Ambiente de simulação Os algoritmos previamente discutidos foram analisados usando um simulador de mobilidade. Ele modela uma cidade de 20 Km de raio, dividindo-a em áreas baseadas na densidade populacional e limites naturais.

Ambiente de simulação Servidores fixos

Ambiente de simulação O ambiente modelado inclui também os diferentes lugares da cidade onde as pessoas gastam o seu tempo. O gráfico ao lado mostra a frequência dos pontos com maior movimentação nas diversas áreas da cidade.

Ambiente de simulação Os usuários são divididos em quatro grupos de acordo com sua mobilidade e características de demanda. a)5% de usuários que se movem frequentemente por longas áreas da cidade. b)60% de trabalhadores que permanecem em somente um lugar uma grande parcela do dia, e depois retornam para sua residência. c)30% de usuários que se movem por toda a cidade, gastando tempo considerável em cada local. d)5% de usuários tem alta mobilidade, mas restritos ao centro da cidade. Uma tabela de movimento é associado a cada usuário para determinar seu comportamento de mobilidade típico.

Ambiente de simulação No simulador os tempos entre chamadas por usuário seguem uma distribuição de Poisson com médias de 14,7,18 e 18 para os grupos a,b,c e d respectivamente. Uma vez conectado, o usuário solicita um número de requisições numa taxa de uma requisição por segundo. Dentro de cada grupo, a popularidade de conteúdo segue uma distribuição zip-like onde a probabilidade de requisitar o objeto de um conteúdo c é igual a K/(c^alfa), onde K é parâmetro de normalização e alfa é igual a 0,84.

Avaliação de Performance

Avaliação de Performance Todos os conteúdos tem tamanho homogêneo e o mesmo servidor de origem. A distância entre os servidores é usada como fator multiplicador no cálculo de tráfego entre eles. Para os experimentos a configuração foi: Número de conteúdos igual a 24. Número de usuários móveis igual 500.000, gerando uma média de 35.700 requisições por segundo na rede. O período de reconfiguração foi ajustado para 10 minutos e a simulação rodou por 80 períodos. Os parâmetros alfa e delta do método de previsão de demanda foram configurados para 0,2 e 7 respectivamente e o parâmetro HW foi configurado para 1000 requisições por período.

Impacto da replicação, serviço indireto e tamanho do conteúdo de manutenção Foram analisados os impactos referentes aos parâmetros sr^c(replicação), si^c(serviço indireto) e (sm^c)manutenção. Esses parâmetros foram inicialmente configurados para sr^c = si^c = sm^c = 1 Kbyte, para todo conteúdo pertencente ao conjunto C.

Impacto da replicação, serviço indireto... 1º Avaliação: Altera sr^c e mantêm os outros parâmetros constantes.

Impacto da replicação, serviço indireto... Resultado: O algoritmo online teve o tráfego só 2x maior em relação ao algoritmo ótimo. O algoritmo online teve o tráfego 85% menor que o algoritmo ACDN. O algoritmo online teve uma economia de tráfego de 97% em relação ao melhor algoritmo estático. Conclusão: Esses resultados parecem indicar, que se basear nas demandas futuras nos dá um ganho maior que se basear nas observações do passado.

Impacto da replicação, serviço indireto... 2º Avaliação: Altera sm^c, atribui ao sr^c o valor de 10.000 vezes o valor inicial e mantêm si^c constante.

Impacto da replicação, serviço indireto... Resultado: O algoritmo online teve o tráfego 11% maior em relação ao algoritmo ótimo. O algoritmo online teve o tráfego 84% menor que o algoritmo ACDN. Conclusão: Com o aumento do tamanho de manutenção torna-se menos vantajoso manter uma réplica onde há baixas demandas de cliente.

Impacto da replicação, serviço indireto... 3º Avaliação: Altera si^c, atribui ao sr^c e ao sm^ c valor de 10.000 vezes o valor inicial.

Impacto da replicação, serviço indireto... Resultado: O algoritmo online teve o tráfego 2,7 vezes maior em relação ao algoritmo ótimo. O algoritmo online teve o tráfego de 34% até 65% menor que o algoritmo ACDN quando o tamanho do serviço indireto aumentou de 10 até 10.000 os valores iniciais. Conclusão: Quando os tamanho associado ao serviço indireto aumenta torna-se mais vantajoso replicar conteúdo do que encaminha requisições para outros servidores.

Impacto do número de usuários móveis. Assumindo que todos os parâmetros de tamanho sejam iguais 10 Kbytes .

Impacto do número de usuários móveis. Resultado: O algoritmo online teve o tráfego 52% maior em relação ao algoritmo ótimo. Em comparação o ACDN resultou num tráfego 126% maior que a solução ótima. Conclusão: Como esperado, os algoritmos dinâmicos escalam muito melhor do que as abordagens estáticas.

Overhead das operações de gerenciamento. As operações de replicação e manutenção de conteúdo geram um overhead no tráfego total gerado em uma rede de distribuição de conteúdo. Se o overhead, em contra-partida, reduz o tráfego em relação as respostas indiretas, esse gerenciamento torna-se vantajoso.

Overhead das operações de gerenciamento. Assumindo uma configuração de 300.000 unidades móveis e as mesmas configurações de tamanho do último exemplo.

Overhead das operações de gerenciamento. Resultado: O algoritmo online teve a mesmo overhead de gerenciamento, mas o tráfego total é 37% maior que a solução ótima. O ACDN gera um overhead e um tráfego maior que o algoritmo online. Conclusão: As abordagens dinâmicas geram um overhead significativo no tráfego total.

Sobrecarga de servidor O limite superior é flexível. Isso ocorre porque são aplicadas estimativas futuras de carga. Se a estimativa não é correta, ainda pode ocorrer sobrecarga nos servidores.

Sobrecarga de servidor Os parâmetros são os mesmos usados no tópico anterior.

Sobrecarga de servidor Resultado: O número de servidores sobrecarregados no algoritmo online é significativamente menor do que no ACDN. Conclusão: O método de previsão de demanda de alta precisão faz o algoritmo online mais competitivo do que o ACDN.

Impacto da previsão de demanda Foi avaliado a sensitividade do algoritmo aos parâmetros alfa e delta. A avaliação ocorreu em dois cenários diferentes. Um com o método DES para previsão demanda e outro usando o perfeito conhecimento da demanda futura. O melhor valor de alfa de depende da variação observada na demanda. Se as requisições de clientes são razoavelmente estáveis uma valor perto de 0 é um bom valor. Com demandas que diminuem e aumentam gradualmente, uma valor perto de 1 é mais adequado.

Impacto da previsão de demanda Avaliando alfa e beta no método DES. Configuração utilizada: Número de usuários : 300.000 sm^c: 500KB sr^c: 10MB si^c: 20KB Obs: No ambiente simulado a demanda de cliente varia suavemente.

Impacto da previsão de demanda Aqui analisamos o impacto do parâmetro alfa. Conclusão: Como a demanda varia suavemente, um valor para alfa perto de 0 é mais adequado.

Impacto da previsão de demanda Aqui analisamos o impacto do parâmetro delta. Conclusão: O melhor resultado obtido no ambiente foi com delta igual a 2. Quando 2 < delta < 20 o algoritmo online produz resultados dentro de 5% da solução ótima.

Impacto da previsão de demanda DES X Previsão perfeita Número de usuários : 12.000 sm^c: 2M sr^c: 10MB si^c: 20KB

Impacto da previsão de demanda Conclusão: O método de previsão perfeita reduz o tráfego sé em 10% em relação ao método DES. Logo o método utilizado tem boa acurácia.