectura de comunicaciones DDS Figura 4-1 Entorno de modelado dentro de Visual Paradigm Figura 4-2 Inicio IDE de Eclipse Figura 4-3 Entorno de análisis de redes de Acrylic Figura 4-4 Entorno de simulación MQTTX Figura 5-1 Ejecución del simulador para un tamaño de red de 200 nodos Figura 5-2 Tiempo real de ejecución dependiendo del número de nodos Figura 5-3 Número de grupos formados dependiendo del número de nodos Figura 5-4 Porcentaje de nodos conectados dependiendo del número de nodos Figura 5-5: GUI con Cliente y Servidores Figura 5-6 Proceso de elección del líder Figura 5-7 Proceso de replicación y compromiso de registros Figura 5-8 Proceso de Reelección Figura 6-1 Ejecución perfil “Estabilidad de la señal” sin prioridad Figura 6-2 Ejecución perfil “Conservación de energía” con prioridad Figura 6-3: Esquema transferencia de datos con protocolo MQTT Figura 6-4: Establecimiento de conexiones y suscripción del topic principal Figura 6-7: Publicación de valores por parte del Nodo 1 Figura 6-8: Suscripción que muestra valores publicados por otros nodos en el Nodo 4 Figura 6-9: Estructura del doble topic Figura 6-10: Diagrama de flujo de la implementación xv xvii Notación ACK Acknowledgement AES Advanced Encryption Standard AMQP Advanced Message Queuing Protocol API Application Programming Interface AP Access Point ASK Amplitude Phase Keying BAS Bonjour Access Service BPSK Binary Phase Shift Keying BSS Basic Service Set CBC Cipher Block Chaining CCK Complementary Code Keying CLB Cluster Building CoAP Constrained Application Protocol CPU Central Processing Unit CNG Cluster Neighbourhood Gathering COFDM Coded Orthogonal Frequency Division Multiplexing CRC Cyclic Redundancy Check D2D Device to Device DDS Data Distribution Service DHCP Dynamic Host Configuration Protocol DNE Dominant Node Election DNS Domain Name System DTLS Datagram Transport Layer Security DTN Delay Tolerant Networks DSSS Direct Sequence Spread Spectrum DS-UWB Direct Sequence Ultra-Wideband EGO Emergency Group Owner EMC Efficient Multi group formation and Communication ESS Extended Service Set FHSS Frequency Hopping Spread Spectrum FCI Final Cluster Interconnection GFSK Gaussian Frequency Shift Keying GM Group Member GOD Dominant Group Owner GO Group Owner IBFT Istanbul Byzantine Fault Tolerance IEEE Institute of Electrical and Electronics Engineers IOT Internet of Things IP Internet Protocol LAN Local Area Network LC Legacy Client M2M Machine-to-Machine MAC Media Access Control MB-OFDM Multiband Orthogonal Frequency Division Multiplexing MQTT Message Queuing Telemetry Transport NACK Negative Acknowledgement NBIP Name Based Interest Profiles NoA Notice of Absence NoSQL No Structured Query Language OPS Opportunistic Power Save O-QPSK Offset Quadrature Phase Shift Keying PBFT Practical Byzantine Fault Tolerance PoA Proof of Authority PoS Proof of Stake PoW Proof of Work P2P Peer-to-Peer PSK Phase Shift Keying QoS Quality of Service QPSK Quadrature Phase Shift Keying RSSI Received Signal Strength Indicator SPI Service Plugin Interface SSL Secure Socket Layer TCP Transmission Control Protocol TLS Transport Layer Security UDP User Datagram Protocol URI Uniform Resource Identifier WEP Wired Equivalent Privacy WLAN Wireless Local Area Network WPA WiFi Protected Access WPS WiFi Protected Setup xix 6 Introducción 6 Así, se puede decir que, dado un conjunto de entidades autónomas, el problema de consenso puede plantearse mediante grafos para poder alcanzar un acuerdo en torno a una opinión, que se representará mediante un valor escalar, partiendo del conjunto inicial de opiniones de las entidades. A este tipo de procesos se les conoce como procesos de difusión de información o de propagación de creencias. El algoritmo de consenso es uno de los métodos más utilizados para abordar estos problemas, ya que resulta esencial en los sistemas descentralizado y distribuidos para asegurar no solo un acuerdo entre todos los participantes sino también una coordinación para poder ser independiente de una autoridad centralizada. 1.4 Hipótesis y objetivos Este Trabajo se sustenta sobre dos hipótesis fundamentales. En primer lugar, que es posible mejorar el rendimiento de los algoritmos de consenso al establecer nuevos criterios para la selección del consenso y optimizar tanto la velocidad como la calidad de la toma de decisiones en procesos de múltiples participantes en un sistema distribuido. La segunda hipótesis propone que el algoritmo de consenso Raft es la mejor opción para implementar en un sistema basado en la tecnología WiFi Direct. Raft es un algoritmo de consenso líder en la industria, destacando por su capacidad para proporcionar una toma de decisiones rápida y confiable en sistemas distribuidos. Además, Raft es conocido por ser fácil de entender, implementar y mantener, lo que lo hace adecuado para una amplia variedad de aplicaciones, incluyendo aquellas basadas en WiFi Direct. La primera hipótesis se puede justificar como consecuencia de la madurez de las tecnologías de la computación, que permite la exploración y aplicación de nuevos criterios de selección del consenso en sistemas distribuidos. Este avance se ha desarrollado mediante herramientas y técnicas más sofisticadas que permiten la recolección, procesamiento y análisis de grandes volúmenes de datos en tiempo real, lo que significa que es posible considerar una amplia variedad de factores en el proceso de selección del consenso. Además, la creciente complejidad de los sistemas distribuidos y la mayor participación de múltiples nodos en los procesos de consenso, han hecho que sea necesario implementar nuevos criterios de selección del consenso para garantizar la eficiencia y calidad en la toma de decisiones. Por lo tanto, se espera que la exploración y aplicación de nuevos criterios de selección del consenso puedan mejorar significativamente el rendimiento de los algoritmos de consenso en sistemas distribuidos y facilitar la adopción de estas tecnologías en un mayor número de aplicaciones. La segunda hipótesis se apoya en estudios previos que han demostrado que Raft es altamente escalable y eficiente en términos de tolerancia a fallos y velocidad de transmisión en redes distribuidas. Además, la tecnología WiFi Direct ofrece una solución inalámbrica de bajo consumo y alta velocidad que se adapta perfectamente a las necesidades de transmisión de datos de un algoritmo de consenso como Raft. El objetivo de este trabajo es diseñar y desarrollar una plataforma de comunicaciones descentralizada que permita una comunicación eficiente y segura entre dispositivos sin necesidad de un concentrador o enrutador central utilizando la tecnología WiFi Direct y protocolos M2M. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 7 Para alcanzar este objetivo general se atenderá a los siguientes objetivos específicos: - Identificar las limitaciones de los sistemas de comunicaciones centralizados tradicionales y los beneficios de los sistemas descentralizados, enfocándose en el estudio de los algoritmos de consenso. - Investigar el uso de WiFi Direct para el descubrimiento y la conexión de dispositivos, así como la implementación de protocolos M2M para una transferencia de datos eficiente. - Proponer un algoritmo de consenso anticipado y recurrente para la elección del mejor punto de acceso en situaciones de caída del nodo principal y cambios en la red e itinerancia. - Implementar dicho algoritmo de consenso basado en Raft para la selección del líder en la plataforma propuesta y evaluar su rendimiento en comparación con la aleatoriedad en la elección del líder. 1.5 Estructura del proyecto La memoria de este Trabajo está estructurada en capítulos, cuyos contenidos se resumen brevemente a continuación: El capítulo I contiene una breve introducción al proyecto, incluyendo la motivación que ha llevado a desarrollar esta investigación junto a un análisis de cómo enfocar el problema empezando por la teoría de grafos y acabando en los algoritmos de consenso. En el capítulo II se realiza una revisión de los principales algoritmos de consenso a la vez que trata de mostrar aquellos que se encuentran en el estado del arte. En el capítulo III se estudia el uso de WiFi Direct para el descubrimiento y la conexión de dispositivos, así como la implementación de protocolos M2M para una transferencia de datos eficiente. El capítulo IV expone los materiales utilizados durante el desarrollo del Trabajo. En el capítulo V se presentan y analizan en detalle los resultados obtenidos con dos de los algoritmos expuestos en el capítulo II como son el algoritmo RedMesh basado en WiFi Direct y el algoritmo Raft. Para ello, se ejecutan simulaciones en entornos controlados como son WiDiSi y el IDE de Eclipse respectivamente. El capítulo VI comienza con un análisis detallado de las propiedades fundamentales que se deben considerar para seleccionar un algoritmo de consenso adecuado. A continuación, se presenta la propuesta de un nuevo algoritmo innovador de consenso anticipado y recurrente que permite, seleccionar de manera eficiente el mejor punto de acceso en escenarios donde ocurren caídas del nodo principal y se producen cambios en la red. El capítulo finaliza con la implementación del algoritmo en grupos de WiFi Direct, utilizando protocolos M2M para la transferencia eficiente de los datos, discutiendo los resultados obtenidos en los diferentes modelos y escenarios implementados. En el capítulo VII se presentan las conclusiones obtenidas a partir de la investigación realizada. Por último, en el capítulo VIII se referencia toda la bibliografía utilizada para la realización de este Trabajo. 8 2 FUNDAMENTOS DE LOS ALGORITMOS DE CONSENSO 2.1 Introducción os sistemas centralizados ayudaron al crecimiento de las primeras redes de comunicaciones, ya que constituían la única opción. Hoy en día están casi obsoletos y los sistemas de comunicaciones se modifican continuamente para adaptarse a topologías distribuidas y al intercambio de datos entre usuarios de forma descentralizada. Ante este escenario, surge la necesidad de poner de acuerdo a los diferentes nodos sobre la información que se comparte de manera ordenada y segura. El consenso es un concepto esencial en estos tipos de sistemas y existe una línea de investigación centrada en determinar qué algoritmo consigue llegar a un acuerdo entre los nodos de la manera más efectiva. Los algoritmos de consenso funcionan bajo la hipótesis de la no disponibilidad de ciertos procesos y bajo la hipótesis de fallo de determinadas comunicaciones. Estos algoritmos juegan un papel notable para cuantificar la seguridad o validez de una red de datos que consta de múltiples nodos no confiables. Se han propuesto muchos algoritmos a lo largo de los años y cada uno tiene su propio rendimiento y características. Comprender las diferentes características de cada algoritmo es crucial para poder diseñar e implementar sistemas efectivos. Es vital comparar técnicamente los algoritmos disponibles para resaltar sus fortalezas al igual que sus debilidades y sus casos de uso en la actualidad. L No puedes unir los puntos mirando hacia adelante; solo puedes unirlos mirando hacia atrás. Así que tienes que confiar en que los puntos de alguna manera se unirán en tu futuro -Steve Jobs- 9 Fundamentos de los algoritmos de consenso 9 2.2 Definición de consenso y objetivos Se puede definir un algoritmo de consenso como un mecanismo que permite a los nodos coordinarse en un entorno distribuido. Se debe garantizar que todos los agentes del sistema puedan ponerse de acuerdo respecto a una fuente única de verdad, incluso en el caso de que algunos de ellos fallen. O lo que es lo mismo, el sistema debe tener tolerancia a fallos [10] . Si se habla en términos sencillos, solo es un método de toma de decisiones dentro de un grupo. Para apoyar la teoría se va a plantear un ejemplo. Supóngase que se tiene que tomar una decisión entre un grupo de diez personas sobre un proyecto que los beneficie a todos. Cada persona puede sugerir una idea, pero la mayoría estará a favor de la que más les beneficie. El resto tendrá que acatar la decisión más votada, sea de su gusto o no. Si se plantea el mismo escenario, pero escalándolo a miles de personas, supone un incremento en la dificultad de tomar una decisión. Los algoritmos de consenso no solo están de acuerdo con la mayoría de los votos, sino que también están de acuerdo con aquel que los beneficie a todos y, por lo tanto, siempre será una victoria para la red. Los objetivos particulares de estos algoritmos son: - Llegar a un acuerdo - Colaboración - Cooperación - Igualdad de derechos - Participación - Actividad Para un sistema de red distribuida, no es muy común que todos los nodos estén disponibles cada vez que se quiera llegar a un acuerdo, al igual que hay bastantes posibilidades de que se pierda información durante la transmisión de ésta. Los algoritmos de consenso resuelven uno de los mayores problemas que un sistema distribuido puede tener: asegura que el acuerdo se lleva a cabo con los mínimos recursos necesarios, al igual que asegura la integridad y transparencia de las decisiones que se toman. Los algoritmos de consenso son vitales en los sistemas de gran escala ya que permiten que un conjunto de servidores distribuidos funcione como un grupo coherente. A su vez, llegan a un acuerdo, incluso en presencia de fallos o interrupciones. Para lograr esto, el algoritmo establece un umbral o número de máquinas miembros de un sistema que deben llegar a un consenso/acuerdo. Dado un sistema distribuido en el que cada proceso comienza con un valor inicial, resolver el problema de consenso supone proponer un algoritmo distribuido válido que permita a cada proceso generar un valor del mismo tipo que los valores de entrada, de tal manera que se cumplan estas tres condiciones: llegar a un acuerdo, generar validez y terminar el acuerdo. Los sistemas distribuidos son a menudo sistemas parcialmente síncronos, sujetos a fallos en procesos, en el canal o en la temporización y recuperación. En un sistema distribuido parcialmente síncrono, los procesos toman acciones dentro del tiempo estipulado y los mensajes se entregan dentro de un tiempo determinado. Sin embargo, estos límites de tiempo se establecen para el normal funcionamiento de la red sujeto a la inexistencia de fallos o lo que sería lo mismo, en un entorno ideal. Es por este motivo que los límites de tiempo mencionados anteriormente pueden ser traspasados ocasionalmente cuando se plantea un fallo puntual. Los procesos pueden detenerse y recuperarse; es posible mantener el estado de un proceso, o parte de él, en un almacenamiento estable para que el estado sobreviva al fallo. También se puede plantear la posibilidad de que los mensajes se puedan perder, duplicar o reordenar [11] . Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 10 Cualquier algoritmo de consenso práctico necesita considerar todos estos escenarios. Es más, las propiedades básicas de seguridad no deben verse afectadas por la ocurrencia de algún fallo. También se debe tener en cuenta el rendimiento del propio algoritmo, que debe ser bueno cuando no hay fallos, pase a no ser demasiado eficiente cuando se encuentra con ellos, pero que siga funcionando. A continuación, se presentan algunos ejemplos de los algoritmos de consenso más populares. 2.3 Algoritmo de Paxos El problema de la consistencia en los sistemas distribuidos ha sido objeto de estudio durante muchos años. El algoritmo de Paxos, propuesto por Lamport [12], cumple con los requisitos básicos para considerarse una solución al problema de cómo alcanzar un acuerdo sobre una resolución en un sistema distribuido. Este algoritmo posee buenas propiedades de tolerancia a fallos y, cuando el sistema es estable, combina estas propiedades con el rendimiento eficiente de un algoritmo. Por lo tanto, puede resultar útil en la práctica para resolver dicho problema. Ejemplos representativos de su aplicación incluyen Google Chubby y Hadoop ZooKeeper, que son mecanismos de sincronización basados en la nube utilizados en arquitecturas de distribución [13]. En el artículo original, el algoritmo se describe como el resultado de descubrimientos de estudios arqueológicos de una antigua civilización griega. Dicho documento contiene también una prueba de corrección y una discusión del análisis de rendimiento. El modelo considerado es un sistema distribuido parcialmente síncrono [14] donde cada proceso tiene un canal de comunicación directo entre sí. Los fallos permitidos por este algoritmo son bien de temporización, relacionados con mensajes, ya sean de pérdida, duplicado o reordenación de estos o fallos debidos a la detención de distintos procesos. Se permiten recuperaciones de dichos procesos siempre y cuando se disponga de ciertos recursos de almacenamiento estable. Este algoritmo garantiza un funcionamiento seguro, lo cual implica que todo el proceso de llegar a un acuerdo y su posterior validación se realiza de manera confiable, independientemente de los fallos que puedan surgir en el proceso. Cuando el sistema distribuido se estabiliza, es decir, no hay fallos ni procesos de recuperación y la mayoría de los procesos no se detienen por un período prolongado, se alcanza la terminación del acuerdo y podemos afirmar que el desempeño del algoritmo es satisfactorio. El estilo utilizado para la descripción del algoritmo a menudo desvía la atención del lector. Es por esto que, a pesar de ser un algoritmo práctico y elegante, su formulación no es obvia. Aun así, es ampliamente utilizado y se puede ver en los numerosos artículos que se encuentran donde se aplica este algoritmo. Véase la importancia de su uso en máquinas de estado replicadas con este algoritmo para la base de datos de un almacén de alto rendimiento [15] hasta sistemas de replicación de máquinas de estado resistente a las particiones de red parciales, un importante foco disruptivo de los últimos años [16]. 11 Fundamentos de los algoritmos de consenso 11 2.3.1 Fundamentos de Paxos El algoritmo define, por lo general, tres roles [17] (véase la Fig. 2-1): - Proponentes: Encargados de proponer valores para llegar a un acuerdo entre los nodos. - Aceptores: Aquellos que contribuyen a llegar a un acuerdo estipulado. - Aprendices: Encargados simplemente de aprender el valor fijado llevado a consenso una vez validado. Figura 2-1 Esquema de roles que se consideran en algoritmo de Paxos [10] En la práctica, los nodos pueden adoptar múltiples roles, incluidos todos ellos. Por lo general, nada impide que un nodo pueda enviar propuestas a otro nodo, luego pueda contribuir a la consecución de un acuerdo y a su vez aprender el valor final alcanzado por consenso. Otra característica es que los nodos deben saber cuántos aceptores componen la mayoría. Esto es importante de destacar debido a la propiedad que establece que dos mayorías siempre se superpondrán en al menos un nodo. Este punto lo veremos con más detenimiento en los ejemplos propuestos más adelante. Todos los nodos deben ser persistentes. En otras palabras, no pueden olvidarse de lo que han acatado previamente. Una iteración Paxos persigue la consecución de un consenso único. Esto quiere decir que solo se podrá llegar a un acuerdo por un único valor. Una vez que se ha alcanzado este consenso, no podrá progresar hacia otro consenso, ya que hará falta otra iteración. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 12 2.3.2 Funcionamiento de Paxos Para organizar este proceso, se evalúa un número distinto de propuestas en cada iteración. Las propiedades de seguridad del algoritmo no dependen de nada más que de que los números de la propuesta sean distintos, pero dado que los números más altos anulan los más bajos, para progresar necesitaremos que aumenten con el tiempo. El mecanismo de votación se establece como sigue (véase la Fig. 2-2): Figura 2-2 Esquema de funcionamiento del algoritmo de Paxos [18] 1. Antes de votar, el proponente manda un mensaje de preparación (𝑛) a todos los aceptantes, donde 𝑛 es el número de propuesta. 2. El aceptante compara 𝑛 con el valor más alto de propuesta que tenga. Si 𝑛 es superior, el aceptante responde a esto con la promesa de nunca aceptar ninguna propuesta con un número menor. Esto se hace para que las propuestas antiguas no sean ratificadas repentinamente. 3. El proponente espera a recibir la confirmación de la mayoría de los aceptantes. Si algún acuse de recibo contenía un valor, establece 𝑣 en el valor más reciente (en el orden del número de propuesta) que recibió. 4. Luego, se envía un mensaje de aceptación - accept (𝑛, 𝑣) - a todos los aceptantes, aunque solo es necesario que se lo envíe a la mayoría. 5. Al recibir el mensaje – accept (𝑛, 𝑣) - un aceptante acepta 𝑣 a menos que ya haya recibido - prepare (𝑛′) - para algún 𝑛′>𝑛. 6. Si la mayoría de los aceptantes acepta el valor de una propuesta determinada, ese valor se convierte en el valor de decisión del protocolo. 7. Los aceptores envían mensaje a los aprendices para informar del valor que se ha llegado en consenso. 13 Fundamentos de los algoritmos de consenso 13 2.3.3 Variantes del algoritmo Paxos para sistemas distribuidos Mientras que Paxos es un protocolo de consenso que acuerda un valor único, nos encontramos con una variante interesante como es el MultiPaxos. Es un protocolo de replicación de máquina de estado que acepta una secuencia o registro de valores y se utiliza para coordinar múltiples servidores en un sistema distribuido [19]. Este algoritmo es utilizado para asegurar que dichos servidores lleguen a un acuerdo en la selección de un valor o decisión común. Los clientes envían comandos de máquina de estado a MultiPaxos. Éste coloca los comandos en un registro totalmente ordenado y las réplicas de máquinas de estado ejecutan los comandos en orden de registro, empezando por el estado inicial y ejecutando los mismos comandos en el mismo orden. Por este motivo, todas las réplicas de máquinas de estado se mantienen sincronizadas. En Paxos, cada operación de consenso es vista como una instancia separada del protocolo, lo que significa que se necesita un proceso de elección de líder y una ronda de proposición, aceptación y confirmación para cada operación individual. MultiPaxos introduce una optimización para este proceso, permitiendo a los sistemas distribuidos llevar a cabo múltiples operaciones de consenso en una secuencia rápida de fases de proposición, aceptación y confirmación, sin necesidad de volver a realizar la elección de líder en cada ronda. Esto se traduce en que se consigue con MultiPaxos una mayor eficiencia y rendimiento que con Paxos, especialmente en sistemas distribuidos que necesitan procesar una gran cantidad de operaciones de consenso. Además, MultiPaxos también es más fácil de implementar y mantener que Paxos, lo que lo hace una opción popular en sistemas distribuidos modernos. El algoritmo MultiPaxos es utilizado en muchos sistemas distribuidos para garantizar la coherencia y la disponibilidad de datos en el sistema. Por ejemplo, se puede utilizar en sistemas de bases de datos distribuidas para asegurar que las actualizaciones a los datos se propaguen a través del sistema de manera coherente y confiable como es el caso de Apache Cassandra [20]. Apache Cassandra es un sistema de bases de datos distribuidas altamente escalable y disponible. Utiliza MultiPaxos como parte de su protocolo interno de replicación y consenso para garantizar la consistencia y la coherencia de los datos en todos los nodos del clúster. Supóngase un escenario donde tenemos un clúster de nodos distribuidos en diferentes ubicaciones geográficas. Cada nodo en el clúster almacena y replica una porción de los datos de manera distribuida para lograr la redundancia y la alta disponibilidad. Cuando se realiza una actualización de datos en uno de los nodos, por ejemplo, la inserción de un nuevo registro o la modificación de un registro existente, el nodo coordinador responsable de esa operación utiliza el algoritmo MultiPaxos para llegar a un consenso con los demás nodos del clúster. El algoritmo MultiPaxos permite que los nodos acuerden el orden en el que se aplicarán las actualizaciones en todos los nodos, asegurando así la coherencia y la consistencia de los datos. Esto significa que todas las réplicas de los datos se actualizarán de manera sincronizada y reflejarán los mismos cambios. Gracias a MultiPaxos, Apache Cassandra puede garantizar que las actualizaciones de datos se propaguen de manera confiable y coherente en todo el sistema distribuido, incluso en presencia de fallos de nodos individuales o interrupciones de red. Esto permite a los usuarios obtener una visión consistente y confiable de los datos en todo momento, lo que es esencial en aplicaciones que dependen de una base de datos distribuida para operar correctamente. Por otro lado, en el contexto de redes inalámbricas de baja potencia, donde los recursos son limitados surge una solución para el excesivo intercambio de mensajes que ocurre en Paxos. Estos intercambios se traducen en la necesidad de tener un gran ancho de banda para poder lograr un consenso. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 14 Por esta razón, ha surgido un protocolo many-to-many como alternativa para aplicaciones que requieren una coordinación compleja entre sus miembros en redes inalámbricas de bajo consumo. Este protocolo es especialmente útil para tales aplicaciones, permitiendo una comunicación eficiente y una coordinación efectiva. Se presenta así Wireless Paxos [21], una aplicación del algoritmo Paxos a redes inalámbricas donde la conectividad puede ser intermitente. En este contexto, los nodos pueden estar temporalmente desconectados, lo que puede provocar la falta de coordinación y de consenso en el sistema. Wireless Paxos se encarga de resolver este problema permitiendo que los nodos acuerden un orden de mensajes incluso si algunos nodos se encuentran temporalmente desconectados o si la conectividad de la red es pobre. De esta forma, el protocolo garantiza que se llegue a un consenso en el orden de los mensajes, lo que es fundamental en muchos sistemas distribuidos. En concreto, el diseño de Wireless Paxos se basa en tres principios: - Comunicación orientada a la transmisión, ya que se aprovechan las propiedades de transmisión de la tecnología del medio inalámbrico para difundir solicitudes y recopilar respuestas eficientemente desde todos los nodos. - Transmisiones simultáneas, se construyen sobre transmisiones concurrentes para proporcionar baja latencia y alta confiabilidad. - Computación local y agregación, distribuyendo la lógica de decisión del proponente a todos los nodos a través de una función de agregación para convertir Paxos a un esquema de many-to-many. 2.3.4 Verificación de Paxos: explorando sus aplicaciones y estudios relevantes La verificación de Paxos ha sido objeto de numerosos estudios que buscan analizar su funcionamiento y aplicaciones en diversos contextos. Entre las técnicas utilizadas, destaca la verificación de modelos, la cual permite explorar automáticamente el espacio de estados de los sistemas. Lamport escribió especificaciones en TLA+ para Paxos y sus variantes, como Fast Paxos [22], y las verificó utilizando el verificador de modelos TLA+ llamado TLC [23]. Yabandeh et al. [24]verificaron una implementación en C++ de Paxos utilizando CrystalBall, una herramienta construida sobre Mace [25], que incluye un verificador de modelos. También se llegó a modelar Paxos en Promela, en este caso Delzanno et al. [26] y lo verificaron utilizando el verificador de modelos Spin [27]. Se realizó para reducir el espacio de estados, utilizando guardias de conteo para rastrear la mayoría, reinician las variables locales después de las operaciones de estado y utilizar un envío ordenado en lugar de envío FIFO. Estos estudios han permitido identificar errores y optimizaciones en la implementación de Paxos, abriendo el camino hacia su aplicación en sistemas distribuidos de manera más confiable y eficiente. Tanta es la importancia de estos estudios que surge así el siguiente algoritmo a destacar. 15 Fundamentos de los algoritmos de consenso 15 El algoritmo Raft no es más que una alternativa a Paxos debido a su complejidad inherente. El estudio de Ongaro y Ousterhout [28] se propone diseñar un algoritmo de consenso que fuera más fácil de entender y de implementar sin comprometer la confiabilidad y la escalabilidad. Este algoritmo está basado en el liderazgo de un único líder y la replicación de registros de estado y se ha convertido en una alternativa popular a Paxos en muchos sistemas distribuidos debido a su naturaleza más intuitiva y su mayor legibilidad. A continuación, exploraremos en detalle el algoritmo Raft y su funcionamiento. 2.4 Algoritmo Raft Propuesto por Diego Ongaro y John Ousterhout [28], Raft es un algoritmo de consenso que está diseñado para ser fácil de entender. Es equivalente a Paxos en tolerancia a fallos y rendimiento. La principal diferencia reside en que se descompone en subproblemas relativamente independientes. Este algoritmo de consenso busca lograr consistencia en un grupo de nodos los cuales comparten información. Trabaja seleccionando a un nodo como líder, el cual realiza solicitudes y coordina el resto de nodos para implementarlas. El clúster de nodos de Raft, trabaja mientras exista una mayoría (51%) de nodos en línea. 2.4.1 Fundamentos de Raft Este algoritmo, a diferencia de Paxos, establece consenso eligiendo primero a un líder distinguido y luego delegando toda la responsabilidad de administrar el registro al líder. El líder recopila entradas de registro de los clientes, las duplica en otros servidores y notifica a los servidores cuando las entradas de registro se pueden aplicar de manera segura a sus máquinas de estado [29]. Los nodos participantes pueden estar en tres estados (véase la Fig. 2-3): - Líder: Todos los cambios que se realicen en el clúster pasan por él primero. - Candidato: Cuando un líder muere, cualquier seguidor puede presentarse a una elección. - Seguidor: Un seguidor simplemente recibe órdenes de los líderes y si alguien externo intenta comunicarse con él, el seguidor redirige la solicitud al último líder que conoce. Figura 2-3 Modelo de máquina de estados para algoritmo Raft [30] Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 22 2.6 Algoritmo Chandra-Toueg El diseño y verificación de aplicaciones distribuidas tolerantes a fallos es comúnmente visto como un reto bastante complejo. En los últimos años se han desarrollado distintos paradigmas que simplifican esta tarea. En 1985, Fischer, Lynch y Paterson [51] demostraron que el problema de consenso no tenía solución en un sistema asíncrono sujeto a fallos de bloqueo en un solo proceso. Sin embargo, en 1991, Chandra y Toueg [52] demostraron que, al aumentar el modelo del sistema asíncrono con un detector de fallos, se puede llegar a resolver el problema de consenso. Se propone un algoritmo para resolver este problema en un modelo asíncrono donde los procesos están totalmente interconectados a través de canales de comunicación punto a punto bidireccionales casi confiables, en los cuales la entrega de mensaje solo está garantizada si y solo si se consigue que ni el remitente ni el destinatario fallen. Es por este motivo, que se siguen estas premisas: - La hipótesis de que solo una minoría de procesos puede fallar. - La presencia de un detector de fallos para proveer información en caso de que ocurra algún fallo. Precisamente, este algoritmo sirve para resolver el consenso en una red de procesos poco confiables equipados con un detector de fallos eventualmente potente. 2.6.1 Detectores de fallos Un detector de fallos es como un módulo o dispositivo abstracto establecido en cada proceso para que pueda proporcionar información relacionada con el estado operativo de los otros procesos del sistema. Un estudio detallado de detectores de fallos realizado por Nie et al. [53] lleva a cabo una investigación minuciosa sobre más de 90 artículos clave en este aspecto, clasificándolos en ocho categorías según el procedimiento de prueba al que pertenecen. Para cada categoría, se detiene en encontrar su motivación, los temas clave, las soluciones y el estado actual de la investigación, revisando las contribuciones y presentando las tendencias en crecimiento en ese momento. Para tener una imagen más visual se establece una estructura en capas del proceso (véase la Fig. 2-5). - La capa de transporte proporciona a los procesos la capacidad de enviar y recibir mensajes a través del canal de comunicación. - La capa del detector de fallos monitorea otros procesos y ofrece información posiblemente poco confiable sobre procesos defectuosos a la parte superior capa. - La capa de consenso usa información de su módulo detector de fallos para lograr el acuerdo entre los procesos correctos. - Finalmente, la capa de aplicación representa el conjunto de aplicaciones potenciales que podrían beneficiarse del servicio de consenso. 23 Fundamentos de los algoritmos de consenso 23 Los detectores de fallos se caracterizan por dos propiedades: integridad y precisión. La integridad se refiere al tiempo después del cual todos los procesos que fallan son permanentemente sospechosos por algún proceso correcto, mientras que la precisión se refiere al tiempo después del cual nunca se sospecha de algún proceso correcto por cualquier proceso correcto [54]. Aunque los detectores de fallos pueden cometer un número infinito de errores, en la práctica esto no siempre ocurre y estas dos propiedades no siempre se cumplen. En un problema de consenso es suficiente que el proceso se mantenga por un período de tiempo suficientemente largo para que el algoritmo logre su objetivo, es decir, para que los procesos correctos decidan. Figura 2-5 Capas en un proceso cuando se usa un detector de fallos para resolver el consenso [55] Sin embargo, en un sistema asíncrono no es posible cuantificar cuánto tiempo es “suficientemente largo”, ya que incluso un solo paso en el proceso puede tomar una cantidad de tiempo arbitrariamente larga [56]. Por lo tanto, la mayoría de las implementaciones de detectores de fallos se basan en mecanismos independientes del tiempo. Estos detectores son capaces de distinguir entre procesos lentos y procesos muertos. Cada proceso tiene asociado un módulo de detector de fallas que emite continuamente una estimación de los procesos en el sistema que han fallado. La respuesta de salida no tiene que ser necesariamente correcta, de hecho, la principal contribución del artículo es caracterizar cuán falsa puede llegar a ser la salida de un detector de fallas, lo que puede ser de gran utilidad. 2.6.2 Funcionamiento del algoritmo Chandra-Toueg Este algoritmo utiliza el paradigma del coordinador rotatorio y procede en “rondas” asíncronas. Cada proceso del algoritmo Chandra-Toueg realiza un seguimiento de su valor de decisión preferido al actual, que al principio sería su propia entrada, y una marca de tiempo que sería el número de rondas en las que actualizó por última vez su preferencia. Los procesos pasan por una secuencia de rondas asíncronas, cada una dividida en cuatro fases [57]: 1. Todos los procesos envían - ronda, preferencia, marca de tiempo - al coordinador de la ronda. 2. El coordinador espera a escuchar de la mayoría de los procesos. Luego, el coordinador establece como su preferencia un valor con la marca de tiempo más reciente entre todos los enviados y envía - ronda, preferencia - a todos los procesos. 3. Cada proceso espera la nueva propuesta del coordinador o que el propio detector de fallos sospeche del coordinador. Si recibe una nueva preferencia, la adopta como propia, establece una marca de tiempo para la ronda actual y envía - ronda, acuse de recibo - al coordinador. De lo contrario, envía - ronda, NACK - al coordinador. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 24 4. El coordinador espera recibir ACK o NACK de la mayoría de procesos. Si recibe el apoyo de la mayoría, anuncia la preferencia actual como el valor de decisión del protocolo usando una transmisión fiable. 2.7 Algoritmo CoNICE A medida que el mundo se vuelve cada vez más dependiente de la conectividad de una red, también es importante ser resilientes ante situaciones en las que la conectividad es intermitente [58]. Centrándonos en el caso de la conectividad a un punto de acceso (AP), si el AP está dañado, se puede decir que no está disponible, y se tiene que ser capaz de diseñar protocolos que permitan la difusión de información tolerando esta intermitencia en la conectividad. Los algoritmos de consenso descritos anteriormente, como Paxos o Raft, son los más adecuados para entornos conectados con enlaces fiables, pero no siempre ocurre así. Surge entonces el problema de que la información deba ser difundida de forma intermitente en ciertos instantes, ya que la propia infraestructura de la red puede dejar de estar disponible en algunos momentos. Esto se puede lograr a través del ordenamiento causal y del consenso. En este contexto se han realizado distintas aportaciones al diseño de algoritmos de consenso para entornos conectados intermitentemente, como el algoritmo OTR [59], una solución elegante para solventar el problema de consenso en redes donde la pérdida de mensajes puede ocurrir, aunque es necesario mejorar su eficiencia y finalización oportuna. Para abordar este tipo de escenarios, las redes oportunistas, también conocidas como ad hoc toleran un grafo de topología desconectada con nodos móviles. Aprovechan los intercambios de mensajes de dispositivo a dispositivo en encuentros móviles entre nodos, al igual que en las redes tolerantes a retrasos (DTN) [60] sin depender de la infraestructura de red o de la disponibilidad de una ruta de extremo a extremo. Es ahí donde surge el algoritmo CoNICE [61]. 2.7.1 Funcionamiento del algoritmo CoNICE CoNICE proporciona un procedimiento de consenso con el objetivo de llegar a un acuerdo, de modo que los usuarios respeten el orden causal y que sea el mismo en todos los usuarios. La solución de consenso se basa en el algoritmo OTR extendiéndolo de varias maneras, principalmente con respecto a las invalidaciones de nombres y decisiones. La integración de nombre en CoNICE se asegura de que todos los usuarios interesados estén involucrados en cada sesión de consenso relevante para ellos. Esto reduce sistemáticamente los participantes del consenso a solo los usuarios interesados, ayudando a alcanzar más rápidamente las decisiones. El esquema de consistencia multinivel de CoNICE se integra con un esquema de nomenclatura que sigue un marco de difusión basado en la jerarquía de temas, para mejorar la funcionalidad y el rendimiento. Surgen así los perfiles de intereses basados en nombres (NBIP). Los NBIP capturan las suscripciones de un usuario localmente en sus dispositivos. Cada uno apunta a uno o más nodos (nombres) en un contenedor abstracto en el que un grupo de uno o más identificadores únicos pueden existir. A su vez, se incluyen los subespacios debajo en la jerarquía, enrutados a los nombres apuntados. 25 Fundamentos de los algoritmos de consenso 25 Cada sesión de consenso contiene las siguientes etapas: 1. Validez: Cualquier valor decidido ha sido el valor inicial de algún usuario. 2. Validez de actualización: Cualquier valor decidido es una actualización válida que fue creada. 3. Acuerdo: No hay dos usuarios que decidan diferente. 4. Terminación: Cada usuario correcto decide. Es decir, que no falla permanentemente ni se vuelve inalcanzable. 5. Integridad: Ningún usuario decide dos veces. 6. Se consigue así la difusión constante de actualizaciones entre los usuarios en entornos de sistemas conectados de forma intermitente. CoNICE aprovecha la nomenclatura y la consistencia multinivel para el ordenamiento y consenso causal más selectivo y eficiente. 2.8 Algoritmo basado en WiFi Direct: RedMesh En la actualidad, la interconexión de dispositivos electrónicos es esencial en nuestra vida cotidiana. La tecnología WiFi Direct surge como una alternativa a la infraestructura de red tradicional y se presenta como una forma de establecer conexiones inalámbricas de alta velocidad entre dispositivos móviles sin la necesidad de un punto de acceso intermedio. Esta tecnología permite la creación de una red inalámbrica ad hoc entre dos o más dispositivos, permitiendo la comunicación directa entre ellos, incluso sin la necesidad de una conexión a Internet. En redes de comunicaciones, una red ad hoc se define como aquella en la que no se cuenta con un nodo central, sino que todos los dispositivos conectados están en igualdad de condiciones y se pueden comunicar unos con los otros [62]. Esto lo convierte en una solución costo-efectiva para la necesidad de armar una red independiente y fiable. Bluetooth, WiFi Direct y Zigbee son las tecnologías más conocidas usadas en redes ad hoc de conectividad inalámbrica, aunque WiFi Direct se presenta superior a las demás tecnologías en términos de área de cobertura, caudal y consumo de energía [63]. Una de las principales desventajas del estándar WiFi Direct es su limitación a la hora de afrontar comunicaciones intragrupo. Recientemente, han surgido en la literatura diferentes soluciones para permitir la comunicación entre dispositivos de diferentes grupos, generalmente utilizando un enfoque multi-hop routing [64]. Hasta donde se sabe, solo Baresi [65] y Casetti [66] propusieron algoritmos para crear redes de dispositivos WiFi Direct con el uso simultáneo de interfaces WiFi y WiFi Direct. Sin embargo, estas propuestas no son eficientes ni efectivas para escenarios de gran escala, debido al uso de transmisiones, ya que ofrecen una conectividad limitada. 2.8.1 Tecnología WiFi Direct Aunque en el siguiente capítulo se realizará una revisión más extensa de esta tecnología, aprovechamos esta sección para introducir brevemente algunos conceptos de WiFi Direct necesarios para entender cómo funciona el algoritmo RedMesh. WiFi Direct se basa en la especificación de los estándares 802.11 [67], lo que significa que es compatible con los dispositivos que ya poseen esta tecnología. Los equipos que utilizan WiFi Direct pueden conectarse a otros dispositivos con la misma capacidad, sin la necesidad de ningún otro módulo o router adicional, lo que lo hace especialmente útil en situaciones en las que no hay acceso a una red WiFi o cuando se desea establecer una conexión directa entre dispositivos móviles. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 26 La tecnología WiFi Direct ofrece una variedad de aplicaciones en diferentes áreas, como la transmisión de archivos multimedia, juegos multijugador, aplicaciones de mensajería y aplicaciones empresariales, entre otros. Además, también se ha utilizado en aplicaciones de IoT para permitir la conexión entre dispositivos y sensores. WiFi Direct soporta las conexiones directas entre usuarios sin necesidad de un punto de acceso físico central [68]. Dentro de un grupo de WiFi Direct se definen varios roles. En primer lugar, se tienen múltiples miembros (Group Member – GM´s) y un único dueño (Group Owner – GO) que actúa como punto de acceso para ofrecer un servicio básico (BSS). Los GO son responsables, por tanto, de la participación, avisos y comunicaciones entre los distintos GM´s. Figura 2-6 Comunicaciones dentro de un grupo [67] 2.8.2 Fundamentos del algoritmo RedMesh RedMesh [69], es el primer algoritmo que construye redes malladas que interconectan dispositivos móviles listos para usar que están habilitados para WiFi Direct en escenarios a gran escala. Una vez establecidas, estas conexiones pueden usar solo comunicación unicast. Este algoritmo ha demostrado ser muy efectivo, logrando conectividad total en el 97,28% de los 1.250 escenarios probados con hasta 250 nodos, en un total de 187.500 nodos [69]. WiFi Direct organiza los dispositivos en grupos, en los que un dispositivo, el GO, desempeña el papel de coordinador del grupo, proporcionando detección de nodos, formación de grupos, autenticación, DHCP y servicios de reenvío de datos para el resto de los miembros del grupo. 27 Fundamentos de los algoritmos de consenso 27 2.8.3 Funcionamiento del algoritmo RedMesh Con el objetivo de maximizar la conectividad de la red, el algoritmo utiliza la siguiente secuencia de etapas: 1. Elección de nodo dominante (DNE) El algoritmo comienza con la etapa DNE en la que cada nodo 𝑢 comienza por descubrir sus vecinos 𝑁(𝑢), y los vecinos de esos vecinos 𝑁(𝑁(𝑢)), que llamaremos vecindarios de segundo nivel. Para ello, cada nodo inicializa su interfaz WiFi Direct y se anuncia a sí mismo emitiendo su identificador a través del Servicio de Publicidad Bonjour (BAS). Una vez que los nodos descubren a sus vecinos directos, transmiten esa información a esos vecinos, lo que permite el cálculo de la vecindad de segundo nivel. De su lista de vecinos directos, cada nodo establece si es un Dominant Group Owner (GOD), es decir, si tiene la identificación más alta en su vecindario. Los GODs entonces se convierten en GOs. En la Fig. 2-7 se muestran 9 GODs (cuadrados amarillos), que son los nodos que tienen el ID más alto en su vecindario. Figura 2-7 Resultado de simulación de este proceso para un escenario de 50 nodos [69] 2. Construcción de clúster (CLB) Los GODs activan la etapa CLB al tratar de esclavizar a sus vecinos. Una vez esclavizado, un nodo se convierte en un GO e intenta esclavizar a sus propios vecinos inferiores (aquellos con ID más bajos), lo que hace que el proceso de esclavización fluya de los nodos de ID más altos a los más bajos. Cada GO (incluidos los GOD) garantizará que todos los vecinos inferiores estén esclavizados por algún nodo. Con esto se asegura la conectividad, es decir, todos los vecinos inferiores estarán conectados a un nodo. Por lo tanto, al final de esta etapa, todos los nodos se agrupan en clústeres dominados por un GOD (véase la Fig. 2-8). Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 28 A su vez se intenta esclavizar hasta L1 (número máximo de esclavos permitidos por GO) esclavos, de manera que se maximice el número de esclavos y se reduzca el número de GO. Al tener menos GO, se requieren menos transmisiones de radio, lo que contribuye a un enrutamiento más rápido (ya que hay menos grupos para cruzar), se reducen las interferencias de radio y los costos de mantenimiento de la red. En consecuencia, se forman mejores redes y más eficientes energéticamente. Figura 2-8 Formación de clústeres [69] 3. Reunión de vecindario de clúster (CNG) En esta etapa se preparan los clústeres para la interconexión. Desde la perspectiva de un clúster, sus nodos son locales, mientras que todos los demás se consideran nodos remotos. Los nodos locales con vecindarios que incluyan nodos remotos se pueden usar para la interconexión de clústeres y se denominan nodos candidatos de puerta de enlace. El objetivo de la etapa CNG es triple. Por un lado, enviar información de vecindad a nivel local y remoto (desde los GO, hasta los GOD), e identificar los nodos candidatos de puerta de enlace. Por otra parte, se promueve a algunos de estos candidatos a GO y, por último, enviar información de vecindario a nivel de clúster a clústeres vecinos de mayor rango. 1 𝐿 no puede exceder el número máximo de esclavos del dispositivo, normalmente 8, ni puede ser inferior al número mínimo de vecinos que pueden cubrir la vecindad de un nodo, que es 5 [70], de lo contrario no se garantizará la conectividad. Entonces, 𝐿 ∈ [5, 8]. 29 Fundamentos de los algoritmos de consenso 29 4. Interconexión de clúster principal (MCI) Constituye la primera etapa de interconexión de clústeres, y es donde la mayoría de estas interconexiones ocurren. La etapa es desencadenada por los GODs más altos entre los grupos vecinos y desciende a los grupos más bajos. Los GODs comienzan esperando las notificaciones de finalización de MCI de todos sus clústeres vecinos superiores, luego intentan conectarse a los clústeres vecinos inferiores y concluyen enviando notificaciones de finalización MCI a todos sus clústeres vecinos inferiores. Cada notificación de finalización de MCI contiene los clústeres que se conectaron correctamente de forma directa, los que se conectaron indirectamente a través de clústeres intermedios y también los que se cree que no están conectados (véase la Fig. 2-9). Los clústeres no conectados aún pueden estar conectados a través de alguna otra ruta de red que los clústeres en cuestión no conocen. Los GODs actualizan su tabla de visibilidad cuando reciben notificaciones de finalización de MCI y también cuando se interconectan con otros clústeres. Almacenan las identificaciones de los GODs de todos los clústeres vecinos de rango inferior en una lista llamada “cltsToConnect”, ordenados en orden descendente, y luego intentan conectarse a cada clúster en la lista utilizando el procedimiento de interconexión de clústeres. Figura 2-9 Escenario después de la etapa MCI [69] 5. Interconexión de clúster final (FCI) Esta etapa es una ronda de interconexión de clústeres complementaria, en la que los clústeres intentan conectarse con vecinos más altos que no están conectados. Comienza cuando los GODs de ID más bajos de cada vecindario de clúster reciben notificaciones de finalización de MCI de todos sus clústeres vecinos y luego fluye hacia arriba. Los GODs almacenan todos los clústeres vecinos no conectados superiores en la lista “cltsToConnect”, ahora ordenados en orden ascendente. El procedimiento de interconexión de clústeres se usa luego para conectarse a estos clústeres y el procedimiento de fin de interconexiones para enviar notificaciones de fin de FCI a clústeres vecinos superiores (véase la Fig. 2-10). Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 30 Figura 2-10 Escenario después de la etapa FCI [69] 2.9 Comparativa entre algoritmos de consenso Los algoritmos de consenso constituyen un área de investigación propia de los sistemas descentralizados. Muchas de las propuestas analizadas han sido diseñadas para mantener una base de datos, un registro o una máquina de estado de forma distribuida para un conjunto de servidores completamente interconectado. Una vez revisados distintos ejemplos de algoritmos de consenso es importante hacer una comparativa entre ellos para analizar su utilidad aplicada a nuestro entorno particular. El algoritmo Raft se propuso para abordar los problemas de comprensión que tiene asociado el algoritmo Paxos. El propio documento de Raft afirma que es significativamente más comprensible que Paxos e igual de eficiente. Se ha comprobado en múltiples trabajos que la sencillez de Raft viene de su abstracción y su excelente presentación [71]. Al describir el algoritmo Paxos simplificado utilizando el mismo enfoque que Raft, encontramos que los dos algoritmos difieren solo en su enfoque para la elección del líder. De hecho, este proceso en Raft es bastante más intuitivo que en Paxos. Raft utiliza un proceso de votación para elegir un líder, entre un conjunto de nodos, y ese es el único nodo que permite realizar cualquier actualización en la base de datos. Las actualizaciones son aplicadas posteriormente por el resto de los nodos siguiendo la decisión del líder. Aunque este método permite que el sistema alcance alta consistencia, puede sufrir problemas de escala, ya que tiende a ser intenso en términos de transmisión de mensajes. En Paxos, se dividen los términos entre los servidores, mientras que en Raft se permite que un seguidor se convierta en candidato en cualquiera de los términos, siempre teniendo en cuenta que los seguidores votarán por un solo candidato por período. Si un líder tiene entradas de registro no comprometidas de un plazo anterior, Paxos los replicará en el término actual mientras que Raft los replicará en su término original. Otro aspecto interesante es que los seguidores de Paxos votarán por cualquier candidato, mientras que en Raft, los seguidores solo votarán por un candidato si la entrada del candidato está, al menos, igual de actualizada. 31 Fundamentos de los algoritmos de consenso 31 Los algoritmos basados en Blockchain, sin embargo, son diferentes de las otras propuestas de consenso, ya que funcionan con un número desconocido de participantes sin tratar en ningún momento de averiguarlo. En cambio, sus transiciones son más seguras ya que las medidas introducidas para evitar que los participantes maliciosos alteren las decisiones se asume pagando un mayor costo. Este concepto difiere de la idea de elección de líder, que será necesario para resolver el problema propuesto. Otro aspecto a considerar es que, cuando se introducen fallos bizantinos, se observa que la principal diferencia con Raft, o con cualquier otro algoritmo de tolerancia a fallos, es que los seguidores ya no confían ciegamente en su líder. Cada bloque requiere múltiples rondas de votación por parte del conjunto de validadores para llegar a un acuerdo mutuo, que se registra como una recogida de firmas sobre el contenido del bloque. Un validador nunca asume que el “líder” o el “proponente del bloque” es correcto u honesto. En su lugar, verifica el bloque propuesto al igual que otros motores de consenso que operan en un entorno no confiable. Los algoritmos suelen seguir un patrón común estructurando su ejecución en rondas. En cada ronda, un nodo llamado líder trata de imponer una decisión. Una ronda puede no tener éxito debido a fallos o incertidumbres. Los distintos algoritmos difieren en la forma en que eligen un líder para la siguiente ronda: los procesos en el algoritmo Chandra-Toueg rotan el rol de líder entre todos los procesos, mientras que los procesos en Paxos o Raft eligen líderes directamente de manera aleatoria. Estos dos enfoques, a menudo, se denominan paradigma del coordinador rotatorio y basado en el líder, respectivamente. El algoritmo Chandra-Toueg también se centra en el efecto de la latencia de la solicitud de lectura/escritura en el rendimiento general, donde se intenta encontrar la mejor solución para el sistema de base de datos. Surge debido a la necesidad de escalabilidad y accesibilidad en el sistema de bases de datos distribuidas. Los enfoques anteriores como maestro-esclavo y replicaciones tripartitas no son adecuados en el contexto de clústeres con una gran cantidad de nodos. Cuando se propone CoNICE, se sigue una estructura similar al modelo publicador/suscriptor para asegurar una difusión consistente de actualizaciones entre los usuarios en entornos de conexión intermitente. Tanto es así que se demuestra que CoNICE destaca por lograr un grado considerablemente mayor de efectividad en el acuerdo, debido a que aprovecha la nomenclatura y la consistencia multinivel para el ordenamiento y consenso causal más selectivo y eficiente, lo que justifica la aplicabilidad de CoNICE en escenarios prácticos con conexiones intermitentes. Por último, el algoritmo RedMesh es capaz de crear redes de malla de dispositivos listos para ser habilitados para WiFi Direct. Con esta tecnología se pueden establecer conexiones de comunicación directa entre dispositivos en la red sin necesidad de un punto de acceso centralizado. Esto permite que los dispositivos se comuniquen directamente entre sí, creando una red autónoma y descentralizada, lo que genera ciertas ventajas como una mejora en la resiliencia y la flexibilidad en situaciones en las que la conectividad es limitada o intermitente. Además, este algoritmo es muy escalable y se puede ampliar fácilmente al agregar más nodos a la red. La idea de no depender de un punto de acceso centralizado para enrutar los mensajes a través de la red es bastante poderosa ya que los propios dispositivos pueden utilizar WiFi Direct para establecer conexiones P2P y transmitir mensajes directamente entre ellos. A pesar de las ventajas consideradas, es importante tener en cuenta que, aunque los algoritmos de consenso mencionados anteriormente han demostrado ser eficientes y aplicables en diversos escenarios, también presentan algunas posibles limitaciones. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 38 En el caso de WiFi Direct, la provisión de seguridad comienza después de que se haya realizado el descubrimiento y, si es necesario, se hayan negociado los roles respectivos. Para garantizar la seguridad, se utilizan protocolos de seguridad como WPA2-PSK (WiFi Protected Access 2 - Pre-Shared Key) para cifrar la comunicación y protegerla de posibles ataques. El uso de una clave de seguridad compartida entre los dispositivos asegura que solo los usuarios autorizados puedan acceder a la información transferida. 3.2.2 Ahorro de batería Constituye otro aspecto importante a considerar en WiFi Direct, especialmente en dispositivos con baterías limitadas, como smartphones o tablets. Como se dijo en apartados anteriores, los dispositivos pueden actuar tanto de GO (soft-AP) como de cliente P2P, y se espera que ambos dispositivos ahorren energía tanto como sea posible. Los que se conviertan en GO tendrán que realizar ciertas funciones (como la emisión de señales de baliza y el reenvío de datos) que provocará un mayor consumo de energía en comparación con un cliente P2P, que puede beneficiarse de los protocolos de ahorro de energía ya definidos en IEEE 802.11. Con el fin de abordar el desequilibrio en el consumo de energía entre un GO y un cliente P2P, y permitir que los dispositivos con batería operen de manera eficiente, la especificación de WiFi Direct define dos nuevos protocolos que pueden ser utilizados por un GO [83]: Protocolo de Ahorro de Energía Oportunista (OPS): Permite al GO coordinar el ahorro de energía de los dispositivos miembros del grupo, sincronizando sus períodos de actividad y descanso para reducir el consumo de energía global. Esto permite que los dispositivos con batería operen de manera más eficiente y maximicen la duración de la misma. Protocolo de Aviso de Ausencia (NoA): Permite al GO notificar a los dispositivos vecinos sobre su período de inactividad planificado. Esto permite que los dispositivos vecinos ajusten su funcionamiento y ahorren energía durante ese tiempo, evitando la necesidad de estar constantemente escuchando y consumiendo energía innecesariamente. Estos dos protocolos introducidos en la especificación de WiFi Direct ayudan a equilibrar el consumo de energía entre los GO y los clientes P2P, permitiendo un funcionamiento eficiente y prolongando la duración de la batería en dispositivos con recursos limitados. 3.2.3 Calidad de servicio La vida útil de las aplicaciones que utilizan WiFi Direct depende de la selección adecuada del GO. Si un propietario de grupo se vuelve disfuncional, la calidad de servicio (QoS) de estas aplicaciones se verá comprometida debido a la pérdida de información, el tiempo desperdiciado en reparar el grupo y el agotamiento de recursos. La calidad de servicio constituye aspecto crítico en la comunicación inalámbrica y en particular en WiFi Direct, ya que afecta directamente a la eficiencia y eficacia de las transmisiones de datos. La implementación de algoritmos de consenso anticipado y recurrente en este contexto es esencial para garantizar una buena QoS, ya que permiten la identificación y resolución temprana de conflictos en la comunicación entre dispositivos. 39 WiFi Direct para la conexión entre dispositivos 39 En este contexto, distintos trabajos han llevado a cabo una amplia investigación sobre cómo elegir propietarios de grupo para mejorar la calidad del software y las aplicaciones [84] [85] [86]. Las distintas aportaciones proporcionan una metodología de software para mejorar la QoS en términos de confiabilidad y, por extensión, la fiabilidad y la capacidad de reparación del software sobre la tecnología WiFi Direct, así como la optimización de los recursos utilizados para realizar los servicios. A continuación, se presentan limitaciones técnicas del protocolo WiFi Direct que son consideradas en el diseño de nuestro modelo y se muestran cómo estas limitaciones afectan a los diferentes atributos de QoS [87] . Selección aleatoria: La selección del GO es un proceso aleatorio porque se basa en un valor llamado “valor de intención” establecido también de manera aleatoria para cada dispositivo durante la fase de negociación. Esta forma de selección puede llevar a elegir un GO débil, lo que resulta en un rendimiento deficiente para el grupo creado y en el establecimiento de un grupo poco confiable [88]. Falta de mecanismo de delegación: Hasta ahora, en el estándar de WiFi Direct no se ha definido ningún mecanismo de delegación o transformación fluida al papel de GO dentro del grupo creado. Si el propietario del grupo desea abandonar o finalizar la sesión del grupo por cualquier motivo, el grupo se romperá y, por lo tanto, los clientes perderán su conexión. Como resultado, se perderá la información y el servicio no se completará de manera adecuada. Falta de reformación sin problemas: Cuando el grupo se termina, el grupo debe ser reestablecido desde cero y todos los procesos de formación del grupo deben repetirse; sin embargo, no hay garantía de que el grupo recién creado incluya a todos los miembros anteriores del grupo. Existe una alta probabilidad de crear múltiples grupos pequeños a partir del grupo roto. Este proceso de reformación de manera convencional consume mucho tiempo y prolonga la reparación del grupo, lo que reduce la confiabilidad y la capacidad de reparación del grupo. Los esfuerzos de investigación en esta línea se centran en mejorar la selección del GO para que puedan prolongar la vida útil del grupo y así garantizar una alta disponibilidad para el grupo creado, o en la introducción de un nodo de respaldo para el GO. Por poner varios ejemplos, algunos investigadores evalúan el Indicador de Intensidad de Señal Recibida (RSSI) para seleccionar el GO o el dispositivo de respaldo. Un valor alto de RSSI resulta en un bajo consumo de energía para transferir datos entre dispositivos, por lo tanto, seleccionar el GO o el respaldo con el RSSI más alto prolongará la vida útil del grupo. Zhang et al. [84] utilizan el valor de RSSI del par para mejorar el mecanismo de selección del GO. Si hay dos dispositivos A y B que desean comunicarse, el dispositivo A recibirá una solicitud de B y luego calculará el RSSI del dispositivo B y actualizará la tabla de RSSI con el promedio de RSSI, este proceso se realizará para cada par. Luego se calculará el valor de intención basado en el valor de RSSI más grande. Cuando dos pares tienen el mismo valor de RSSI, se considerará otro factor como la dirección MAC. Otros, sin embargo, como Shahin et al. [89] introducen el protocolo de Formación y Comunicación Eficiente de Múltiples Grupos (EMC) para grupos WiFi Direct, permitiendo así que múltiples grupos se comuniquen entre sí. Utilizan la potencia de la batería restante del par para seleccionar el mejor nodo que se ajuste al rol de GO. Se utiliza una fase de descubrimiento de servicios opcional para permitir que los pares descubiertos compartan el porcentaje de batería. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 40 Por último, Chaki et al. [90] introducen una nueva metodología para restablecer el grupo roto utilizando la fase de negociación. Inyectan una bandera de emergencia GO (EGO) de un solo bit durante la fase de negociación. EGO es la bandera que muestra la disposición del par para reemplazar al GO actual en caso de fallo o salida del GO. Los autores consideran diferentes parámetros como la potencia de batería residual, la velocidad de la CPU y el rango de transmisión para calcular el valor de EGO. El GO recopila los valores de EGO de todos los pares o el propio par comparte su valor de EGO con el GO, de modo que el GO puede marcar al par con el valor de EGO más alto para restablecer el grupo en caso de falla o salida del GO. Como resultado, reducen el tiempo requerido para reformar el grupo desde cero. 3.3 Protocolos M2M para la transferencia eficiente de datos Los protocolos M2M representan una parte importante del uso de WiFi Direct para la transferencia eficiente de datos en redes distribuidas. A través de ellos se realiza la comunicación entre dispositivos sin intervención humana, lo que mejora la eficiencia de la transferencia de datos y reduce los errores. En general, una de las principales diferencias entre los protocolos de comunicación radica en su modelo de interacción. Por un lado, existe el modelo de petición/respuesta, y, por otro lado, el modelo de publicador/suscriptor. El modelo de petición/respuesta es uno de los paradigmas de comunicación más básicos. Representa un patrón de intercambio de mensajes común en las arquitecturas cliente/servidor. Permite que un cliente solicite información a un servidor, que recibe la solicitud, la procesa y envía una respuesta. Este tipo de intercambio de información suele ser gestionado de manera centralizada. Por su parte, el modelo de publicador/suscriptor es de particular interés, ya que los protocolos basados en este modelo surgen como una alternativa al modelo tradicional. Aquí, el “cliente” con el rol de suscriptor no tiene que solicitar información al servidor. En lugar de eso, el suscriptor interesado en recibir mensajes se suscribe a eventos específicos (temas) dentro del sistema. El cliente se suscribe a un intermediario, que actúa como el punto central en esta arquitectura y se encarga de filtrar los mensajes entrantes y enrutarlos adecuadamente entre los publicadores y los suscriptores. Por estas razones, este modelo de interacción es interesante para las aplicaciones de IoT debido a su capacidad para proporcionar escalabilidad y simplificar las interconexiones entre diferentes dispositivos, permitiendo una comunicación dinámica, de muchos a muchos y asíncrona. A continuación, se revisan algunos ejemplos de protocolos M2M [91] que se adaptan bien a la tecnología WiFi Direct. 41 WiFi Direct para la conexión entre dispositivos 41 3.3.1 MQTT - Message Queuing Telemetry Transport MQTT [92] es un protocolo de mensajería diseñado especialmente para dispositivos con restricciones de recursos. Fue desarrollado originalmente por IBM y ahora es un estándar abierto. Utiliza el modelo de comunicación publicador/suscriptor, en el cual los propios clientes no requieren actualizaciones, lo que reduce el uso de recursos. Esto hace que este modelo sea óptimo para su implementación en entornos con limitaciones de ancho de banda. Se caracteriza por utilizar TCP/IP como protocolo de transporte, el cual, está orientado a la conexión y es altamente confiable. Además, soporta el intercambio de mensajes bidireccionales. Fue diseñado para la comunicación asíncrona, donde las suscripciones o publicaciones entre diferentes entidades ocurren de forma paralela. Además, el protocolo es capaz de proporcionar transferencias confiables [93]. El publicador (cliente) publica mensajes en el intermediario (broker) y asigna un tema (topic) a cada mensaje. Un suscriptor (servidor) se suscribe a un tema específico. Cuando el intermediario recibe una publicación, reenvía el mensaje a los servidores suscritos al topic del mensaje. Un sistema MQTT típico consta de muchos dispositivos pequeños distribuidos, como sensores, que funcionan como publicadores. Sus datos son agregados por un intermediario central y consumidos por un suscriptor (véase la Fig. 3-3). Una de sus principales ventajas es su consumo eficiente de energía y ancho de banda [95], lo que lo hace una opción económica para su implementación. Además, MQTT cuenta con alta escalabilidad y capacidad de integración con otras tecnologías. Sin embargo, una desventaja importante es que no ofrece autenticación integrada, lo que puede ser un riesgo para aplicaciones críticas que requieren seguridad adicional [91]. Se utiliza comúnmente en aplicaciones de IoT para la monitorización y control de dispositivos conectados, como los sensores. Figura 3-3 Comunicación MQTT [94] 3.3.2 CoAP - Constrained Application Protocol CoAP [96] es un protocolo de aplicación web ligero y eficiente diseñado para dispositivos con restricciones de recursos, que utiliza el modelo solicitud-respuesta para la comunicación entre dispositivos. A diferencia de MQTT, CoAP utiliza Identificador de Recursos Universal (URI) en lugar de temas. Este protocolo soporta la transferencia de datos en formato JSON y XML, lo que permite una fácil integración con otros sistemas. En particular, éste utiliza el protocolo de transporte UDP para la comunicación y admite el cifrado de seguridad DTLS (Datagram Transport Layer Security) de esta manera, los clientes y servidores se comunican a través de una conexión [97]. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 42 Una de sus principales ventajas es su bajo consumo de energía y ancho de banda, lo que lo hace una excelente opción para dispositivos IoT. Asimismo, su facilidad de implementación y configuración, y la compatibilidad con múltiples plataformas y sistemas operativos, lo convierten en una opción popular en la industria. No obstante, CoAP también cuenta con algunas limitaciones, como su limitado soporte para seguridad y autenticación, y que no es adecuado para aplicaciones que requieren alta disponibilidad o tiempos de respuesta muy cortos. Aun así, CoAP ofrece más funcionalidades que MQTT, como el soporte para la negociación de contenido para expresar una representación preferida de un recurso. Esto permite que el cliente y el servidor evolucionen de forma independiente, añadiendo nuevas representaciones sin afectarse mutuamente. Se utiliza comúnmente en aplicaciones IoT para la monitorización y control de dispositivos, así como para la recopilación de datos en tiempo real. 3.3.3 AMQP - Advanced Message Queuing Protocol El protocolo AMQP, surgido de la industria financiera, se basa en un protocolo de transporte confiable subyacente como TCP y permite la comunicación asincrónica de publicador/suscriptor con mensajería. Su principal ventaja radica en su capacidad de almacenamiento y reenvío, asegurando la confiabilidad incluso tras interrupciones en la red [98]. AMQP facilita la comunicación efectiva y eficiente entre dispositivos, con soporte para transferencia de datos en múltiples formatos. Al definir un protocolo a nivel de cable, las implementaciones de AMQP pueden interoperar entre sí [99]. Además, AMQP destaca por ofrecer seguridad y autenticación avanzadas, convirtiéndolo en una opción adecuada para aplicaciones empresariales de alta disponibilidad. Sin embargo, es importante tener en cuenta que su implementación puede requerir una mayor inversión en hardware y software, y no es adecuado para aplicaciones con baja potencia y ancho de banda limitado. 3.3.4 DDS - Data Distribution Service Finalmente, el protocolo DDS fue creado como un middleware de red para evitar las desventajas de la arquitectura centralizada de publicador/suscriptor. Es un protocolo comúnmente basado en TCP que cuenta con nodos descentralizados de clientes en todo el sistema, permitiendo que estos nodos se identifiquen como suscriptores o publicadores a través de un servidor de localización. Es una tecnología de comunicaciones en tiempo real que se utiliza en aplicaciones críticas donde la velocidad y la precisión de los datos son fundamentales. El uso de este sistema evita la necesidad de que los usuarios identifiquen la ubicación de otros nodos potenciales o los temas en los que están interesados, ya que los nodos de DDS se auto descubren en una red y envían/reciben telemetría de forma anónima basada únicamente en los temas (véase la Fig. 3-4). 43 WiFi Direct para la conexión entre dispositivos 43 Figura 3-4 Arquitectura de comunicaciones DDS [100] En DDS, los publicadores y suscriptores pueden comunicarse como iguales a través del bus de datos, lo que permite un intercambio de datos asincrónico basado en sus intereses. El hecho de que no haya intermediario disminuye la probabilidad de fallos del sistema, ya que no hay un único punto de fallo para todo el sistema, lo que lo hace más confiable. Ambos lados de la comunicación están desacoplados entre sí, y un publicador puede publicar datos, aunque no haya suscriptores interesados. Introduce un concepto denominado Global Data Space [64], un espacio virtual donde las aplicaciones pueden compartir la información de una forma asíncrona leyendo y escribiendo en contenedores estructurados y lógicos de datos denominados topics. Una de las características más destacadas del protocolo DDS es su escalabilidad, que proviene de su soporte para el descubrimiento dinámico. El proceso de descubrimiento, logrado a través del protocolo de descubrimiento incorporado de DDS, permite a los suscriptores averiguar qué publicadores están presentes y especificar la información en la que están interesados con la calidad de servicio deseada definida, y a los publicadores publicar sus datos. Una de las ventajas de usar DDS es un amplio conjunto de políticas de QoS ofrecidas (más de 20 QoS según lo definido por el estándar). Para el mecanismo de seguridad [101], DDS implementa diversas soluciones. Basado en un protocolo de transporte de elección, TLS puede usarse en caso de que TCP sea el protocolo de transporte, o el protocolo DTLS en caso de que se use UDP. De manera similar, para TLS también se han propuesto mecanismos mejorados en caso de entornos limitados, debido al exceso de sobrecarga que supone DTLS. Con este fin, la Especificación de Seguridad de DDS define un extenso modelo de seguridad y una arquitectura de Interfaz de Plugin de Servicio (SPI) diseñados para implementaciones de DDS adecuadas en sistemas IoT [102]. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 44 3.3.5 Comparativa entre protocolos M2M Para entender el alcance que puede llegar a tener esta línea de estudio se pueden destacar algunos artículos como el de Chen et al. [100], que tiene como objetivo proporcionar una comprensión completa del rendimiento real de varios candidatos de protocolos IoT en una red de baja calidad con baja confiabilidad, alta latencia y ancho de banda estrecho. A continuación, se muestran los protocolos M2M mencionados anteriormente en función de sus características principales (véase la Tabla 3-2). Tabla 3-2 Comparativa protocolos M2M [91] A través de la variación de cada una de las variables independientes, como el ancho de banda de la red, la tasa promedio de pérdida de paquetes de la red y la latencia de la red, en dicho artículo se realizaron pruebas para evaluar su impacto en el ancho de banda consumido, la pérdida real de paquetes y la latencia experimentada de la telemetría; estas métricas se analizan como indicadores de varios aspectos del rendimiento de todos los protocolos. Además, se consideran diversos escenarios con una combinación de ancho de banda estrecho, alta latencia y alta pérdida de paquetes para permitir una mejor evaluación del rendimiento del protocolo en una red de baja calidad realista. En cuanto al rendimiento del protocolo, este estudio ha revelado que tanto DDS como MQTT, que son protocolos basados en TCP, no experimentan pérdida de paquetes en condiciones degradadas de la red, con una tasa promedio de pérdida de paquetes de la red de hasta 25% y una latencia del sistema de hasta 400 ms. La tecnología DDS y su alta confiabilidad garantiza la entrega correcta de un gran número de muestras, incluso con altas frecuencias de muestreo [103]. La Tabla 3-3 muestra un resumen de las fortalezas y debilidades de cada protocolo expuesto en este capítulo. Protocolo Fortalezas Debilidades MQTT Simple Bajo uso de memoria y de CPU Baja latencia en tasas de muestreo bajas Comunidad activa de desarrolladores No proporciona descubrimiento automático No tiene suficiente seguridad a nivel de protocolo Alta latencia en tasas de muestreo altas No es adecuado para aplicaciones en tiempo real con altas tasas de muestreo CoAP Simple Bajo uso de memoria y de CPU Bajo consumo de ancho de banda Descubrimiento de recursos Alta latencia QoS deficiente en entrega de mensajes No apto para aplicaciones en tiempo real (SSL/TLS no disponible) Falta de soporte para herramientas y bibliotecas Protocol Req. - Rep. Pub. - Sub Transport QoS Security MQTT TCP 3 levels TLS/SSL CoAP UDP Limited DTLS AMQP TCP 3 levels TLS/SSL DDS TCP/UDP Extensive TLS/DTLS/DDS sec 45 WiFi Direct para la conexión entre dispositivos 45 AMQP Muy extendido Alta interoperabilidad entre diferentes proveedores Diseñado para admitir aplicaciones críticas en la industria financiera No proporciona descubrimiento automático No garantiza la interoperabilidad No apto para aplicaciones en tiempo real Falta de bibliotecas de código abierto DDS Descubrimiento automático Alta fiabilidad Alta escalabilidad Interoperabilidad Tolerancia a fallos Amplio soporte de calidad de servicio Adecuado aplicaciones de tiempo real No hay intermediarios que actúen como cuellos de botella Cantidad de memoria utilizada Complejidad de desarrollo y configuración Falta de bibliotecas de código abierto Concebido originalmente para LAN aisladas Tabla 3-3 Fortalezas y debilidades protocolos M2M [104] Llegados a este punto, tras analizar y comparar los protocolos expuestos, se identifica una opción prometedora para la implementación de aplicaciones M2M: el protocolo DDS. Esta alternativa resulta altamente interesante debido a su arquitectura descentralizada y altamente escalable, que elimina la necesidad de elementos intermediarios y ofrece ventajas significativas para entornos distribuidos. A pesar de sus beneficios, es importante tener en cuenta que DDS aún no ha sido ampliamente adoptado por la industria [108]. Sin embargo, es importante destacar que esta tendencia podría cambiar en el futuro, especialmente con el auge de implementaciones de código abierto que están actualmente alcanzando cierta madurez. No obstante, en este Trabajo particular, se toma la decisión de decantarse por el protocolo MQTT debido a su capacidad demostrada para operar de manera confiable en condiciones desafiantes de red, así como su eficiencia y simplicidad de uso. Estas características lo convierten en una opción adecuada para aplicaciones M2M, especialmente en dispositivos con limitaciones de memoria y potencia de procesamiento. Aunque MQTT presenta ciertas debilidades, como la falta de descubrimiento automático y seguridad a nivel de protocolo, estas limitaciones pueden ser mitigadas mediante la implementación de medidas adicionales y la adaptación a los requisitos específicos de la aplicación en cuestión. Además, la comunidad activa de desarrolladores de MQTT ha contribuido a su continua mejora y expansión en el ámbito de IoT, lo que refuerza su posición como una elección sólida para este estudio. 46 4 MATERIALES Nunca te fíes de un ordenador que no puedas tirar por la ventana -Steve Wozniak- a tecnología WiFi Direct introduce nuevas oportunidades para desplegar redes oportunistas reales a través de los dispositivos móviles de los usuarios. Se están desarrollando múltiples trabajos de investigación [73] acerca de la viabilidad de crear redes oportunistas sobre el marco de WiFi Direct mediante el análisis del rendimiento de protocolos en escenarios reales con un número variable de dispositivos móviles. Este análisis experimental a través de pruebas reales permite analizar las ventajas y limitaciones de usar distintos protocolos para implementar este tipo de redes a gran escala, al mostrar los tiempos requeridos para formar un grupo de tamaño variable y las mejores configuraciones para soportar operaciones de redes oportunistas y aplicaciones de capa superior. Sin embargo, esto representa solo el primer paso en esta dirección, ya que las redes oportunistas se caracterizan por presentar distintos parámetros dinámicos que deben tenerse en cuenta y que tienen un impacto significativo en el rendimiento de este protocolo, por ejemplo, recursos y conectividades disponibles, al igual que características y perfiles de los usuarios, que pueden influir notablemente en el rendimiento del sistema y las interacciones entre dispositivos. Aunque WiFi Direct está cada vez más implementado e integrado en numerosos dispositivos Android y es frecuente que los investigadores utilicen prototipos en dispositivos Android para evaluar sus resultados, este enfoque experimental no siempre resulta adecuado para la evaluación de escenarios complejos. Alternativamente, se recurre al uso de simuladores para evaluar el rendimiento de la red en escenarios complejos con un gran número de nodos antes de proceder al prototipado. En este capítulo se presenta primero WiDiSi [109], una herramienta de simulación de redes WiFi Direct que funciona como una extensión de PeerSim [110], un software de código abierto ampliamente utilizado como marco de simulación para redes P2P a gran escala. En este Trabajo se aplicará para simular y evaluar el rendimiento de redes WiFi Direct en diferentes escenarios y configuraciones. En particular, en el siguiente capítulo se utilizará para confirmar la primera hipótesis de que es posible mejorar el rendimiento de un algoritmo de consenso, centrándonos en el número de nodos que conforman la red. A través de pruebas realizadas con la herramienta de simulación WiDiSi sobre el algoritmo de consenso RedMesh, se obtendrán resultados que permitirán analizar distintas características que podrían mejorar la efectividad de ejecución del algoritmo de consenso. Estos resultados proporcionarán información valiosa para comprender el impacto del tamaño de la red en el rendimiento del algoritmo y podrían conducir a futuras mejoras y optimizaciones. L 47 Materiales 47 Posteriormente se presentará una implementación del algoritmo Raft donde se evaluará el desempeño del algoritmo y su utilidad enfocándolo a un entorno de redes WiFi Direct, proporcionando así información relevante para validar la segunda hipótesis y analizar la eficacia de este algoritmo en entornos de redes inalámbricas de cara a poder enfocar el desarrollo y propuesta del nuevo algoritmo de consenso. Por último, para la transferencia de datos dentro del algoritmo propuesto se realizará mediante protocolos M2M, donde se desarrollará una última simulación utilizando las herramientas Mosquitto y MQTTX. En los apartados que siguen se presentan las herramientas utilizadas para la realización de los desarrollos y estudios que se presentan en los siguientes capítulos. 4.1 WiDiSi para la evaluación de redes WiFi Direct en escenarios complejos Antes de presentar esta herramienta de simulación, se debe conocer la plataforma Peersim, un entorno de simulación de redes de pares P2P de código abierto y gratuito, que se utiliza comúnmente en la investigación y la enseñanza de sistemas distribuidos. Es una herramienta basada en eventos discretos que permite a los usuarios definir y modelar redes de pares, establecer protocolos y analizar la dinámica del sistema en función de diversas medidas de rendimiento. PeerSim fue diseñado para fomentar la programación modular basada en objetos llamados bloques de construcción. Cada bloque es fácilmente reemplazable por otro componente que implementa la misma interfaz. Es altamente configurable y extensible, lo que significa que los usuarios pueden ajustar la simulación a sus necesidades específicas. También ofrece una amplia gama de protocolos de red y modelos de comportamiento que se pueden utilizar para simular diversas aplicaciones y sistemas, incluyendo algoritmos de consenso para redes de pares. A su vez es compatible con una variedad de sistemas operativos y lenguajes de programación, lo que lo hace fácilmente accesible para usuarios de diferentes plataformas y niveles de experiencia. Además, cuenta con una gran comunidad de desarrolladores y usuarios, lo que garantiza el soporte continuo y el desarrollo de nuevas características y funcionalidades. Juntos, Peersim y WiDiSi se pueden utilizar para simular y evaluar diferentes algoritmos de consenso distribuido en un entorno controlado y reproducible. El flujo de trabajo principal de un modelo de simulación es el siguiente: 1. Elegir un tamaño de red (número de nodos). 2. Elegir uno o más protocolos para experimentar e inicializarlos. 3. Elegir uno o más objetos de control para monitorizar las propiedades que interesan y modificar algunos parámetros durante la simulación. 4. Ejecutar su simulación invocando la clase Simulator con un archivo de configuración, que contiene la información anterior. 54 5 IMPLEMENTACIÓN EN DIFERENTES ENTORNOS DE SIMULACIÓN La simplicidad es la máxima sofisticación. -Leonardo da Vincin este capítulo, se profundiza en las dos hipótesis clave de la investigación. La primera se centra en mejorar el rendimiento de un algoritmo de consenso; específicamente, se evalúa su desempeño en relación con el número de nodos en la red. Se utilizan pruebas y resultados de simulaciones mediante la herramienta WiDiSi, aplicados al algoritmo de consenso RedMesh. A partir de estos resultados, se analizan diversas características que podrían potenciar la ejecución del algoritmo. Por otro lado, la segunda hipótesis sostiene que el algoritmo de consenso más adecuado para la tecnología WiFi Direct es Raft. Estudios recientes respaldan esta afirmación, demostrando que Raft supera a otros algoritmos en términos de rendimiento. Por ejemplo en un estudio en el que se probó Raft en la base de datos Cassandra [56] utilizando las herramientas Opscenter y Stress para monitorear e imponer una alta carga al sistema, respectivamente. Los resultados mostraron un equilibrio de carga aceptable y, en consecuencia, una mejora en la eficiencia del sistema mediante la aplicación del algoritmo Raft. Esta parte de la implementación se llevará a cabo mediante un repositorio de GitHub [114] del algoritmo de consenso Raft para ver cómo se puede llegar a combinar con la tecnología WiFi Direct. 5.1 Prueba en entorno de simulación WiDiSi En esta primera parte de la implementación se ejecutarán pruebas de un algoritmo que utiliza la tecnología WiFi Direct como es RedMesh con el simulador de alto nivel WiDiSi, ya que este simulador es muy útil a la hora de evaluar un nuevo protocolo en un entorno real, especialmente en sus primeras etapas de desarrollo. Como ya se ha expuesto, entre otras ventajas, consigue tener en cuenta una escalabilidad extrema del sistema al igual que su dinamismo. Para poder evaluarlo se podrán crear y modificar parámetros de red a través de un archivo de texto de configuración antes de que comience su simulación. E 55 Implementación en diferentes entornos de simulación 55 En primer lugar, es necesario verificar el comportamiento de WiDiSi usando una serie de reglas y monitores. Para un correcto funcionamiento se debe comportar como un dispositivo WiFi Direct real en una red WiFi Direct. Para ello, se definen las siguientes reglas, las cuales están divididas en dos categorías: reglas generales impuestas por la radiopropagación en el espacio y reglas de WiFi Direct definidas por la especificación P2P de WiFi. A continuación, se señalan las más importantes: Reglas generales: - Un par no puede conectarse a otro par fuera de su rango de proximidad. - Un grupo no puede constar de más de un número predefinido de pares. - Un par no puede descubrir más de un número predefinido de dispositivos y servicios. - Un par no puede descubrir dispositivos y servicios fuera de su rango de radio. Reglas de WiFi Direct: - Un cliente no puede conectarse a otro cliente directamente. - Un par no puede descubrir otros pares o servicios si no ha iniciado el descubrimiento. - La formación de un grupo no puede tardar más de 15 segundos. - Un par no puede tener acceso a los datos del grupo si abandonó el grupo o si el grupo ya no está disponible. - El propietario del grupo siempre es detectable. - Cuando dos dispositivos P2P negocian para decidir el rol GO, el dispositivo con mayor intención debe convertirse en el propietario del grupo. - Si el propietario del grupo falla, el grupo debe cancelarse. - Los roles de GO no se pueden transferir dentro de un grupo antes de cancelar el grupo. - Un cliente no puede comunicarse con otro cliente en el mismo grupo directamente (el mensaje debe pasarse a través del propietario del grupo; se aplicará la demora del canal) - El descubrimiento permanece activo hasta que se inicia una conexión o se forma un grupo P2P (para clientes) Por otro lado, la API que se utiliza de WiFi Direct en WiDiSi es muy similar a la WiFi P2P en Android. Sin embargo, hay algunas diferencias. La limitación más importante es que WiDiSi es un simulador de un solo hilo; esto significa que todos sus componentes internos se sincronizan alrededor de los ciclos de Peersim. Las aplicaciones de Android, en cambio, pueden ser multihilo. Para resolver esta discrepancia, se decidió utilizar PeerSim en un modo híbrido, es decir, en el que se utilizan tanto sus motores impulsados por ciclos como impulsados por eventos. Por otra parte, WiDiSi soporta importantes funcionalidades de WiFi Direct, tales como la formación de grupos estándar y autónomos, el descubrimiento de dispositivos y de servicios, la terminación de grupos y la entrega de sockets simples. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 56 A continuación se muestra un extracto del código [115] donde se ejecutan las modificaciones. ########### Simulation parameters ####################### random.seed 1234567890 network.size 200 ###Simulation.endtime could be the number of cycles for controls simulation.endtime 620 simulation.logtime 100 simulation.experiments 1 #Network Dynamic MIN_NET_SIZE 200 MAX_NET_SIZE 200 NET_ADD_STEP 1 SIN_PERIOD 1000 NET_ADD_CYCLE_START 1 NET_ADD_CYCLE_END simulation.endtime ###########More code################################# ########### Test application ############################# protocol.test1 newApplication { p2pmanager p2pmanager wifimanager wifimanager p2pinfo nodinf step 1 } El escenario que se plantea para esta prueba es un entorno de gran escala (máximo de 200 nodos). La aplicación busca continuamente compañeros e intenta conectarse a los que se encuentran dentro del rango. Cuando dos o más nodos estén conectados entre sí, formarán un grupo e intercambiarán sus valores. Para mantener los parámetros constantes durante toda la etapa de testeo, se utiliza el mismo número de semilla aleatoria en cada simulación. Se considera el algoritmo predefinido, al igual que se mantiene constante el tiempo de simulación, que se fija en 5 minutos. En cuanto al rango de proximidad, se establece en un radio de 200 metros y lo que se ajusta entonces es el tamaño de la red. En la Figura 5-1 se muestra un ejemplo de una simulación realizada. Se puede observar cómo los nodos son representados como vértices y las aristas que los unen se utilizan para mostrar las conexiones entre ellos. En verde se representan los GO y su tamaño variará respecto al número de clientes a los que dan servicio, que se representan en color azul. Además de visualizar el gráfico, también se muestran otros datos útiles como el tiempo, ya sea real o de simulación, el número de nodos dentro de la red, el número de nodos conectados o incluso el porcentaje de conectividad. 57 Implementación en diferentes entornos de simulación 57 Figura 5-1 Ejecución del simulador para un tamaño de red de 200 nodos Esta herramienta es de bastante utilidad si se quieren extraer algunas conclusiones a base de simular varias veces la herramienta y comprobar la primera de las hipótesis, por lo que ha considerado un total de cuatro simulaciones variando el número de nodos. A continuación, se presentan y discuten las siguientes gráficas como resultados de dichas simulaciones: Figura 5-2 Tiempo real de ejecución dependiendo del número de nodos 0 2000 4000 6000 8000 10000 12000 14000 16000 0 50 100 150 200 250 TIEMPO REAL (SEGUNDOS) NÚMERO DE NODOS Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 58 A partir de los resultados obtenidos, se puede observar como en la Figura 5-2 se aprecia un aumento en el tiempo de ejecución del algoritmo de consenso a medida que aumenta el número de nodos en la red. En particular, se puede notar que el tiempo de ejecución se incrementa de manera significativa a medida que se pasa de 50 a 100 nodos, lo que indica que la escalabilidad del algoritmo puede ser un problema en redes de gran tamaño. Sin embargo, también se observa que el aumento del tiempo de ejecución no es lineal, sino que se incrementa de manera exponencial a medida que aumenta el tamaño de la red. Por ejemplo, el tiempo de ejecución para 150 nodos es casi tres veces mayor que para 100 nodos, mientras que el tiempo de ejecución para 200 nodos es aproximadamente 22 veces mayor que para 100 nodos. Figura 5-3 Número de grupos formados dependiendo del número de nodos Por otro lado, en la Figura 5-3 se observa como el número de grupos formados aumenta a medida que aumenta el número de nodos en la red. Esto se debe a que hay más nodos disponibles para conectarse y formar grupos. Mientras que en la Figura 5-4 se muestra un aumento en el porcentaje de nodos conectados a medida que aumenta el número de nodos en la red. Es decir, a medida que la red crece en tamaño, más nodos están conectados entre sí. En general, estos resultados sugieren que el rendimiento del algoritmo de consenso depende en gran medida del número de nodos que conforman la red, y que un aumento en el número de nodos puede tener un impacto significativo en el tiempo de ejecución y la efectividad del algoritmo. También sugiere que el número de grupos formados puede ser una métrica útil para medir la efectividad de la red en términos de conectividad y colaboración ya que se ve como con un mayor número de nodos, se logra una mayor conectividad en la red. Por lo tanto, se puede concluir que el tamaño de la red tiene un impacto significativo en el tiempo de ejecución del algoritmo de consenso, y que este factor debe ser considerado cuidadosamente al diseñar y optimizar el algoritmo lo que valida la primera hipótesis de este Trabajo y dará paso a un análisis posterior sobre qué más características se deben centrar en mejorar para incrementar la eficiencia del algoritmo de consenso. 0 10 20 30 40 50 60 70 0 50 100 150 200 250 NÚMERO DE GRUPOS NÚMERO DE NODOS 59 Implementación en diferentes entornos de simulación 59 Figura 5-4 Porcentaje de nodos conectados dependiendo del número de nodos 5.2 Implementación del algoritmo de consenso Raft en Java Para comenzar a diseñar un algoritmo, es necesario tener claro cómo se va a evaluar y en función de qué criterios. La respuesta más coherente es en función de si realmente consigue un objetivo autoimpuesto previamente, que suele ser que cumple su funcionalidad con eficiencia y exactitud. Aunque puede no ser obvio a priori, es importante destacar que un aspecto fundamental para evaluar un algoritmo es su simplicidad y facilidad de comprensión. Los algoritmos deben ser fáciles de entender, ya que en general, es difícil obtener beneficios de un algoritmo a menos que se pueda implementar correctamente. En los últimos 30 años, el algoritmo Paxos ha sido el estándar por excelencia en el consenso, y prácticamente todas las implementaciones de consenso desde entonces se han basado en él. El problema es que Paxos es bastante difícil de entender. Fue así como surgió la necesidad de buscar una alternativa de algoritmo de consenso simple, y se implementó Raft. Es por esto que en esta parte del Trabajo se ha decidido usar un repositorio de GitHub [114] que implementa el algoritmo Raft en lenguaje Java. A través del análisis del código, se intentará buscar una mejora aplicable a la tecnología WiFi Direct. 0 10 20 30 40 50 60 70 80 90 100 0 50 100 150 200 250 PORCENTAJE DE NODOS CONECTADOS (%) NÚMERO DE NODOS Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 60 5.2.1 Justificación de Java como lenguaje de programación elegido En la implementación del algoritmo de consenso Raft, se seleccionó Java como el lenguaje de programación principal por varias razones: 1. Amplia adopción y disponibilidad: Java es uno de los lenguajes de programación más populares y ampliamente utilizados en el desarrollo de software. Cuenta con una gran base de usuarios y una amplia comunidad de desarrolladores, lo que facilita el acceso a recursos, bibliotecas y documentación. 2. Orientación a objetos: Java es un lenguaje orientado a objetos, lo que facilita la creación de una estructura modular y jerárquica para la implementación del algoritmo de consenso Raft. 3. Portabilidad: Java es conocido por su portabilidad, lo que significa que el código Java puede ejecutarse en diferentes sistemas operativos y arquitecturas sin necesidad de modificaciones significativas. Esto es especialmente importante para aplicaciones distribuidas, donde los nodos pueden tener diferentes configuraciones y entornos. 4. Amplio conjunto de bibliotecas y herramientas: La comunidad de desarrollo de Java ha creado una amplia gama de bibliotecas y herramientas que facilitan la implementación de sistemas distribuidos y algoritmos de consenso. Éstas proporcionan soluciones existentes para tareas comunes, como la comunicación en red, la persistencia de datos y la concurrencia, lo que acelera el desarrollo y reduce la complejidad. 5. Madurez y confiabilidad: Java es un lenguaje maduro y ha sido utilizado en numerosos proyectos empresariales a lo largo de los años. Su robustez y confiabilidad son bien conocidas, lo que lo convierte en una elección sólida para implementaciones críticas y sistemas distribuidos que requieren una alta disponibilidad y resistencia a fallos. 5.2.2 Diseño de la implementación en Java Este código tiene dos secciones fundamentales como son la parte del cliente y la del servidor. En primer lugar, se analizará la clase Client que representa un nodo cliente en el algoritmo Raft y es responsable de la comunicación con otros nodos y del mantenimiento del estado relacionado con el proceso de consenso. En esta clase, se utilizan paquetes de comunicación unicast y multicast para facilitar la comunicación entre los nodos. La clase Client contiene una serie de variables importantes, como “clientId” y “receivedValue”. Estas variables almacenan información relevante para el proceso de consenso y son utilizadas para tomar decisiones en el algoritmo Raft. Además, esta clase gestiona una lista de comandos, representada por la variable “command”. Esta lista almacena los comandos enviados por otros nodos y permite al cliente mantener un registro de las operaciones realizadas durante el proceso de consenso. Para manejar los mensajes de comunicación entre los nodos, la implementación utiliza objetos de la clase “Message”. Estos objetos contienen la información necesaria para la comunicación, como el contenido del mensaje y los identificadores de los nodos involucrados. 61 Implementación en diferentes entornos de simulación 61 La gestión del estado y la persistencia de los registros se lleva a cabo utilizando variables y métodos en la clase Client. Por ejemplo, la variable “localValue” representa el valor local del nodo cliente, que se actualiza en función de los comandos recibidos. La persistencia de los registros se logra mediante el uso de variables y estructuras de datos adecuadas para mantener el estado del cliente y garantizar la coherencia entre los nodos. Por otro lado, tenemos la clase Server que representa el nodo servidor en el sistema distribuido. Contiene variables para almacenar información sobre el nodo, como el ID, el término actual, el rol actual (líder, candidato o seguidor) o el valor de la máquina de estado. También cuenta con una lista de registros que se utiliza para almacenar las operaciones realizadas en el sistema. La clase Server tiene varios métodos para configurar y obtener las variables de estado, así como para enviar y recibir mensajes, pero principalmente contiene la lógica central del algoritmo Raft. Un método fundamental es run() de ServerThread, una clase que extiende la clase Thread. Se inicializa una interfaz gráfica de usuario para el servidor y espera a que otros servidores se unan al clúster enviando un mensaje de unidifusión con su propio número de puerto a un grupo de multidifusión y escuchando las respuestas. Después de unirse al clúster, el servidor entra en un bucle y comienza a comportarse de acuerdo con su rol actual, que puede ser seguidor, candidato o líder. El bucle se ejecuta indefinidamente hasta que se detiene el programa. Se puede observar que, dependiendo del rol del nodo, se ejecutan diferentes conjuntos de funciones. - Si el nodo del servidor es un candidato, envía mensajes RequestVote a otros nodos y espera sus respuestas. Si obtiene la mayoría de los votos, se convierte en el líder. Si no recibe suficientes votos, vuelve al rol de seguidor. - Si el nodo del servidor es un líder, envía mensajes AppendEntry a otros nodos y espera sus respuestas. También maneja las solicitudes de los clientes agregándolas a su registro y enviando mensajes a otros nodos para replicar las entradas. Como líder, el servidor envía periódicamente mensajes de latidos a todos los demás servidores para informarles que todavía ejerce su función. - Si el nodo del servidor es un seguidor, espera mensajes del líder o candidato. Si recibe un mensaje AppendEntry, procesa el mensaje y envía un reconocimiento al líder. Si recibe un mensaje RequestVote, procesa el mensaje y envía una respuesta de voto al candidato. Si no recibe ningún mensaje dentro del período de tiempo de espera de la elección, cambia a un rol de candidato y comienza una nueva elección. El código también escucha los mensajes de los clientes y otros servidores y responde en consecuencia. Por ejemplo, cuando el servidor recibe un mensaje de entrada de anexo de un líder, verifica si el mensaje es válido y actualiza su registro en consecuencia. Si el servidor recibe un mensaje de solicitud de voto de un candidato, verifica si el mandato del candidato es mayor que el suyo y vota por el candidato si lo es. Si el servidor recibe un mensaje de respuesta de solicitud de voto de otro servidor, comprueba si se concede la respuesta y cuenta el número de respuestas concedidas que recibe. En general, este código implementa la lógica central del algoritmo de consenso de Raft y proporciona una base para construir un sistema distribuido que use el algoritmo. Sin embargo, al código le faltan algunos detalles importantes como el manejo de errores, y no está claro cómo se comportaría en varios escenarios de fallo. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 62 5.2.3 Implementación práctica A continuación, ejecutaremos una demostración gráfica seleccionando el número de servidores que se quieran implementar. El algoritmo Raft es un protocolo de consenso distribuido diseñado para mantener la coherencia y disponibilidad en un sistema distribuido compuesto por múltiples nodos. En este caso el código está programado para trabajar con un solo cliente y cinco servidores. En la Fig. 5-5 se puede observar como se abre la Interfaz Gráfica de Usuario (GUI) mostrándonos por pantalla tanto nuestro cliente como los cinco servidores creados. Figura 5-5 GUI con Cliente y Servidores En primer lugar, analizaremos a nuestro cliente, el cual, nos proporciona datos internos de su registro como su valor ID asociado, el valor que recibe por parte del servidor encargado de transmitir el mensaje y el valor que se guarda en el registro local. Si analizamos ahora a los servidores vemos como también nos muestran sus datos en el registro. En primer lugar, tal y como vimos en el cliente, también tiene asociado un valor ID único que le servirá como identificación. El concepto de continuidad viene definido en Raft, que divide el tiempo en términos que se muestra en los servidores. Vemos como tienen un término común y va avanzando según se ejecuta el programa. 63 Implementación en diferentes entornos de simulación 63 A lo largo de esta ejecución se plantean varios casos que es interesante analizar: 1. Elección del líder Inicialmente, todos los nodos del sistema son seguidores. Cuando un nodo se inicia, comienza en este estado y espera recibir mensajes del líder. Si un seguidor no recibe mensajes del líder durante un tiempo de espera (timeout), comienza una elección para convertirse en líder y se convierte en candidato. Durante una elección, un seguidor envía una solicitud de voto a todos los demás nodos (véase la Fig. 5-6). Si un nodo no ha votado en el término actual y recibe una solicitud de voto, vota por el nodo solicitante. Un nodo se convierte en líder si obtiene votos de la mayoría de los nodos. Figura 5-6 Proceso de elección del líder 2. Replicación y compromiso de registros: Una vez que se ha elegido un líder, comienza la replicación de registros en los seguidores (véase la Fig. 5-7). Los clientes envían solicitudes de escritura al líder. El líder agrega las solicitudes a su registro y las envía a los seguidores para su replicación. Los seguidores confirman la replicación de los registros y envían una confirmación al líder. El líder espera recibir confirmaciones de la mayoría de los seguidores antes de considerar que un registro está confirmado. Una vez que un registro ha sido replicado en la mayoría de los nodos, incluido el líder, se considera “comprometido”. El líder notifica a los seguidores sobre el compromiso del registro y les indica que lo apliquen a sus estados. Los seguidores aplican el registro a su estado y responden con una confirmación de aplicado. Una vez que el líder recibe confirmaciones de la mayoría de los seguidores, considera que el registro está aplicado Figura 5-7 Proceso de replicación y compromiso de registros Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 70 6.1.3 Tasa de transmisión de datos La tasa de transmisión de datos, medida en bit/s, es un factor clave que influye en la eficiencia y confiabilidad del sistema de comunicación. En WiFi Direct, el rango de valores típico varía desde unos pocos Mbps hasta varios cientos de Mbit/s. Sin embargo, es importante tener en cuenta que el rendimiento real puede verse afectado por varios factores, como la calidad de la señal, la distancia entre los dispositivos y la interferencia del entorno, siempre dependiendo de los estándares y las capacidades de los dispositivos. Una mayor tasa de bit proporciona una velocidad de comunicación más rápida, lo que facilita el intercambio de información y el consenso entre los nodos de la red. Esto es especialmente valioso en sistemas distribuidos con restricciones de tiempo, como aplicaciones que requieren toma de decisiones en tiempo real. Sin embargo, es importante tener en cuenta que el uso de tasas de bit más altas implica un mayor consumo de ancho de banda y recursos de transmisión, lo que puede ser un desafío en entornos P2P con recursos limitados. Además, velocidades de bit más altas aumentan el riesgo de errores y corrupción de datos, lo que puede afectar la precisión y confiabilidad de la comunicación, especialmente en algoritmos de consenso que dependen de una vista coherente de los datos entre los dispositivos. La latencia, es decir, el tiempo que tarda un mensaje en viajar desde el emisor hasta el receptor, también es un aspecto crítico en sistemas de comunicación en tiempo real. Aunque una alta tasa de bits puede agilizar la transmisión, no garantiza una baja latencia si existen demoras en la propagación del mensaje. En aplicaciones que requieren respuestas rápidas y coordinación precisa entre los nodos, una baja latencia es fundamental para evitar retrasos y asegurar la sincronización efectiva. En el contexto de algoritmos de consenso, una latencia reducida es especialmente relevante, ya que la rapidez con la que los nodos llegan a un acuerdo sobre una decisión afecta la eficiencia del sistema y su capacidad para mantener la coherencia en la red. Por lo tanto, el algoritmo de selección del GO debe considerar tanto la tasa de bit como la latencia para garantizar una comunicación eficiente y oportuna entre los dispositivos P2P. 6.1.4 Diferentes estándares de comunicación WiFi: IEEE 802.11g/ac/ax Existen varios estándares diferentes para la comunicación WiFi, entre los que se destacan IEEE 802.11g, 802.11ac y 802.11ax [116]. Estos estándares especifican diferentes características técnicas y capacidades de la comunicación WiFi, como las bandas de frecuencia utilizadas, las velocidades máximas de datos y el nivel de compatibilidad con otros dispositivos. 802.11g: La contribución más importante de esta norma es lograr una mayor velocidad que estándares anteriores capaz de alcanzar velocidades de hasta 54 Mbps en la banda de 2,4 GHz, además de incorporar OFDM, lo que la hace más eficiente que el resto de los estándares 802.11 en esta banda. El principal problema es que este estándar operará en una banda donde existen muchas fuentes de interferencia y cada vez está más poblada. 71 Propuesta de algoritmo de consenso 71 802.11ac: Este estándar también se conoce como WiFi 5 o Gigabit. Como elemento fundamental, 802.11ac proporciona mejores tasas de hasta 433 Mbps por flujo de datos utilizando sistemas MIMO. Funciona en la banda de 5 GHz, por lo tanto, un rango que todavía no está tan saturado como el de 2.4 GHz y que además le ofrece un mayor ancho a cada canal. También cabe destacar que el estándar 802.11ac presenta compatibilidad total con 802.11a/b/g/n sin degradar las características de la red en presencia de implementaciones híbridas. 802.11ax: Conocido como WiFi 6, está diseñado para funcionar tanto en la banda espectral de 2,4 GHz como en la de 5 GHz. Soporta una velocidad máxima de 11 Gbps además de usar MIMO y MU-MIMO. Por último, destacar que en este estándar se introduce OFDMA para mejorar la eficiencia espectral general. El uso de estándares más nuevos en WiFi Direct, como IEEE 802.11ac y 802.11ax, brinda ventajas en términos de velocidades de datos más altas y una comunicación más eficiente. Esto permite un intercambio de información más rápido entre los dispositivos conectados mediante WiFi Direct. Además, estos estándares suelen ser compatibles con una amplia gama de dispositivos, lo que facilita la creación de redes de comunicación P2P con múltiples nodos. Sin embargo, es importante tener en cuenta que los dispositivos diseñados para soportar los estándares más nuevos de WiFi Direct pueden ser más costosos. Además, es posible que los dispositivos más antiguos no sean compatibles con estos estándares más recientes, lo que limitaría la interoperabilidad en una red WiFi Direct. 6.1.5 Prestaciones computacionales En cuanto a las prestaciones computacionales en el contexto de los algoritmos de consenso, es importante considerar diversas métricas para evaluar el rendimiento y la capacidad del algoritmo en diferentes condiciones y configuraciones de red. Algunas de las métricas clave que se pueden tener en cuenta son: Tiempo de procesamiento: Se refiere al tiempo necesario para que el algoritmo de consenso realice sus cálculos y llegue a un acuerdo entre los nodos. Un tiempo de procesamiento más corto indica una mayor eficiencia y capacidad de respuesta del algoritmo. Uso de memoria: Referido a la cantidad de memoria requerida por el algoritmo de consenso para almacenar y procesar datos. Un uso eficiente de la memoria garantiza un mejor rendimiento y evita posibles cuellos de botella en el sistema. Ancho de banda de la red: Se refiere a la cantidad de datos que se pueden transmitir a través de la red en un período de tiempo determinado. Un mayor ancho de banda permite una comunicación más rápida y fluida entre los nodos, lo que resulta en un mejor rendimiento del algoritmo. Eficiencia energética: Es un aspecto crucial en aplicaciones móviles y dispositivos con recursos limitados, como dispositivos móviles y sensores IoT. Al diseñar algoritmos de consenso para WiFi Direct, se debe tener en cuenta el consumo de energía de los dispositivos involucrados. Esto implica optimizar los cálculos y las comunicaciones para reducir la carga de energía y prolongar la vida útil de la batería de los dispositivos. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 72 Para medir y registrar estas métricas se utilizan herramientas y técnicas de monitoreo. Por ejemplo, se pueden emplear herramientas de perfilado de código para analizar el tiempo de ejecución y el uso de memoria de un algoritmo de consenso. Por otro lado, para medir el ancho de banda de la red se pueden utilizar herramientas de monitoreo de tráfico de red, como capturadores de paquetes. Estas métricas de rendimiento pueden ayudar a identificar posibles limitaciones en el algoritmo de consenso, así como a optimizar su diseño e implementación. Además, es esencial considerar los requisitos de hardware y software del algoritmo y asegurarse de que se alineen adecuadamente con las capacidades de los equipos en los que se está ejecutando. Esto garantiza un rendimiento óptimo y evita problemas de compatibilidad o falta de recursos. En el caso específico de WiFi Direct, la capacidad de procesamiento del dispositivo que se convierte en el GO es un factor importante a considerar. Para grupos P2P con un gran número de nodos y aplicaciones multimedia, se requiere un dispositivo GO con suficiente potencia de procesamiento y memoria para atender adecuadamente a los clientes conectados. Sin embargo, en aplicaciones más simples con menos nodos, como la transferencia de datos entre dispositivos móviles, los requisitos de procesamiento son menos significativos. 6.1.6 Nivel de batería Los algoritmos de consenso, como Proof of Work (PoW) y Proof of Stake (PoS), requieren una cantidad significativa de potencia computacional, lo que a su vez consume una cantidad considerable de energía de la batería de los nodos participantes. El nivel de batería de un nodo puede tener un impacto importante en el rendimiento y la eficiencia del algoritmo. Cuando el nivel de batería es bajo, el nodo puede experimentar retrasos en el proceso de consenso debido a la falta de energía para realizar los cálculos necesarios. Además, un nivel de batería bajo puede provocar que el nodo se apague, lo que resulta en una pérdida de participación en el proceso de consenso. Esto afecta negativamente al rendimiento y a la eficiencia del algoritmo al reducir la cantidad de nodos participantes y aumentar el tiempo necesario para llegar a un consenso. En el contexto de WiFi Direct, se utilizan técnicas como TIM (Traffic Indication Map) y DTIM (Delivery Traffic Indication Message) para administrar eficientemente la energía. Estas técnicas asignan ranuras de tiempo en el intervalo de sincronización beacon, permitiendo a los dispositivos clientes saber cuándo deben activarse para recibir información de tráfico pendiente. Al controlar la activación/desactivación de los nodos y su participación en la comunicación de red contribuye a una mejora en la eficiencia energética y una mayor vida útil de la batería. Además, al elegir un dispositivo para ser el GO en un grupo P2P de WiFi Direct, es importante considerar la vida útil de la batería del dispositivo. Si se elige un dispositivo con una vida útil de la batería baja como GO, es probable que se agote rápidamente, lo que resultaría en la disrupción del grupo P2P. Por lo tanto, es necesario seleccionar un dispositivo con una vida útil de la batería adecuada para mantener la estabilidad y continuidad del grupo P2P durante un período prolongado. 73 Propuesta de algoritmo de consenso 73 6.1.7 Número de interfaces WiFi del nodo La cantidad de interfaces WiFi en un nodo impacta directamente en su capacidad de comunicación y, por ende, en el proceso de consenso. Un nodo con múltiples interfaces WiFi tiene la capacidad de establecer conexiones simultáneas con un mayor número de nodos, lo que resulta en un proceso de consenso más rápido y eficiente. Esto se debe a que puede iniciar más conexiones y enviar más mensajes a otros nodos, reduciendo el tiempo necesario para llegar a un consenso. Por otro lado, un nodo con un número limitado de interfaces WiFi puede enfrentar dificultades para comunicarse con suficientes nodos, lo que resulta en un proceso de consenso más lento o incluso la incapacidad de alcanzar un consenso. Esto tiene un impacto negativo en el rendimiento general de la red. Es importante tener en cuenta que la cantidad de interfaces WiFi puede variar según el dispositivo y las capacidades del hardware. Algunos dispositivos pueden tener una sola interfaz WiFi, mientras que otros pueden tener múltiples interfaces integradas o admitir la conexión de interfaces externas. El rango de valores de interfaces WiFi puede variar desde 1 hasta varios, dependiendo de las características del dispositivo y los requisitos de la aplicación. No hay un número específico de interfaces WiFi que garantice automáticamente un rendimiento óptimo, ya que esto también depende de otros factores, como la capacidad de procesamiento y la capacidad de memoria del nodo. Es importante considerar el equilibrio entre la cantidad de interfaces WiFi y los recursos disponibles en el nodo para lograr un rendimiento eficiente en el proceso de consenso. 6.1.8 Opciones de seguridad La seguridad garantiza la integridad, la confidencialidad y la autenticidad de la red. Para lograr una seguridad robusta, se utilizan protocolos como WPA3 y WPA2, que proporcionan mecanismos de protección eficaces contra amenazas. WPA3 y WPA2 son protocolos de seguridad estándar ampliamente utilizados en redes WiFi. Utilizan algoritmos de cifrado avanzados, como AES (Advanced Encryption Standard) y TKIP (Temporal Key Integrity Protocol), para asegurar la confidencialidad de los datos transmitidos. El rango de valores para la seguridad de las redes WiFi puede variar, pero se recomienda utilizar WPA3 o, como mínimo, WPA2 con AES para una seguridad óptima. Estos protocolos ofrecen autenticación sólida para garantizar que solo los dispositivos autorizados puedan unirse a la red. Además, implementan mecanismos de gestión de claves para proteger la integridad de los datos y prevenir ataques de suplantación de identidad. Es esencial destacar que la seguridad en WiFi Direct también aborda la protección de la privacidad de los participantes. La información confidencial, como las opciones de votación en los algoritmos de consenso, debe ser transmitida de manera segura para evitar la interceptación y el uso malicioso de los datos. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 74 6.1.9 Recuperación de errores durante caídas del sistema La recuperación de errores es fundamental en WiFi Direct para mantener la integridad y consistencia del sistema. Sin una adecuada recuperación de errores, existe el riesgo de corrupción o pérdida de datos, lo que puede afectar negativamente el rendimiento y la confiabilidad de la red. Los algoritmos de consenso se basan en mecanismos de replicación y votación para mantener la coherencia frente a fallos. Sin embargo, en caso de fallo del sistema sin una recuperación de errores adecuada, estos mecanismos pueden no funcionar correctamente, lo que resulta en inconsistencias en la red. Una recuperación de errores adecuada permite que el sistema continúe procesando transacciones incluso después de una caída. Esto es esencial para mantener la disponibilidad del sistema y garantizar la continuidad de los servicios para los usuarios. Además de la recuperación de errores, es importante contar con mecanismos de detección temprana de fallos en WiFi Direct. Esto implica una supervisión constante de la conectividad de los nodos y la detección de comportamientos anómalos. Estos mecanismos permiten identificar y abordar problemas potenciales antes de que se conviertan en fallos mayores, contribuyendo a la estabilidad y confiabilidad del sistema. Es importante implementar métricas y valores específicos para medir la eficacia de la recuperación de errores, como el tiempo de recuperación, la tasa de éxito de la recuperación y la cantidad de datos recuperados. Estas métricas ayudan a evaluar el rendimiento de los mecanismos de recuperación y a identificar posibles mejoras en el sistema. 6.2 Optimización de la selección del dispositivo GO en redes P2P En el entorno de las redes P2P, la elección adecuada del dispositivo GO es esencial para garantizar un servicio óptimo para todos los clientes del grupo. Aunque un dispositivo con una vida útil de batería más larga puede prolongar la duración del grupo, existen otros factores a considerar, como una conexión a Internet débil o incluso capacidades de procesamiento limitadas. En este contexto, se propone un nuevo algoritmo de consenso basado en un mecanismo de puntuación que utilizará un polinomio ponderado cuyo objetivo será abordar las limitaciones de los enfoques tradicionales y proporcionar un mecanismo flexible para la toma de decisiones consensuadas. Este algoritmo utiliza la importancia asignada a cada nodo y aplica sesgos estratégicos basados en su relevancia relativa, permitiendo una mayor influencia de los nodos más importantes en el resultado final del consenso. 75 Propuesta de algoritmo de consenso 75 6.2.1 Propuesta del Algoritmo a. Inicialización: La puntuación final asignada a cada nodo representa su nivel de influencia relativa dentro del sistema y se expresa como un valor numérico. Esta puntuación puede ser estática, si se mantiene constante a lo largo del tiempo, o dinámica, si se ajusta en función de cambios en las condiciones del sistema. Dicha puntuación tendrá asignado un Valor de Importancia (VI) en cada nodo, que se calcula mediante la combinación de diferentes criterios (Ci) asociados a ese nodo. Cada criterio tiene un sesgo o importancia relativa (Si) que determina su peso en la puntuación final del nodo. El sesgo refleja la influencia relativa de cada criterio en el sistema. Al calcular el Valor de Importancia, se realiza una suma ponderada de los criterios considerados. Cada criterio es multiplicado por su respectivo sesgo y luego se realiza la suma de todos los términos ponderados. La fórmula general para el cálculo del Valor de Importancia sería: 𝑉𝐼 =𝐶𝑖∗𝑆𝑖   ∗(1−𝑃)+𝑃 Donde: VI: Valor de Importancia del nodo. Ci: Valor del criterio i del nodo en consideración. Si: Sesgo del criterio i. P: Prioridad del nodo. Se incluirá también la prioridad en el cálculo del Valor de Importancia. Será un valor numérico que por defecto será 0 y se pondrá a 1 si se quiere forzar a ese nodo para ser el próximo GO. b. Cálculo de puntuación: El Valor de Importancia muestra la disposición de un dispositivo P2P para convertirse en un GO dentro de un grupo. El dispositivo que tenga el Valor de Importancia más alto se convertirá en el próximo GO. El Valor de Importancia es un parámetro que debe elegirse cuidadosamente. El enfoque más útil para elegir el Valor de Importancia se basa en las capacidades del dispositivo para servir como GO, ya que una vez que un dispositivo se convierte en GO, debe servir a todos los dispositivos cliente P2P asociados para la comunicación. Todos los datos destinados a los clientes P2P en un grupo dado deben ser enrutados a través del GO. De manera similar, los dispositivos en el mismo grupo P2P también se comunican entre sí a través del GO. Por lo tanto, el GO será responsable de todo el reenvío de datos y funcionará como un Soft-AP. En esta formulación, se considerará que el valor de 𝑛 corresponde al número total de nodos en la red y que el valor de 𝑖 representa los cuatro criterios específicos que se utilizarán para evaluar cada nodo expuestos a continuación: Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 76 1. Mayor número de nodos en la zona de cobertura: Para extraer esta información, se pueden utilizar técnicas como la exploración de la red para identificar los dispositivos vecinos y estimar el número de nodos en la zona de cobertura. 2. Nivel de intensidad de señal recibida en el nodo: Esta información se puede extraer midiendo la potencia de la señal recibida (RSSI) o utilizando métricas de calidad de la conexión. 3. Nivel de batería del nodo: Para extraer esta información, se puede acceder al estado de la batería del dispositivo a través de la API o el sistema operativo correspondiente. 4. Ancho de banda: Utilizando métodos o herramientas disponibles para realizar pruebas de ancho de banda en cada nodo se puede obtener esta información. Esto implica enviar y recibir datos de prueba para medir la tasa de transferencia de datos y determinar el ancho de banda. Por otro lado, se deben asignar sesgos a cada una de las características que se quieren considerar en la ecuación polinómica. Esto se hará en función de la importancia relativa de cada característica. Para ello se utilizarán las conclusiones obtenidas en capítulos anteriores para considerar las características de cada nodo que pueden influir en la elección del mejor punto de acceso. Para esto es recomendable establecer perfiles que representen casos de uso comunes o situaciones particulares relevantes para la selección del GO. Estos perfiles ayudarán a evaluar y ajustar los pesos y el rendimiento del algoritmo en diferentes contextos, permitiendo una mayor adaptabilidad y optimización del sistema. A continuación, se presentan varios ejemplos de perfiles que podrían considerarse al implementar el algoritmo de selección del GO: Perfil de cobertura amplia: Tiene como objetivo asegurar que el dispositivo seleccionado como GO tenga la capacidad de atender a la mayor cantidad de nodos posible, priorizando la expansión de la red. Se consigue maximizando la cobertura de la red, permitiendo que un mayor número de dispositivos se conecten y se beneficien de la comunicación P2P. Sesgo 1 = Alto (0.55) Sesgo 2 = Moderado (0.20) Sesgo 3 = Bajo (0.10) Sesgo 4 = Bajo (0.15) Justificación: En un perfil que busca maximizar la cobertura de la red, el número de nodos en la zona de cobertura es el criterio más importante, ya que cuantos más dispositivos pueda atender el GO, mayor será la extensión de la red. La intensidad de la señal y el ancho de banda también son factores relevantes, ya que una señal fuerte y un alto ancho de banda aseguran una comunicación efectiva entre los nodos. La batería del nodo tiene un peso menor en este perfil, ya que, aunque es relevante, no es tan crítico como los otros criterios para garantizar una amplia cobertura. 77 Propuesta de algoritmo de consenso 77 Perfil de estabilidad de la señal: Busca garantizar una comunicación confiable y estable, priorizando la calidad de la señal recibida en cada nodo. Se busca equilibrar la cantidad de nodos en la zona de cobertura con la calidad de la señal y se considera la disponibilidad de energía suficiente en los nodos seleccionados. Esto garantizará que el GO seleccionado tenga una buena calidad de señal, evitando problemas de conectividad y asegurando una comunicación confiable. Sesgo 1 = Moderado (0.20) Sesgo 2 = Alto (0.50) Sesgo 3 = Moderado (0.20) Sesgo 4 = Bajo (0.10) Justificación: En este perfil, la estabilidad de la señal es el criterio primordial, por lo que se le asigna el mayor peso. Una señal fuerte y estable asegura una comunicación confiable y de alta calidad entre los nodos. El número de nodos en la zona de cobertura sigue siendo relevante, ya que una buena cobertura permite una comunicación fluida en toda el área. La batería del nodo también tiene un peso significativo, ya que una batería suficientemente cargada garantiza que el GO pueda mantener su función de manera estable. Perfil de conservación de energía: En este perfil, se considera el nivel de batería del nodo como un factor determinante en la elección del GO. Los dispositivos con niveles más altos de batería tendrán una mayor probabilidad de ser seleccionados, ya que se espera que puedan mantenerse activos durante más tiempo y brindar una conexión estable a los demás nodos. Además, se busca equilibrar la conservación de energía con otros criterios, como la cobertura y la calidad de la señal. Se evalúa la eficiencia energética de los nodos y se selecciona aquellos que puedan ofrecer un equilibrio adecuado entre conservación de energía y rendimiento de la red. Sesgo 1 = Bajo (0.10) Sesgo 2 = Moderado (0.20) Sesgo 3 = Alto (0.60) Sesgo 4 = Bajo (0.10) Justificación: En este perfil, la conservación de energía es el factor clave, por lo que el nivel de batería del nodo recibe el mayor peso. Se busca maximizar el tiempo de actividad del GO seleccionado y, por lo tanto, se prefiere que tenga una batería con mayor capacidad. Perfil de máxima transferencia de datos: Se enfoca en obtener la máxima capacidad de transferencia de información en la red. Garantizando una amplia cobertura, una señal estable, un consumo de energía reducido y un alto ancho de banda se obtendrá una comunicación eficiente y rápida entre los nodos de la red. Sesgo 1 = Bajo (0.10) Sesgo 2 = Moderado (0.20) Sesgo 3 = Bajo (0.10) Sesgo 4 = Alto (0.60) Justificación: En este perfil, el objetivo es maximizar la capacidad de transferencia de información, por lo que el ancho de banda y la intensidad de señal son criterios clave. Un ancho de banda alto y una señal fuerte permiten una comunicación eficiente y rápida entre los nodos. Perfil equilibrado: Si se desea tener un equilibrio entre la cobertura, la estabilidad de la señal, la conservación de energía y la máxima transferencia de datos se asignarán valores idénticos a todas las características. Sesgo 1 = Moderado (0.25) Sesgo 2 = Moderado (0.25) Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 78 Sesgo 3 = Moderado (0.25) Sesgo 4 = Moderado (0.25) Una vez obtenidos los valores de los criterios (Ci) para cada nodo y definidos los sesgos adecuados, se procede a calcular el Valor de Importancia (VI) de cada nodo utilizando la fórmula mencionada anteriormente (véase Algoritmo-1). Algoritmo-1 – Cálculo Valor de Importancia nodo i Inputs: PERFIL, C1, C2, C3, C4, P Outputs: VI Función CALC_VI (PERFIL, C1, C2, C3, C4, P): VI = null switch (PERFIL) case 1: S1 = 0.55 S2 = 0.20 S3 = 0.10 S4 = 0.15 VI = [(C1 * S1) + (C2 * S2) + (C3 * S3) +(C4 * S4)] *(1-P) + P break case 2: S1 = 0.20 S2 = 0.50 S3 = 0.20 S4 = 0.10 VI = [(C1 * S1) + (C2 * S2) + (C3 * S3) +(C4 * S4)] *(1-P) + P break case 3: S1 = 0.10 S2 = 0.20 S3 = 0.60 S4 = 0.10 VI = [(C1 * S1) + (C2 * S2) + (C3 * S3) +(C4 * S4)] *(1-P) + P break case 4: S1 = 0.10 S2 = 0.20 S3 = 0.10 S4 = 0.60 VI = [(C1 * S1) + (C2 * S2) + (C3 * S3) +(C4 * S4)] *(1-P) + P break case 5: S1 = 0.25 S2 = 0.25 S3 = 0.25 S4 = 0.25 VI = [(C1 * S1) + (C2 * S2) + (C3 * S3) +(C4 * S4)] *(1-P) + P break default VI = 0.0 79 Propuesta de algoritmo de consenso 79 c. Proceso de consenso: Una vez que se han calculado todas las puntuaciones de los nodos que conforman el grupo WiFi Direct, se procede al proceso de consenso para seleccionar el nodo con la puntuación más alta como la opción preferida. Este proceso implica comparar las puntuaciones de todos los nodos y aplicar una función para determinar el nodo seleccionado. Para realizar el proceso de consenso, todos los miembros del grupo envían sus métricas al nodo GO, donde se recopilan todas y se ejecuta el algoritmo de puntuaciones de los nodos miembros del grupo WiFi Direct. El primer paso a la hora de llegar a un consenso consiste en comprobar si algún nodo tiene asignada una prioridad. Si algún nodo tiene una prioridad asignada, se le designará como Backup GO. Lo próximo será normalizar las puntuaciones ya que es necesario para asegurar que las puntuaciones estén en un rango comparativo y puedan ser evaluadas de manera justa. Para normalizar la puntuación se siguen los siguientes pasos: 1. Obtener los Valores de Importancia de todos los nodos. 2. Encontrar el valor mínimo y el valor máximo entre todas las puntuaciones. 3. Para cada nodo aplicar la siguiente fórmula para normalizar su puntuación: vi_norm=(vi − min) / (max − min) Esta fórmula ajusta los valores de puntuación al rango de 0 a 1, donde el valor mínimo tiene una puntuación de 0 y el valor máximo tiene una puntuación de 1. Los valores intermedios se escalan proporcionalmente en función de su relación con los valores mínimo y máximo. Una vez que se han calculado todas las puntuaciones normalizadas, el nodo GO compara las puntuaciones y determina cuál será el sucesor en caso de fallos. El resultado se envía de vuelta a los nodos. En caso de que varios dispositivos obtengan la misma puntuación final, se utilizará como criterio de desempate la dirección MAC más pequeña en orden lexicográfico entre todos los dispositivos que tengan esa misma puntuación. Este algoritmo está pensado para su ejecución cíclica y preventiva para evitar la disolución del grupo en caso de caída del nodo que ejerce el papel de GO. 6.2.2 Escenarios para aplicación de perfiles Gracias a la versatilidad y flexibilidad del algoritmo se pueden adoptar los perfiles mencionados anteriormente para aplicarlos a una amplia gama de escenarios. Por poner algunos ejemplos: Perfil de cobertura amplia: En el escenario de zona de grandes catástrofes, el perfil de cobertura amplia se traduce en maximizar la cobertura de la red P2P basada en WiFi Direct. El objetivo es garantizar que el dispositivo seleccionado como GO pueda atender a la mayor cantidad de nodos posible en áreas afectadas por desastres naturales. Esto implica establecer conexiones entre dispositivos móviles ad hoc para compartir información vital, incluso cuando las infraestructuras de comunicación tradicionales están dañadas. Priorizar la expansión de la red y permitir que un mayor número de dispositivos se conecten facilita la comunicación y la coordinación de esfuerzos de rescate y ayuda. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 86 En este caso, el Nodo 1 al actuar como la fuente de contenido, tiene asignada prioridad 1 y obtiene un Valor de Importancia de 1. Esto se debe a que cumple con criterios favorables en cuanto al número de nodos en la zona de cobertura, intensidad de señal recibida, nivel de batería y ancho de banda por lo que será designado como Backup y será el encargado de transmitir la información clave durante el evento. 6.2.3 Desarrollo del algoritmo con transferencia de valores simulados El algoritmo propuesto, cuyo enfoque y objetivos se describen previamente, se traducirá ahora a código Java para su ejecución en un entorno de desarrollo. Sin embargo, en lugar de utilizar datos reales, se simularán valores que representen diferentes situaciones y escenarios que podrían encontrarse en la práctica. Esta simulación nos permitirá comprender de manera más visual y práctica cómo el algoritmo procesa y maneja estos valores, y cómo influyen en los resultados obtenidos. Al utilizar valores simulados, también se simplifica la demostración del algoritmo, evitando la necesidad de datos reales o fuentes de información externas. A lo largo de este apartado, se explicará paso a paso la implementación del algoritmo en Java. Se proporcionarán ejemplos de salida para facilitar la comprensión de cada paso y sus implicaciones en el funcionamiento del algoritmo con un posterior análisis de los resultados obtenidos con los valores simulados. Por último, a través de esta simulación se podrán extraer conclusiones valiosas sobre el comportamiento y la efectividad del algoritmo, así como identificar posibles mejoras o ajustes necesarios. Primera simulación: Cuando se ejecuta esta implementación, se solicita al usuario ingresar el número de nodos que se desea simular, así como el perfil común para todos los nodos. Se verifica que estos valores estén dentro del rango válido, que en este caso son los cinco perfiles definidos al inicio del algoritmo. Además, se le solicita al usuario seleccionar un nodo para darle prioridad en caso de ser necesario. En los demás casos, se ha optado por generar valores numéricos aleatorios dentro de rangos específicos para obtener el resto de las métricas. Estos valores se ajustan para reflejar condiciones realistas de una red inalámbrica y permiten al algoritmo analizar y tomar decisiones en función de ellos, utilizando la clase ‘MetricGenerator’. En la clase ‘Main’, se crean los hilos correspondientes a cada nodo para su posterior ejecución. Por cada nodo, se muestra por pantalla el número de nodo correspondiente y el perfil acordado, lo cual proporciona información básica sobre el nodo que se está simulando. Si el nodo tiene asignada una prioridad, también se muestra esta información. A continuación, se generan valores aleatorios para las métricas del nodo. Utilizando estas métricas, se calcula el Valor de Importancia utilizando el método calc_vi() de la clase ‘AlgorithmSimulator’. Luego, se redondea el valor y se muestra por pantalla junto con las métricas correspondientes. Una vez que todos los hilos han finalizado su ejecución, se realiza el proceso de consenso y selección del nodo de respaldo mediante una llamada al método ‘processScores()’ del objeto ‘ConsensusManager’. Esto implica recopilar y procesar todas las puntuaciones de los nodos para determinar el nodo de respaldo. 87 Propuesta de algoritmo de consenso 87 A continuación, se muestran algunos ejemplos de ejecución: Figura 6-1 Ejecución perfil “Estabilidad de la señal” sin prioridad Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 88 Se puede observar que, aunque todos los nodos tienen el mismo perfil, cada uno difiere en las métricas individuales. En base a estas métricas se establecen unas puntuaciones individuales que refleja su rendimiento. Estas puntuaciones se utilizan para comparar y seleccionar el nodo de respaldo. En este caso es el Nodo 2 cuenta con mejores prestaciones haciendo énfasis en el nivel RSSI de señal ya que el objetivo es garantizar un rendimiento óptimo y confiable dentro de la red inalámbrica en caso de caída del nodo principal. Figura 6-2 Ejecución perfil “Conservación de energía” con prioridad Esta vez contamos con una prioridad en uno de los nodos. Esto hace que no se realice la comparativa entre puntuaciones ya que se considera que uno de los nodos será el más indicado para tomar el control en caso de caída del nodo principal. Se observa que, aunque este nodo obtiene la puntuación más baja ya que tiene peores características se le designa como backup GO. Pueden existir varios motivos para tomar esta decisión. Como la confiabilidad del nodo ya que puede ser considerado más confiable o robusto en comparación con los otros nodos, incluso si obtiene una puntuación más baja. Esto podría deberse a factores como su historial de rendimiento, estabilidad de conexión o capacidad de recuperación ante fallas. Otro motivo podría ser que dicho nodo puede tener capacidades o funcionalidades especiales que lo hacen más adecuado para asumir el rol de backup GO. Por ejemplo, puede tener recursos adicionales, mayor capacidad de procesamiento o una configuración específica que lo habilite para desempeñar mejor esta función en caso de fallos. 89 Propuesta de algoritmo de consenso 89 Lo que se ha logrado hasta ahora es la ejecución de la simulación del algoritmo utilizando valores aleatorios, lo cual nos ha permitido obtener conclusiones significativas sobre la selección del nodo de respaldo en una red inalámbrica. Ahora, es el momento de llevar a cabo la aplicación práctica de estas conclusiones en la transmisión de datos reales. Siguiendo los hallazgos y recomendaciones obtenidos en capítulos anteriores, procederemos a implementar el protocolo MQTT para la transmisión de datos. Este protocolo, conocido por su eficiencia, confiabilidad y capacidad de tolerancia a fallos, nos permitirá establecer una comunicación efectiva y segura entre los nodos de la red. Al utilizar MQTT, podremos asegurar una transmisión de datos eficiente, con garantía de entrega y capacidad de respaldo en caso de fallos en el nodo principal. De esta manera, la combinación de la simulación del algoritmo y la implementación del protocolo MQTT nos proporcionará una solución completa y robusta para la transmisión de datos en entornos de redes inalámbricas. 6.3 Transferencia de las métricas de cada nodo con MQTT En un entorno de comunicación basado en WiFi Direct, MQTT se destaca como un protocolo eficiente y ligero para la transferencia de métricas entre los nodos que participan en la red tal y como vimos en capítulos anteriores. La implementación de MQTT en un entorno de WiFi Direct implica una serie de pasos clave para garantizar una transferencia eficiente de las métricas de cada nodo: 1. Configuración del entorno MQTT: La arquitectura de comunicación se basa en el paradigma publicador/suscriptor. En esta arquitectura, el cliente generalmente mantiene una conexión persistente con el bróker. Los clientes pueden actuar como publicadores, suscriptores o ambos al mismo tiempo. El publicador por lo general no envía directamente los datos a los suscriptores, ya que suele desconocer la ubicación de estos últimos. En cambio, son los suscriptores quienes se suscriben para recibir datos de su interés. 2. Definición del topic: El nexo de unión entre publicadores y suscriptores es el topic, que se define mediante un nombre y un formato de datos. En este contexto, representa las métricas que se desean transferir entre los nodos. Cada nodo es responsable de publicar sus métricas en un topic específico, y los demás nodos pueden suscribirse a este topic para recibir actualizaciones correspondientes. Los topics en MQTT siguen una estructura jerárquica, lo que permite una gran flexibilidad en la suscripción a uno o varios topics mediante el uso de comodines (# y +). El patrón publicador/suscriptor es ideal cuando la infraestructura de red es desconocida y cambia con frecuencia. El desacoplamiento entre publicadores y suscriptores permite que la incorporación o desconexión de una entidad de comunicación no afecte a las demás. La conectividad intermitente y itinerante se alinea con las ventajas de este patrón. 3. Publicación de las métricas: Cada nodo recopila sus métricas locales, como el número de nodos en la zona de cobertura (C1), la intensidad de señal recibida (C2), el nivel de batería (C3) y el ancho de banda (C4). Estas métricas se publican en el topic con su identificador correspondiente y fecha, lo que facilita la identificación y el seguimiento de las métricas a lo largo del tiempo. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 90 4. Suscripción y recepción de las métricas: Los demás nodos interesados en las métricas de un nodo específico se suscriben a ese topic. Al hacerlo, estos nodos esperan las actualizaciones de las métricas que el nodo publicador envía a ese topic. Cada vez que se publique una nueva métrica en el topic, los nodos suscritos recibirán la información actualizada. 5. Procesamiento y análisis de las métricas: Una vez que los nodos receptores reciben las métricas, pueden procesar y analizar los datos para tomar decisiones o realizar acciones basadas en esa información. Por ejemplo, el GO utilizará esta información para calcular la puntuación del Valor de Importancia de cada nodo mediante una fórmula predefinida que tenga en cuenta las métricas recibidas. Estos cálculos permiten evaluar el estado de los nodos y tomar decisiones inteligentes basadas en los resultados. Véase a continuación (Fig. 6-3), un ejemplo de posible escenario en el que se tienen tres nodos conectados a un bróker MQTT. Figura 6-3: Esquema transferencia de datos con protocolo MQTT El nodo 1 es el que actúa como publicador y envía mensajes a un topic específico en el bróker MQTT para que otros nodos lo reciban. Los nodos 2 y 3 actúan como suscriptores. Se suscriben al mismo tema en el que el Nodo 1 está publicando mensajes. Cuando se publica un mensaje en ese tema, estos nodos lo recibirán y podrán procesarlo. A continuación, se muestra cómo funciona esta comunicación en este escenario simple: A) Configuración Inicial: - Nodo 1: Publica mensajes en el tema "metrics". - Nodo 2 y Nodo 3: Se suscriben al tema "metrics". B) Acción: - Nodo 1 procesa internamente información y decide enviarla a través de MQTT. - Nodo 1 publica un mensaje en el tema "metrics" con sus correspondientes métricas. 91 Propuesta de algoritmo de consenso 91 C) Resultado: - El bróker MQTT recibe el mensaje de Nodo 1 y verifica qué nodos están suscritos al tema "metrics". - El bróker envía una copia del mensaje a Nodo 2 y otra copia a Nodo 3, ya que ambos están suscritos a ese tema. - Nodo 2 y Nodo 3 reciben el mensaje con el valor de las métricas. Cada uno de los nodos suscriptores puede procesar la información según sea necesario. D) Conclusión: - Los nodos 2 y 3 han recibido y procesado con éxito la información publicada por Nodo 1 a través del bróker MQTT. Esto permite una comunicación eficiente y escalable entre nodos en un sistema distribuido. La combinación de MQTT y WiFi Direct ofrece una solución efectiva para la transferencia de métricas en entornos donde se requiere una comunicación directa entre dispositivos y se busca minimizar el consumo de recursos de red. Al utilizar MQTT, los nodos pueden intercambiar información de manera eficiente y confiable, lo que facilita el análisis y la toma de decisiones basadas en datos en tiempo real. 6.4 Explorando la implementación en la comunicación entre dispositivos Esta sección detalla el uso de las herramientas como Mosquitto y MQTTX para comprender y experimentar con los conceptos fundamentales de MQTT, como la publicación y suscripción a topics, la estructura de mensajes y cómo se establece la comunicación bidireccional entre dispositivos. Segunda simulación: Antes de comenzar a interactuar con los mensajes MQTT, se debe establecer una conexión con el bróker MQTT. En este caso, iniciando la aplicación de Mosquitto, nos proporcionará la funcionalidad directa de un bróker MQTT. Su configuración inicial y puesta en marcha brindan una base esencial para el funcionamiento de la red de comunicación basada en MQTT. Lo siguiente que se debe hacer es crear un grupo. En este caso, se ha definido como "WiFi Direct" (Véase la Fig. 6-4), y este grupo simulará la creación del grupo WiFi Direct con sus respectivos nodos. En términos prácticos, este grupo representa una red de dispositivos conectados a través de WiFi Direct que participan en la transferencia de métricas. La creación de grupos permite organizar los dispositivos de manera lógica y eficiente, lo que simplifica la administración de la comunicación entre nodos y mejora la escalabilidad del sistema. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 92 Figura 6-4: Establecimiento de conexiones y suscripción del topic principal Además, se pueden añadir tantas suscripciones como sean necesarias. Una suscripción define qué topics específicos está interesado en seguir un nodo en particular. Por ejemplo, si un nodo está interesado en recibir información sobre métricas de otros nodos, puede suscribirse al topic de métricas para estar al tanto de las actualizaciones. Esta capacidad de selección de suscripciones brinda flexibilidad y adaptabilidad al sistema, ya que cada nodo puede personalizar los datos que desea recibir según sus necesidades y funciones. Cada vez que un nodo publica sus métricas en el topic (véase las Fig. 6-5 y 6-6), los nodos suscritos a ese topic recibirán la información actualizada. Esto refleja una situación típica en la transferencia de datos, donde múltiples dispositivos colaboran para compartir información relevante y mantenerse al tanto del estado de la red y los nodos individuales. Figura 6-5: Publicación de valores por parte del Nodo 1 93 Propuesta de algoritmo de consenso 93 Figura 6-6: Suscripción que muestra valores publicados por otros nodos en el Nodo 4 Por razones de simplicidad, los datos han sido enviados directamente en formato JSON. Sin embargo, en una perspectiva futura, resulta interesante explorar la posibilidad de transmitir los datos en el topic en forma de texto ordinario, incorporando caracteres alfanuméricos para ser posteriormente analizados y convertidos en formato JSON antes de su publicación en el broker. El objeto JSON que ha sido estructurado incluye los siguientes campos: - num_nodes: Representa la cantidad de nodos en el grupo. - rssi: Indica el nivel de intensidad de señal. - bat_pct: Refleja el porcentaje de batería disponible en el dispositivo. - band_width: Cuantifica el ancho de banda medido en Mbps. - ID: Hace referencia a la dirección física del terminal que emite los datos. Como una característica adicional de la aplicación, cada mensaje es acompañado por un sello temporal que refleja el momento preciso en que los datos son enviados o recibidos. Mediante la continua experimentación con estas herramientas, se logra apreciar la capacidad intrínseca que ofrecen y cómo posibilitan el establecimiento de una comunicación eficaz, bidireccional y sumamente adaptable entre dispositivos dispersos en una diversidad de contextos. Al igual que cada nodo contribuye con sus propias métricas, las cuales son compartidas con otros nodos suscritos, el GO actual, respaldado por esta información, asume la responsabilidad de ejecutar internamente el algoritmo de consenso anticipado y recurrente. Este procedimiento culmina en la publicación del nodo con la puntuación más alta en el topic adecuado, otorgándole el título de "Backup GO". Esta designación se materializa en situaciones donde el nodo principal falla o se producen cambios en la red y su itinerancia. Por último, el reto final consistirá en fusionar ambas implementaciones para alcanzar el ansiado algoritmo de consenso anticipado, enraizado en el concepto de selección de líder, tal como se aplica en el algoritmo Raft. Esta combinación se fusionará con la tecnología WiFi Direct, la cual se respalda en protocolos M2M para garantizar una transferencia de datos efectiva y eficiente. Esta suma de conceptos y tecnologías culmina en un enfoque integral que promete resolver el desafío principal de este Trabajo. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 94 6.5 Implementación del algoritmo con la transmisión de mensajes utilizando MQTT El presente apartado se centra en una posible implementación del algoritmo de consenso basado en elección de líder como sucedía con Raft combinado con la transmisión de mensajes utilizando el protocolo MQTT para posteriormente ser utilizado en un sistema de comunicaciones descentralizado como pudiera ser un grupo de WiFi Direct. Para comprender plenamente esta implementación, es esencial recordar el objetivo fundamental de este algoritmo de consenso y su trascendencia en el contexto de la comunicación en redes de nodos descentralizadas. Este algoritmo tiene como objetivo principal lograr un novedoso enfoque de consenso anticipado y periódico, diseñado para facilitar la selección eficaz del punto de acceso óptimo en situaciones donde se presenten desconexiones del nodo principal y se experimenten cambios en la estructura de la red. Este enfoque culminaría con su implementación en entornos de grupos de dispositivos WiFi Direct, donde se logra una transferencia de datos altamente eficiente mediante el empleo de protocolos M2M 6.5.1 Diseño de la implementación MQTT Elección de Biblioteca MQTT para Java: Para la implementación MQTT en Java, se ha optado por utilizar la biblioteca Eclipse Paho, que proporciona una serie de herramientas para trabajar con MQTT. Esta elección se basa en la robustez y la amplia comunidad de desarrollo que respalda esta biblioteca. Eclipse Paho ofrece una implementación Java de cliente MQTT, lo que facilita la conexión y la comunicación con el bróker MQTT. Eclipse Paho es ampliamente reconocido por su confiabilidad y flexibilidad. La elección de una biblioteca estable y bien mantenida es fundamental en cualquier implementación de MQTT, ya que garantiza un funcionamiento eficiente y confiable del sistema. Además, la comunidad activa de desarrollo de Eclipse Paho brinda acceso a actualizaciones y mejoras continuas, lo que es esencial para mantener la robustez de la comunicación MQTT en el tiempo. Configuración del Bróker MQTT: Para este sistema de comunicaciones, se configura un bróker MQTT que actúa como servidor centralizado para la comunicación entre nodos. El bróker se encarga de enrutar los mensajes de los publicadores a los suscriptores adecuados. La elección del bróker MQTT depende de los requisitos específicos del proyecto, y en este caso, se utiliza Mosquitto, configurado un bróker local en el puerto 1883 para facilitar la comunicación dentro de la red de nodos. La elección de Mosquitto como bróker MQTT se basa en su simplicidad y versatilidad. Mosquitto es una implementación de código abierto ampliamente utilizada que ofrece un alto rendimiento y es adecuada para aplicaciones tanto pequeñas como grandes. Al configurar un bróker local, se asegura un control total sobre la infraestructura de comunicación, lo que puede ser crucial para aplicaciones críticas. 95 Propuesta de algoritmo de consenso 95 Tercera simulación El código simula un proceso de consenso entre varios nodos y selecciona un nodo de respaldo. A continuación, se presenta una descripción general de la estructura y el flujo del programa: 1. Entrada de usuario: El programa comienza solicitando al usuario la entrada de información clave: - El número de nodos a simular. - El perfil común para todos los nodos. - Si se desea dar prioridad a algún nodo. 2. Creación y ejecución de hilos: Se crean hilos para cada nodo de acuerdo con el número especificado por el usuario. Cada nodo se configura con su perfil, prioridad y otros datos de interés. Finalmente, los nodos se agregan a la lista de nodos para ser procesados más adelante. 3. Configuración MQTT Primero se crea una instancia del objeto MqttSubscriber. Este objeto se utiliza para suscribirse a un tema MQTT y recibir mensajes publicados en ese tema. Se llama al método connect(). Este método establece una conexión MQTT con un broker, responsable de enrutar los mensajes entre los publicadores y los suscriptores. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 102 6. Latitud y longitud: La ubicación geográfica de un dispositivo puede ser relevante en aplicaciones de seguimiento o geolocalización, donde es importante conocer la ubicación precisa de los nodos. 7. Movilidad: Evaluar la movilidad es fundamental en sistemas que involucran dispositivos móviles, como vehículos autónomos o dispositivos IoT portátiles. Donde también entraría la velocidad máxima. 8. Predictibilidad: Este criterio se refiere a la capacidad del sistema para mantener un rendimiento constante y predecible a lo largo del tiempo. Tener analizado esto puede garantizar un funcionamiento confiable y consistente del sistema durante un tiempo prolongado. Todas estas métricas son interesantes al evaluar una mejora en el algoritmo. Algunas de estas métricas pueden ser más relevantes dependiendo de las aplicaciones específicas y los escenarios de uso. La capacidad de adaptar el algoritmo para considerar estas métricas demuestra su versatilidad y su capacidad para abordar una amplia variedad de situaciones. Por ejemplo, en una aplicación de IoT en el contexto de la salud (Internet of Medical Things, IoMT), es posible priorizar métricas relacionadas con la precisión de los datos recopilados, mientras que, en una red de sensores industriales, se pueden enfocar en la eficiencia energética. Esta capacidad de personalización garantiza que el algoritmo pueda adaptarse a las particularidades de cada aplicación, lo que lo convierte en una solución escalable y versátil. Cabe destacar que asignar prioridad a un nodo basándose únicamente en su puntuación más baja puede parecer contradictorio desde una perspectiva puramente objetiva. Sin embargo, en situaciones reales, los algoritmos y decisiones de asignación de prioridades pueden tener en cuenta diversos factores y consideraciones para garantizar un rendimiento óptimo y una adecuada resiliencia de la red en casos de fallos o situaciones adversas. En cuanto a la implementación del algoritmo siguiendo el enfoque de Raft, los resultados obtenidos muestran una mejora sustancial en términos de eficiencia. Este logro es notable, ya que demuestra que la adaptación y optimización del algoritmo son altamente beneficiosas en entornos específicos como WiFi Direct. Por su parte, la implementación de las comunicaciones bajo el paradigma MQTT destaca por su capacidad para gestionar eficazmente la comunicación entre dispositivos en un entorno inalámbrico, superando las limitaciones de los enfoques convencionales. Si bien MQTT es una opción ampliamente utilizada en sistemas distribuidos y ofrece ventajas en términos de simplicidad y eficiencia en entornos de red estándar, existen otros protocolos como DDS que superan significativamente a MQTT en ciertos aspectos críticos. DDS, por ejemplo, ha demostrado un rendimiento sobresaliente en lo que respecta a la latencia de telemetría, especialmente en condiciones de red deficientes, como alta latencia del sistema, alta tasa de pérdida de paquetes y ancho de banda limitado. DDS destaca particularmente en términos de latencia, lo que lo convierte en una alternativa confiable para aplicaciones en tiempo real. Sin embargo, es importante tener en cuenta que DDS puede tener un mayor consumo de memoria y CPU en comparación con otros protocolos, lo que podría ser relevante en dispositivos altamente limitados utilizados en el Internet de las cosas. 103 Propuesta de algoritmo de consenso 103 Además, es importante destacar que DDS puede tener un mayor consumo de ancho de banda en comparación con tecnologías centralizadas cuando los publicadores aumentan su frecuencia de muestreo. Sin embargo, este aumento en el consumo de ancho de banda se compensa con un rendimiento superior en términos de latencia y confiabilidad de los datos. Estas características hacen que DDS sea una opción incluso más atractiva. Una posible limitación del algoritmo es que el sistema no pueda extraer el valor requerido o no reciba el valor esperado. Esto puede ocurrir debido a varios factores, como problemas de conectividad, errores en la fuente de datos o interrupciones en el flujo de información. La falta de un sólido manejo de excepciones y errores en el código podría resultar en un comportamiento impredecible o en la interrupción de procesos críticos. 104 7 CONCLUSIONES Y LÍNEAS FUTURAS No sabía cómo hacerlo, así que lo intenté, fallé, fallé, fallé y luego lo hice bien -Elon Musk- En este Trabajo se han realizado las siguientes aportaciones: 1. Se han definido distintas métricas que pueden aportar una toma de decisiones más eficaz en entornos con múltiples participantes. 2. Se ha propuesto un algoritmo de consenso novedoso basado en Raft que podría abordar desafíos específicos en entornos dinámicos y mejorar la toma de decisiones en tiempo real. 3. Se ha demostrado la viabilidad de implementar el algoritmo propuesto en un sistema WiFi Direct. Aunque los resultados que se han presentado son simulados, la implementación mediante MQTT de las comunicaciones necesarias para la transmisión de mensajes, permite que la implementación del algoritmo en un entorno real sea prácticamente directa, y podría abrir una línea de futuro avance de este Trabajo, encaminada a desarrollar nuevos algoritmos que mejoren significativamente el rendimiento de sistemas descentralizados. El algoritmo propuesto proporciona un enfoque flexible y adaptable para la toma de decisiones consensuadas en un sistema distribuido. La flexibilidad inherente al algoritmo propuesto se erige como uno de sus aspectos más destacados y valiosos. Esta característica permite que el algoritmo se adapte eficazmente a una amplia gama de aplicaciones y escenarios dentro de sistemas distribuidos. La capacidad de personalizar el algoritmo para considerar métricas específicas proporciona una ventaja competitiva sobre enfoques genéricos. Por otra parte, la integración de las comunicaciones con protocolo MQTT constituye un avance significativo en la optimización de la selección de líderes. La combinación de Raft y MQTT proporciona un marco sólido para abordar los desafíos específicos de WiFi Direct. Se destaca también la importancia de implementar mecanismos de manejo de errores robustos para garantizar que el sistema pueda recuperarse o tomar medidas adecuadas en caso de fallos inesperados en la obtención o recepción de datos requeridos. Esto contribuirá a una mayor robustez y confiabilidad de tu sistema, incluso en condiciones adversas. 105 Conclusiones y líneas futuras 105 Líneas futuras La implementación exitosa del algoritmo de consenso en un entorno real no solo representa un hito importante en la investigación actual, sino que también abre un abanico de posibilidades para futuros trabajos de investigación y desarrollo en el campo de las redes distribuidas. En este contexto, la Raspberry Pi emerge como una herramienta de gran utilidad. Este dispositivo de bajo costo y tamaño reducido se ha convertido en una opción popular para proyectos de electrónica y programación experimental. Cuando se trata de redes WiFi Direct, la Raspberry Pi se presenta como un recurso valioso que permite simular nodos y crear redes distribuidas para poner a prueba y evaluar el rendimiento de algoritmos de consenso en un entorno real. La flexibilidad que ofrece la Raspberry Pi es clave en esta implementación. Cada nodo simulado puede operar de manera independiente, lo que posibilita la evaluación del comportamiento del algoritmo en diversos escenarios. Además, la Raspberry Pi permite la configuración de parámetros de red personalizables, como la latencia, el ancho de banda y la pérdida de paquetes. Esto facilita la creación de escenarios de red más complejos y la evaluación exhaustiva del rendimiento de los algoritmos de consenso en situaciones realistas. Sin embargo, es fundamental tener en cuenta que las redes WiFi Direct no están exentas de vulnerabilidades de seguridad. Por lo tanto, otro interesante camino de investigación y desarrollo podría centrarse en la implementación y evaluación de mecanismos de seguridad específicos. Esto incluiría la autenticación de nodos, el cifrado de datos y la detección y prevención de posibles ataques, contribuyendo así a hacer que estas redes sean más seguras y confiables. En cuanto a otras posibles mejoras, sería esencial explorar la obtención de métricas precisas y sustituir los valores simulados por datos reales siempre que sea posible, considerando la posibilidad de no poder extraer ciertas métricas. Además, el manejo de grupos WiFi Direct podría optimizar aún más el algoritmo, incluyendo la creación automática de grupos cuando se elige un nuevo líder y el despliegue automático del bróker de publicación/suscripción en dicho líder. 106 8 Bibliografía [1] «Mobile device subscriptions charted country by country | World Economic Forum». https://www.weforum.org/agenda/2022/10/mobile-device-subscription-rise-technology/ [2] S. Trifunovic, B. Distl, D. Schatzmann, y F. Legendre, «WiFi-Opp: ad-hoc-less opportunistic networking», en Proceedings of the 6th ACM workshop on Challenged networks, en CHANTS ’11. New York, NY, USA: Association for Computing Machinery, sep. 2011, pp. 37-42. [3] C. Berge, The Theory of Graphs. Courier Corporation, 2001. [4] K. Thulasiraman y M. N. S. Swamy, Graphs: Theory and Algorithms. John Wiley & Sons, 2011. [5] M. A. Khan, F. Algarni, y M. T. Quasim, «Decentralised Internet of Things», en Decentralised Internet of Things: A Blockchain Perspective, M. A. Khan, M. T. Quasim, F. Algarni, y A. Alharthi, Eds., en Studies in Big Data. Cham: Springer International Publishing, 2020, pp. 3-20. [6] S. M. Hosseini Bamakan, A. Motavali, y A. Babaei Bondarti, «A survey of blockchain consensus algorithms performance evaluation criteria», Expert Syst. Appl., vol. 154, p. 113385, abr. 2020. [7] P. Baran, «Memorandum on distributed communications: I. Introduction to distributed communications networks». Rand Coorporation, 1964. [8] J. Wu, Distributed System Design. CRC Press, 1998. [9] P. Baran, «On Distributed Communications Networks», IEEE Trans. Commun. Syst., vol. 12, n.o 1, pp. 1-9, mar. 1964. [10] R. Bhardwaj y D. Datta, «Consensus Algorithm», en Decentralised Internet of Things: A Blockchain Perspective, M. A. Khan, M. T. Quasim, F. Algarni, y A. Alharthi, Eds., en Studies in Big Data. Cham: Springer International Publishing, 2020, pp. 91-107. [11] L. Lamport, «Time, clocks, and the ordering of events in a distributed system», en Concurrency: the Works of Leslie Lamport, New York, NY, USA: Association for Computing Machinery, 2019, pp. 179-196. [12] L. Lamport, «The part-time parliament», en Concurrency: the Works of Leslie Lamport, New York, NY, USA: Association for Computing Machinery, 2019, pp. 277-317. [13] W.-C. Shi y J.-P. Li, «Research on consistency of distributed system based on Paxos algorithm», en 2012 International Conference on Wavelet Active Media Technology and Information Processing (ICWAMTIP), dic. 2012, pp. 257-259. [14] R. Van Renesse y D. Altinbuken, «Paxos Made Moderately Complex», ACM Comput. Surv., vol. 47, n.o 3, pp. 1-36, abr. 2015. [15] W. J. Bolosky, D. P. Bradshaw, R. B. Haagens, N. P. Kusters, y P. Li, «Paxos replicated state machines as the basis of a high-performance data store», mar. 2011. [16] H. Ng, S. Haridi, y P. Carbone, «Omni-Paxos: Breaking the Barriers of Partial Connectivity», en Proceedings of the Eighteenth European Conference on Computer Systems, Rome Italy: ACM, may 2023, pp. 314-330. [17] J. Aspnes, «Notes on Theory of Distributed Systems», Yale Univ. Dep. Comput. Sci., pp. 90-96, 2022. [18] F. Hupfeld et al., «FaTLease: scalable fault-tolerant lease negotiation with Paxos», Clust. Comput., vol. 12, n.o 2, pp. 175-188, jun. 2009. [19] R. Van Renesse y D. Altinbuken, «Paxos Made Moderately Complex», ACM Comput. Surv., vol. 47, n.o 3, p. 42:1-42:36, feb. 2015. 107 Bibliografía 107 [20] A. Lakshman y P. Malik, «Cassandra: structured storage system on a P2P network», en Proceedings of the 28th ACM symposium on Principles of distributed computing, en PODC ’09. New York, NY, USA: Association for Computing Machinery, ago. 2009, p. 5. [21] V. Poirot, B. Al Nahas, y O. Landsiedel, «Paxos Made Wireless: Consensus in the Air», en Proceedings of the 2019 International Conference on Embedded Wireless Systems and Networks, en EWSN ’19. USA: Junction Publishing, mar. 2019, pp. 1-12. [22] L. Lamport, «Fast Paxos», Distrib. Comput., vol. 19, pp. 79-103, oct. 2006. [23] M. A. Kuppe, L. Lamport, y D. Ricketts, «The TLA+ Toolbox», Electron. Proc. Theor. Comput. Sci., vol. 310, pp. 50-62, dic. 2019. [24] M. Yabandeh, N. Knežević, D. Kostić, y V. Kuncak, «Predicting and preventing inconsistencies in deployed distributed systems», ACM Trans. Comput. Syst., vol. 28, n.o 1, p. 2:1-2:49, ago. 2010. [25] C. E. Killian, J. W. Anderson, R. Braud, R. Jhala, y A. M. Vahdat, «Mace: language support for building distributed systems», ACM SIGPLAN Not., vol. 42, n.o 6, pp. 179-188, jun. 2007. [26] G. Delzanno, M. Tatarek, y R. Traverso, «Model Checking Paxos in Spin», Electron. Proc. Theor. Comput. Sci., vol. 161, pp. 131-146, ago. 2014. [27] K. Havelund, J. Penix, y W. Visser, SPIN Model Checking and Software Verification: 7th International SPIN Workshop Stanford, CA, USA, August 30 - September 1, 2000 Proceedings. Springer, 2006. [28] D. Ongaro y J. Ousterhout, «In Search of an Understandable Consensus Algorithm», en 2014 USENIX Annual Technical Conference (USENIX ATC 14), 2014, pp. 305-319. [29] J. Hu y K. Liu, «Raft consensus mechanism and the applications», J. Phys. Conf. Ser., vol. 1544, p. 012079, may 2020. [30] D. Huang, X. Ma, y S. Zhang, «Performance Analysis of the Raft Consensus Algorithm for Private Blockchains», IEEE Trans. Syst. Man Cybern. Syst., vol. 50, n.o 1, pp. 172-181, ene. 2020. [31] H. Howard y R. Mortier, «Paxos vs Raft: Have we reached consensus on distributed consensus?», en Proceedings of the 7thWorkshop on Principles and Practice of Consistency for Distributed Data, abr. 2020, pp. 1-9. [32] S. Zhou y S. Mu, «Fault-Tolerant Replication with Pull-Based Consensus in MongoDB», Proc. 18th USENIX Symp. Networked Syst. Des. Implement. April 12–14 2021. [33] H. Howard, «ARC: Analysis of Raft Consensus», University of Cambridge, Computer Laboratory, UCAM-CL-TR-857, 2014. [34] S. McNew, «Council Post: A 2020 And Post-Pandemic Outlook For Cryptocurrency And Blockchain Industries», Forbes. https://www.forbes.com/sites/forbesbusinessdevelopmentcouncil/2020/05/21/a-2020-and-post- pandemic-outlook-for-cryptocurrency-and-blockchain-industries/ [35] W. Fu, X. Wei, y S. Tong, «An Improved Blockchain Consensus Algorithm Based on Raft», Arab. J. Sci. Eng., vol. 46, n.o 9, pp. 8137-8149, sep. 2021. [36] T. Liu, Y. Yuan, y Z. Yu, «The service architecture of Internet of things terminal connection based on blockchain technology», J. Supercomput., vol. 77, n.o 11, pp. 12690-12710, nov. 2021. [37] R. Matzutt, B. Kalde, J. Pennekamp, A. Drichel, M. Henze, y K. Wehrle, «CoinPrune: Shrinking Bitcoin’s Blockchain Retrospectively», IEEE Trans. Netw. Serv. Manag., vol. 18, n.o 3, pp. 3064- 3078, sep. 2021. [38] H. Sheikh, R. M. Azmathullah, y F. Rizwan, «Proof-of-Work Vs Proof-of-Stake: A Comparative Analysis and an Approach to Blockchain Consensus Mechanism», Int. J. Res. Appl. Sci. Eng. Technol. IJRASET, vol. 6, 2018. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 108 [39] C. Cachin y M. Vukolic, «Blockchain consensus protocols in the wild», presentado en International Symposium on Distributed Computing, Schloss Dagstuhl- Leibniz-Zentrum fur Informatik GmbH, Dagstuhl Publishing, oct. 2017. [40] M. Xie, J. Liu, S. Chen, y M. Lin, «A survey on blockchain consensus mechanism: research overview, current advances and future directions», Int. J. Intell. Comput. Cybern., vol. 16, n.o 2, pp. 314-340, ene. 2022. [41] S. Nakamoto, «Bitcoin: A Peer-to-Peer Electronic Cash System», Cryptogr. Mail. List Httpsmetzdowdcom, mar. 2009. [42] Y. Xu, X. Yang, J. Zhang, J. Zhu, M. Sun, y B. Chen, «Proof of Engagement: A Flexible Blockchain Consensus Mechanism», Wirel. Commun. Mob. Comput., vol. 2021, p. e6185910, ago. 2021. [43] L. Lamport, «The Weak Byzantine Generals Problem», J. ACM, vol. 30, n.o 3, pp. 668-676, jul. 1983. [44] C. Attiya, D. Dolev, y J. Gil, «Asynchronous Byzantine consensus», en Proceedings of the third annual ACM symposium on Principles of distributed computing, en PODC ’84. New York, NY, USA: Association for Computing Machinery, ago. 1984, pp. 119-133. [45] H. Moniz, The Istanbul BFT Consensus Algorithm. 2020. [46] R. Saltini y D. Hyland-Wood, «Correctness Analysis of IBFT», ene. 2019. [47] K. Lei, M. Du, J. Huang, y T. Jin, «Groupchain: Towards a Scalable Public Blockchain in Fog Computing of IoT Services Computing», IEEE Trans. Serv. Comput., vol. 13, n.o 2, pp. 252-262, mar. 2020. [48] U. Javaid y B. Sikdar, «A Checkpoint Enabled Scalable Blockchain Architecture for Industrial Internet of Things», IEEE Trans. Ind. Inform., vol. 17, n.o 11, pp. 7679-7687, nov. 2021. [49] J. Yang, A. Paudel, y H. B. Gooi, «Compensation for Power Loss by a Proof-of-Stake Consortium Blockchain Microgrid», IEEE Trans. Ind. Inform., vol. 17, n.o 5, pp. 3253-3262, may 2021. [50] S. Wang, D. Ye, X. Huang, R. Yu, Y. Wang, y Y. Zhang, «Consortium Blockchain for Secure Resource Sharing in Vehicular Edge Computing: A Contract-Based Approach», IEEE Trans. Netw. Sci. Eng., vol. 8, n.o 2, pp. 1189-1201, abr. 2021. [51] M. J. Fischer, N. A. Lynch, y M. S. Paterson, «Impossibility of distributed consensus with one faulty process», J. ACM, vol. 32, n.o 2, pp. 374-382, abr. 1985. [52] T. D. Chandra y S. Toueg, «Unreliable failure detectors for reliable distributed systems», J. ACM, vol. 43, n.o 2, pp. 225-267, mar. 1996. [53] C. Nie y H. Leung, «A survey of combinatorial testing», ACM Comput. Surv., vol. 43, n.o 2, p. 11:1-11:29, feb. 2011. [54] B. Chaurasia y A. Verma, «A Comprehensive Study on Failure Detectors of Distributed Systems», J. Sci. Res., vol. 64, pp. 250-260, jul. 2020. [55] R. Cortiñas Rodríguez, Failure detectors and communication efficiency in the crash and general omisión failure models. Servicio Editorial de la Universidad del País Vasco/Euskal Herriko Unibertsitatearen Argitalpen Zerbitzua, 2011. [56] M. Fazlali, S. Eftekhar, M. M. Dehshibi, H. Tabatabaee Malazi, y M. Nosrati, Raft Consensus Algorithm: an Effective Substitute for Paxos in High Throughput P2P-based Systems. 2019. [57] N. Hayashibara, P. Urban, A. Schiper, T. Katayama, y F. Communications, «Performance Comparison Between the Paxos and Chandra-Toueg Consensus Algorithms», oct. 2002. 109 Bibliografía 109 [58] K. Fall, «A delay-tolerant network architecture for challenged internets», en Proceedings of the 2003 conference on Applications, technologies, architectures, and protocols for computer communications, en SIGCOMM ’03. New York, NY, USA: Association for Computing Machinery, ago. 2003, pp. 27-34. [59] A. Benchi, P. Launay, y F. Guidec, «Solving Consensus in Opportunistic Networks», en Proceedings of the 2015 International Conference on Distributed Computing and Networking, Goa India: ACM, ene. 2015, pp. 1-10. [60] K. K. Ahmed, M. H. Omar, y S. Hassan, «Survey and Comparison of Operating Concept for Routing Protocols in DTN», J. Comput. Sci., vol. 12, n.o 3, pp. 141-152, abr. 2016. [61] M. Jahanian y K. K. Ramakrishnan, «CoNICE: Consensus in Intermittently-Connected Environments by Exploiting Naming with Application to Emergency Response», en 2020 IEEE 28th International Conference on Network Protocols (ICNP), oct. 2020, pp. 1-12. [62] R. Ramanathan y J. Redi, «A brief overview of ad hoc networks: challenges and directions», IEEE Commun. Mag., vol. 40, n.o 5, pp. 20-22, may 2002. [63] J.-S. Lee, Y.-W. Su, y C.-C. Shen, «A Comparative Study of Wireless Protocols: Bluetooth, UWB, ZigBee, and Wi-Fi», en IECON 2007 - 33rd Annual Conference of the IEEE Industrial Electronics Society, nov. 2007, pp. 46-51. [64] A. Talaminos Barroso, J. Reina Tosina, y L. M. Roa Romero, «Sistema IoMT para la comunicación distribuida y descentralizada de sensores en redes de área personal», XXXIV Simposium Nacional de la Unión Científica Internacional de Radio. Sevilla, España., 2019. [65] L. Baresi, N. Derakhshan, S. Guinea, y F. Arenella, «MAGNET: A middleware for the proximal interaction of devices based on Wi-Fi direct», en 2017 IEEE International Conference on Communications (ICC), may 2017, pp. 1-7. [66] C. E. Casetti, C. F. Chiasserini, Y. Duan, P. Giaccone, y A. Perez Manriquez, «Data Connectivity and Smart Group Formation in Wi-Fi Direct Multi-Group Networks», IEEE Trans. Netw. Serv. Manag., vol. 15, n.o 1, pp. 245-259, mar. 2018. [67] J. H. Lee, M.-S. Park, y S. C. Shah, «Wi-Fi direct based mobile ad hoc network», en 2017 2nd International Conference on Computer and Communication Systems (ICCCS), jul. 2017, pp. 116-120. [68] R. Alnashwan y H. Mokhtar, «Wi-Fi Direct Issues and Challenges», en Advances in Security, Networks, and Internet of Things, K. Daimi, H. R. Arabnia, L. Deligiannidis, M.-S. Hwang, y F. G. Tinetti, Eds., en Transactions on Computational Science and Computational Intelligence. Cham: Springer International Publishing, 2021, pp. 525-539. [69] A. Teófilo, J. M. Lourenço, y H. Paulino, «RedMesh: A WiFi-Direct Network Formation Algorithm for Large-Scale Scenarios», en MobiQuitous 2020 - 17th EAI International Conference on Mobile and Ubiquitous Systems: Computing, Networking and Services, Darmstadt Germany: ACM, dic. 2020, pp. 147-157. [70] C. Petrioli y S. Basagni, «Degree-constrained multihop scatternet formation for Bluetooth networks», dic. 2002, pp. 222-226 vol.1. [71] H. Howard, M. Schwarzkopf, A. Madhavapeddy, y J. Crowcroft, «Raft Refloated: Do We Have Consensus?», ACM SIGOPS Oper. Syst. Rev., vol. 49, n.o 1, pp. 12-21, ene. 2015. [72] WiFi Alliance, «Wi-Fi Display Technical Specification Version 2.1». 2017. [73] M. Conti, F. Delmastro, G. Minutiello, y R. Paris, «Experimenting opportunistic networks with WiFi Direct», en 2013 IFIP Wireless Days (WD), nov. 2013, pp. 1-6. [74] C. Funai, C. Tapparello, y W. Heinzelman, «Enabling multi-hop ad hoc networks through WiFi Direct multi-group networking», en 2017 International Conference on Computing, Networking and Communications (ICNC), ene. 2017, pp. 491-497. Diseño y desarrollo de una plataforma de comunicaciones descentralizada con WiFi Direct y protocolos M2M 110 [75] M. A. Khan, W. Cherif, F. Filali, y R. Hamila, «Wi-Fi Direct Research ‐ Current Status and Future Perspectives», J. Netw. Comput. Appl., vol. 93, pp. 245-258, sep. 2017. [76] V. Kumkar, A. Tiwari, P. Tiwari, A. Gupta, y S. Shrawne, «Vulnerabilities of Wireless Security protocols (WEP and WPA2)», Int. J. Adv. Res. Comput. Eng. Technol., vol. 1, ene. 2012. [77] D. Santhadevi, V. Kareer, y S. Tokas, «A Review- Issues and Challenges in Wireless Network Security», Int. J. Radio Freq. Des., vol. 2, n.o 2, pp. 8-13, 2016. [78] A. Stubblefield, J. Ioannidis, y A. Rubin, «Using the Fluhrer, Mantin, and Shamir Attack to Break WEP», presentado en Network and Distributed System Security Symposium, 2002. [79] E. Tews, R.-P. Weinmann, y A. Pyshkin, «Breaking 104 Bit WEP in Less Than 60 Seconds», en Information Security Applications, S. Kim, M. Yung, y H.-W. Lee, Eds., en Lecture Notes in Computer Science. Berlin, Heidelberg: Springer, 2007, pp. 188-202. [80] «Wi-Fi Protected Setup | Wi-Fi Alliance». https://www.wi-fi.org/discover-wi-fi/wi-fi-protected- setup [81] A. H. Lashkari, M. M. S. Danesh, y B. Samadi, «A survey on wireless security protocols (WEP, WPA and WPA2/802.11i)», en 2009 2nd IEEE International Conference on Computer Science and Information Technology, ago. 2009, pp. 48-52. [82] E. Baray y N. Kumar Ojha, «‘WLAN Security Protocols and WPA3 Security Approach Measurement Through Aircrack-ng Technique’», en 2021 5th International Conference on Computing Methodologies and Communication (ICCMC), abr. 2021, pp. 23-30. [83] D. Camps-Mur, A. Garcia-Saavedra, y P. Serrano, «Device-to-device communications with Wi- Fi Direct: overview and experimentation», IEEE Wirel. Commun., vol. 20, n.o 3, pp. 96-104, jun. 2013. [84] H. Zhang, Y. Wang, y C. C. Tan, «WD2: an improved wifi-direct group formation protocol», en Proceedings of the 9th ACM MobiCom workshop on Challenged networks, en CHANTS ’14. New York, NY, USA: Association for Computing Machinery, sep. 2014, pp. 55-60. [85] K. Jahed, O. Farhat, G. Al-Jurdi, y S. Sharafeddine, «Optimized group owner selection in WiFi direct networks», en 2016 24th International Conference on Software, Telecommunications and Computer Networks (SoftCOM), sep. 2016, pp. 1-5. [86] M. A. Khan, W. Cherif, y F. Filali, «Group owner election in Wi-Fi direct», en 2016 IEEE 7th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), oct. 2016, pp. 1-9. [87] E. Yasser, A. Salah, y A. Kamel, «Enhancing the quality of service of mobile-based software over Wi-Fi direct», en 2021 The 4th International Conference on Software Engineering and Information Management, en ICSIM 2021. New York, NY, USA: Association for Computing Machinery, jul. 2021, pp. 1-9. [88] R. M. Mbala, J. M. Nlong, y J. R. K. Kamdjoug, «Android Wi-Fi Direct Architecture: From Protocol Implementation to Formal Specification», Int. J. Eng. Res. Technol., vol. 9, n.o 2, feb. 2020. [89] A. A. Shahin y M. Younis, «Efficient multi-group formation and communication protocol for Wi-Fi Direct», oct. 2015. [90] P. Chaki, M. Yasuda, y N. Fujita, «Seamless Group Reformation in WiFi Peer to Peer network using dormant backend links», en 2015 12th Annual IEEE Consumer Communications and Networking Conference (CCNC), ene. 2015, pp. 773-778. [91] J. Dizdarević, F. Carpio, A. Jukan, y X. Masip-Bruin, «A Survey of Communication Protocols for Internet of Things and Related Challenges of Fog and Cloud Computing Integration», ACM Comput. Surv., vol. 51, n.o 6, p. 116:1-116:29, ene. 2019. [92] «MQTT - The Standard for IoT Messaging». https://mqtt.org/ 111 Bibliografía 111 [93] D. Dinculeană y X. Cheng, «Vulnerabilities and Limitations of MQTT Protocol Used between IoT Devices», Appl. Sci., vol. 9, n.o 5, Art. n.o 5, ene. 2019. [94] L. Durkop, B. Czybik, y J. Jasperneite, «Performance evaluation of M2M protocols over cellular networks in a lab environment», en 2015 18th International Conference on Intelligence in Next Generation Networks, feb. 2015, pp. 70-75. [95] S. Wagle, «Semantic data extraction over MQTT for IoTcentric wireless sensor networks», en 2016 International Conference on Internet of Things and Applications (IOTA), ene. 2016, pp. 227- 232. [96] C. Bormann, A. P. Castellani, y Z. Shelby, «CoAP: An Application Protocol for Billions of Tiny Internet Nodes», IEEE Internet Comput., vol. 16, n.o 2, pp. 62-67, mar. 2012. [97] N. Naik, «Choice of effective messaging protocols for IoT systems: MQTT, CoAP, AMQP and HTTP», en 2017 IEEE International Systems Engineering Symposium (ISSE), oct. 2017, pp. 1-7. [98] F. T. Johnsen, T. H. Bloebaum, M. Avlesen, S. Spjelkavik, y B. Vik, «Evaluation of transport protocols for web services», en 2013 Military Communications and Information Systems Conference, oct. 2013, pp. 1-6. [99] T. M. Tukade y R. Banakar, «Data transfer protocols in IoT-an overview», Int. J. Pure Appl. Math., vol. 118, pp. 121-138, ene. 2018. [100] Y. Chen y T. Kunz, «Performance evaluation of IoT protocols under a constrained wireless access network», en 2016 International Conference on Selected Topics in Mobile & Wireless Networking (MoWNeT), abr. 2016, pp. 1-7. [101] T. White, M. Johnstone, y M. Peacock, «An investigation into some security issues in the DDS messaging protocol», Aust. Inf. Secur. Manag. Conf., ene. 2017. [102] J. Du, C. Gao, y T. Feng, «Formal Safety Assessment and Improvement of DDS Protocol for Industrial Data Distribution Service», Future Internet, vol. 15, n.o 1, Art. n.o 1, ene. 2023. [103] J. Hoffert, D. C. Schmidt, y A. Gokhale, «Evaluating Transport Protocols for Real-Time Event Stream Processing Middleware and Applications», en On the Move to Meaningful Internet Systems: OTM 2009, R. Meersman, T. Dillon, y P. Herrero, Eds., en Lecture Notes in Computer Science. Berlin, Heidelberg: Springer, 2009, pp. 614-633. [104] A. Talaminos-Barroso, M. A. Estudillo-Valderrama, L. M. Roa, J. Reina-Tosina, y F. Ortega- Ruiz, «A Machine-to-Machine protocol benchmark for eHealth applications – Use case: Respiratory rehabilitation», Comput. Methods Programs Biomed., vol. 129, pp. 1-11, jun. 2016. [105] A. Foster, «A Comparison Between DDS, AMQP, MQTT, JMS, REST, CoAP, and XMPP». 2017. [106] K. An, A. Gokhale, D. Schmidt, S. Tambe, P. Pazandak, y G. Pardo-Castellote, «Content-based filtering discovery protocol (CFDP): scalable and efficient OMG DDS discovery protocol», en Proceedings of the 8th ACM International Conference on Distributed Event-Based Systems, en DEBS ’14. New York, NY, USA: Association for Computing Machinery, may 2014, pp. 130-141. [107] W. Yuan y K. Nahrstedt, «Energy-efficient soft real-time CPU scheduling for mobile multimedia systems», en Proceedings of the nineteenth ACM symposium on Operating systems principles, en SOSP ’03. New York, NY, USA: Association for Computing Machinery, oct. 2003, pp. 149-163. [108] C. Bayılmış, M. A. Ebleme, Ü. Çavuşoğlu, K. Küçük, y A. Sevin, «A survey on communication protocols and performance evaluations for Internet of Things», Digit. Commun. Netw., vol. 8, n.o 6, pp. 1094-1104, dic. 2022. [109] L. Baresi, N. Derakhshan, y S. Guinea, «WiDiSi: A Wi-Fi direct simulator», en 2016 IEEE Wireless Communications and Networking Conference, abr. 2016, pp. 1-7.