Bit Ring - ~@~ll File Control

Inicialmente, nós utilizamos o VanetMobSim para gerar um cenário semelhante ao cenário da base de dados de ônibus, para então analisarmos os dados brutos gerados pelos modelos de mobilidade presentes no simulador. Ao fazermos essa análise, estamos interessados em avaliar a fidelidade dos dados gerados pelos modelos de mobilidade atuais com os dados coletados em cenários reais. Quanto mais próximos os dados sintéticos forem dos dados reais, mas realista, e portanto, mais confiável será o modelo de mobilidade veicular. 0.0 0.2 0.4 0.6 0.8 1.0 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35

Entropia de Shannon Normalizada

Comple xidade Estatística k=1 k=1.5 k=2 k=2.5 k=3 Dados Reais Dados sintéticos K−noise

Figura 4.20: Plano Causalidade Complexidade-Entropia (comportamento dados sint´eticos).

A Figura 4.20 apresenta o plano Causalidade Complexidade-Entropia com dimensão embarcada D = 4. As informa¸cões de 12 ve´ıculos da base de dados sintética (c´ırculos) e de 12 ve´ıculos da base de dados real (cruzes) são apresentadas juntamente com o ru´ıdo colorido f−k para k = {0, 0.5, 1, 1.5, 2, 2.5, 3} (triângulos).

Notamos (Figura 4.20) que as velocidades da base de dados sint´etica foram divididas em dois grupo no plano Causalidade Complexidade-Entropia. Um destes grupos tem C ≈ 0.25 e H ≈ 0.4 (k > 3), e o outro tem C ≈ 0.1 e H ≈ 0.9 (k ' 2). O primeiro grupo apresenta estruturas altamente correlacionadas e menor aleatoriedade do que os dados reais. Enquanto o segundo grupo apresenta estruturas menos relacionadas e alta aleatoriedade quando comparado com os dados reais. Estes resultados sugerem que os modelos de mobilidade veiculares precisam ser melhorados para representar com maior grau de realismo o comportamento veicular.

0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.0 0.1 0.2 0.3 0.4 0.5 0.6

Entropia de Shannon Normalizada

Inf or mação de Fisher k=2 k=2.5 k=3 Dados reais Dados sintéticos K−noise

Figura 4.21: Plano Causalidade Fisher-Shannon (comportamento dados sint´eticos).

Além da análise global, utilizamos o plano Causalidade Fisher-Shannon para en- tendermos a sensitividade local dos dados. Novamente, a Figura 4.21 nos mostra que as velocidades são divididas em dois grupos, com F ≈ 0.5 e F ≈ 0.1, respectivamente. Ambos os grupos apresentam valores maiores para F quando comparados com os dados reais, o que nos mostra que as velocidades sintéticas são mais correlacionadas e mais sens´ıveis a mudan¸cas locais, e portanto, não correspondem à realidade.

Os modelos de mobilidade implementados pelo VanetMobSim produzem dados que não correspondem os dados observados nos cenários reais. Com isso, surge a necessidade de avaliarmos modelos mais completos, que utilizam parâmetros reais (como mapas e demanda de tráfego) para influenciar nos dados produzidos pelo modelo. A seguir, apresentamos a caracteriza¸cão de uma base de dados veicular que é considerada pela comunidade como uma das mais realistas dispon´ıveis atualmente.

An´alise do comportamento da base TAPASCologne

A base de dados TAPASCologne foi proposta por Uppoor et al. [42] e é considerada pela comunidade cient´ıfica como estado-da-arte. Isso, porque nesta base de dados o modelo de mobilidade é diretamente afetado por restri¸cões de rodovias e demanda de tráfego real.

A Figura 4.22 mostra o plano de Causalidade Complexidade-Entropia com dimensão embarcada D = 4. As informa¸cões dos ve´ıculos (cruzes) são apresentadas juntamente com o ru´ıdo colorido f−k para k = {0.5, 1, 1.5, 2, 2.5} (triângulos). Uma linha pontilhada ´

e exibida para facilitar a leitura dos dados.

A Figura 4.22 apresenta comportamento veicular correlacionado com ru´ıdo colorido variando entre 0.25 ≤ k ≤ 2.75. Ou seja, o comportamento veicular presente na base de dados TAPASCologne produz velocidades com entropia entre 0.74 e 1, isso significa que os ve´ıculos que tem entropia entre 0.97 e 1 produzem velocidades aleatórias, e na medida que a entropia vai diminuindo as velocidades vão se tornando mais correlacionadas. Porém, a dinâmica do tráfego da base TAPASCologne produz velocidades com baixa complexidade, que variam entre a complexidade m´ınima (linha cont´ınua inferior no gráfico) e complexidade média, que é a complexidade observada no ru´ıdo colorido. Além da dinâmica de tráfego da base de dados TAPASCologne apresentar complexidade diferente da observada nas bases de dados reais, a base de dados TAPASCologne não nos permite identificar diferentes regimes e comportamento (dias da semana, finais de semana, horas do dia ou horas da noite) como observamos em cenários reais. Isso significa que, mesmo sendo poss´ıvel separarmos os dados por hora do dia, uma vez que os dados são simulados a partir de demandas de tráfego reais coletadas durante um dia de trabalho completo, não será poss´ıvel reproduzirmos diferentes dinâmicas de tráfego que represente diferentes condi¸cões de tráfego (fazemos uma análise mais aprofundada à frente). Este resultado sugere que o modelo de mobilidade utilizado pelo TAPASCologne precisa ser refinado para que seja poss´ıvel produzir comportamento veicular distinto para diferentes

condi¸c˜oes de tr´afego (denso, misto ou livre) para diferentes categorias de ve´ıculos. 0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00 0.00 0.05 0.10 0.15 0.20 0.25

Entropia Normalizada de Shannon

Comple xidade Estatística k=1 k=1.5 k=2 k=2.5 TAPASCologne K−noise

Figura 4.22: Plano de Causalidade Complexidade Entropia da base de dados TAPASCologne.

Para identificar perturba¸cões localizadas no comportamento veicular da base TA- PASCologne, nós utilizamos o plano de causalidade Fisher-Shannon. A Figura 4.23 apresenta o plano de causalidade Fisher-Shannon com dimensão embarcada de D = 4. Novamente, as informa¸cões dos ve´ıculos (cruzes) são apresentadas juntamente com o ru´ıdo colorido f−k para k = {0.5, 1, 1.5, 2, 2.5} (triângulos). Uma linha pontilhada é exibida para facilitar a leitura dos dados. Observamos que o comportamento das velocidades veicular apresentam pouca perturba¸cão localizada, isso significa que, a base de dados TAPASCologne as velocidades veiculares produzidas possuem menor varia¸cão do que as observada em cenários reais.

Como mencionado anteriormente, a base de dados TAPASCologne foi gerada con- siderando as 24 horas de um dia de trabalho, e por isso ela leva em considera¸c˜ao a

0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00 0.00 0.05 0.10 0.15 0.20 0.25

Entropia Normalizada de Shannon

Inf or mação de Fisher k=1 k=1.5 k=2 k=2.5 TAPASCologne K−noise

Figura 4.23: Plano de Causalidade Fisher-Shannon da base de dados TAPAS- Cologne.

demanda de tráfego produzida pelas atividades reais dos moradores da cidade de Co- logne na Alemanha em cada hora do dia. Essa caracter´ıstica permite que os dados da TAPASCologne sejam analisados por horas do dia (6am até 8pm) e horas da noite (8pm até 6am), e com isso é poss´ıvel analisarmos de forma um pouco mais detalhada como o comportamento veicular é produzido por um modelo de mobilidade realista quando a demanda de tráfego real é levada em considera¸cão.

A Figura 4.24 apresenta o plano de Causalidade Complexidade-Entropia com dimens˜ao embarcada D = 4 para dois per´ıodos do dia (c´ırculos para 6am-8pm e cruzes para 8pm-6am).

Observamos (Figura 4.24) que as velocidades veiculares durantes as horas de dia apresentam ru´ıdo colorido correlacionado fkno intervalo de 0.75 ≤ k ≤ 2.55, e, portanto,

0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00 0.00 0.05 0.10 0.15 0.20 0.25

Entropia Normalizada de Shannon

Comple xidade Estatística k=1 k=1.5 k=2 k=2.5 6am−8pm 8pm−6am K−noise

Figura 4.24: Plano de Causalidade Complexidade-Entropia da base de dados TAPASCologne analisado por hora do dia.

mais correlacionados do que em horários noturnas, que apresentam ru´ıdo colorindo fk para k variando entre 1 ≤ k ≤ 2.3. Esse comportamento é o oposto do observado nas bases de dados reais, onde as velocidades em horários noturnos apresentam maior correla¸cão do que as velocidades em horários do dia. Além disso, mais uma vez, não ´

e poss´ıvel distinguir diferentes condi¸cões de tráfego quando as velocidades dos ve´ıculos são observadas. Esse resultado reafirma a necessidade de que os modelos de mobilidades atuais precisam ser aprimorados para produzir velocidades veiculares correlacionadas.

Um fator que pode ter gerado este comportamento é o fato que de os modelos de mobilidade veicular são produzidos para que o ve´ıculo trafegue com a velocidade máxima que eles conseguirem alcan¸car (por exemplo, ve´ıculos trafegando dentro de cidades vão atingir velocidade máxima de aproximadamente 50 km/h enquanto ve´ıculos trafegando

0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00 0.00 0.05 0.10 0.15 0.20 0.25

Entropia Normalizada de Shannon

Inf or mação de Fisher k=1 k=1.5 k=2 k=2.5 6am−8pm 8pm−6am K−noise

Figura 4.25: Plano de Causalidade Fisher-Shannon da base de dados TAPAS- Cologne analisado por hora do dia.

por rodovias v˜ao atingir 129 km/h). De forma complementar, a Figura 4.25 mostra o plano de Causalidade Fisher-Shannon com dimens˜ao embarcada D = 4 para dois per´ıodos do dia (c´ırculos para 6am-8pm e cruzes para 8pm-6am).

Os resultados mostram que a combina¸cão de (i) mapas reais, com (ii) demanda de tráfego real coletada a partir das atividades diárias do usuários, e (iii) utiliza¸cão de algoritmos de cálculo de rotas que consideram as condi¸cões do tráfego, reduzem o im- pacto que o modelo de mobilidade tem sob a dinâmica da velocidade veicular produzindo comportamento veicular realista mais próximos dos cenários reais. Entretanto, o comportamento veicular observado na base de dados TAPASCologne não corresponde ao comportamento veicular observado nos cenários reais estudados. Este resultado sugere que os modelos de mobilidade precisam ser melhorados para produzir velocidades cor-

relacionadas, tais quais as observadas nos cen´arios reais, ou seja, com ru´ıdo colorido fk para k variando entre 0.5 ≤ k ≤ 3.

Estudo de caso: compara¸cão entre uma base de dados reais (ônibus) e uma base de dados sintética (TAPASCologne)

Como mencionado anteriormente, para que novas aplica¸cões e protocolos para redes veiculares sejam avaliados adequadamente, é essencial que as bases de dados sintéticas produzam comportamento veicular semelhante ao comportamento observado em cenários reais. Com o objetivo de avaliar a fidelidade de uma base sintética considerada pela comunidade cient´ıfica como realista, nós desenvolvemos um Algoritmo Epidêmico [101, 102] para redes veiculares e aplicamos em dois dos cenários estudados ao longo desse Cap´ıtulo, um cenário real, utilizando a base de dados de ônibus e o cenário sintético, utilizando a base de dados TAPASCologne.

Para a avalia¸cão, foi desenvolvido um algoritmo de roteamento epidêmico para redes veiculares utilizando o simulador de redes OMNeT++ [103]. O algoritmo é capaz de entregar mensagens em uma rede tolerante a atraso. Isso significa que cada ve´ıculo possui um buffer onde armazena a mensagem e aguarda por uma oportunidade de contato para transmiti-la ao ve´ıculo seguinte. Esse processo se repete até que a mensagem alcance seu destino.

A Figura 4.26 ilustra o funcionamento do algoritmo de roteamento epidêmico: (i) quando o nó A entra na área de contato do nó B, o no B envia para A uma mensagens de sincroniza¸cão com informa¸cões das mensagens de dados que B tem sob custódia; (ii) quando o nó A recebe a mensagem de sincroniza¸cão, ele verifica quais mensagens ele não possui em buffer e envia ao nó B uma solicita¸cão de custódia para estas mensagens; (iii) ao receber a solicita¸cão de custódia, o nó B envia as mensagens de dados para o nó A. Esse processo acontece nos dois sentidos de forma que, ao final do processo, ambos os nós estejam com as mesmas mensagens em buffer e sejam capazes de transportá-las pela rede pulverizando-as para os demais nós que encontrarem pelo caminho.

Para os experimentos foram utilizados dois cenários, o primeiro, com uma base de dados reais e segundo com uma base de dados sintéticos considerada realista. Para o primeiro cenário, foi utilizada a base de dados de ônibus, que é composta por 12 ônibus que circulam por uma área de 32 km por 15 km durante as 24 horas de um dia. Para o segundo cenário foi utilizada a base de dados TAPASCologne, onde foram selecionados

Figura 4.26: Funcionamento do algoritmo epidˆemico

30 ve´ıculos aleatórios para cada uma das 15 repeti¸cões. Nessa base de dados os ve´ıculos circulam por uma área de 30 km quadrados durante as 24 horas de um dia. Para ambas as bases foram executadas 15 repeti¸cões onde em cada repeti¸cão os destinos e as origens das mensagens eram gerada de forma aleatória respeitando a condi¸cão de que o destino tinha que ser diferente da origem.

A base de dados TAPASCologne representa a mobilidade veicular de uma cidade durante as 24 horas do dia, porém, os ve´ıculos nessa base entram na simula¸cão no in´ıcio do trajeto e saem da simula¸cão no final do trajeto permanecendo na simula¸cão por poucos minutos. Por esse motivo, ao selecionarmos 30 ve´ıculos aleatórios o tempo de simula¸cão, em que os ve´ıculos estão em movimento, ficou próximo a 1400 segundos, este tempo foi utilizando para executar as simula¸cões para ambas as bases. Para a base de dados de ônibus, a simula¸cão inicia após a rede iniciar e os nós se espalharem pela área de simula¸cão, isso, porque os dados da base foram coletados com os ve´ıculos ainda na garagem.

Ambos os cenário são avaliados em rela¸cão ao número de mensagens entregues, ao tempo de entrega de mensagem, a ocupa¸cão dos buffers de cada nó e ao número de saltos de cada mensagem. O número de mensagens entregues permite avaliar a con- fiabilidade dos modelos de mobilidade implementados, ou seja, se ambos os modelos geram mobilidade cujas oportunidades de contato são exploradas adequadamente pelos protocolos avaliados. O tempo de entrega de mensagem e o número de saltos de cada mensagem estão intimamente relacionados com o parâmetro anterior e avalia se as oportunidades de contato podem ser exploradas pelos protocolos de forma eficiente. Por

fim, a ocupa¸cão do buffer de cada nó permite avaliar o espa¸co de armazenamento de cada nó e a eficiência dos protocolos ao propagar as mensagens pela rede. Observe que, como mencionado anteriormente, o modelo de mobilidade está intimamente ligado ao desempenho das aplica¸cões e protocolos projetados para redes veiculares. Sendo assim, deseja-se que ambos os cenários apresentem comportamentos semelhantes.

Tabela 4.4: Base de dados de ˆonibus x TAPASCologne: Dados estat´ısticos

Parˆametros Onibusˆ TAPASCologne

Total Média Desv. Padão Total Média Desv. Padão

Tempo de entrega 10813,6 2163,0 535,4 832,9 416,5 17,8

Mensagens entregues 6 0,4 0,63 2 0,133 5,93

Ocupa¸c˜ao dos buffers (# de mensagens) 74 4,93 2,86 63 4,2 3,58

# de saltos 75 5,0 3,64 72 4,8 5,93

A Tabela 4.4 apresenta os resultados para os parâmetros analisados. O número de mensagens entregues na base de dados de ônibus é relativamente maior do que a base de dados TAPASCologne, isso nos permite concluir que a base de dados de ônibus é mais conexa, e que a mobilidade dos ve´ıculos é melhor explorada para garantir que a mensagem alcance o destino. Outro parâmetro que confirma essa hipótese é o tempo médio de entrega de mensagens. O fato do tempo médio de entrega de mensagens na base TAPASCologne ser pequeno, e possuir uma pequena varia¸cão, indica que as mensagens foram geradas e entregues para nós próximos ao destino, o que nos permite concluir que a conectividade da rede nessa base de dados é baixa e consequentemente, mensagens destinadas a nós distantes dificilmente alcan¸cam seus destinos. Além disso, a rela¸cão entre o número de saltos e a ocupa¸cão dos buffers indica que na base TAPASCologne as mensagens são mais propagadas pela rede passando por um número maior de nós intermediários antes de alcan¸car o destino.

Aprofundando as análises, com o objetivo de identificarmos diferen¸cas no comportamento veicular produzido pelo modelo de mobilidade em rela¸cão ao comportamento veicular real, analisamos os dados das velocidade de ambos cenários. Isso, porque a velocidade é uma importante variável para identificarmos a fidelidade dos modelos de mobilidade em rela¸cão aos cenários reais. A Figura 4.27 apresenta o violin plot juntamente com o boxplot para os dados de velocidade de ambos os cenários. Através do violin plot conseguimos identificar a densidade e a distribui¸cão das velocidades, informa¸cões que são omitidas pelo boxplot. Ao observarmos a Figura 4.27 notamos que

Figura 4.27: Violin e boxplot das velocidades veiculares

as velocidades produzidas pelo modelo sintético possuem maior dispersão, em rela¸cão as velocidades do cenário real. Além disso, notamos que as velocidades formam grupos com altas densidades e picos em 5km/h, 50km/h, 75km/h, 100km/h e 120km/k. Enquanto no cenário real nos observamos um pico de densidade de velocidades aos 40km/h. A base TAPASCologne é composta por diversas categorias de ve´ıculos o que pode justificar uma maior dispersão das velocidades se comparada com o cenário real (frota de ônibus). Além disso, os ônibus possuem uma rota menos dinâmica (com paradas) se comparada as rotas de ve´ıculos de outras categorias, o que pode justificar uma maior taxa de entrega das mensagens. Outra observa¸cão importante diz respeito aos outliers observados no boxplot da base TAPASCologne, onde conseguimos notar que a base TAPASCologne possui velocidades superiores a 200km/h, o que não corresponde a realidade.

Estes resultados mostram que a dinâmica de tráfego gerada por simuladores não re- presentam o comportamento de cenários reais. Adicionalmente, nossa hipótese é que não é poss´ıvel distinguir diferentes categorias de ve´ıculos dentro do cenário simulado. Ou seja, a dinâmica de tráfego produzida pelos simuladores não nos permite selecio- nar ve´ıculos que possuem o mesmo comportamento observado em cenários reais, em diferentes condi¸cões de tráfego e para diferentes categorias de ve´ıculos.

Modelos de mobilidade veicular:

an´alise de sensibilidade

E conhecido que o modelo de mobilidade é o principal fator que influência na avalia¸cão de novos protocolos e aplica¸cões para os Sistemas de Transporte Inteligentes (ITS) [5]. Isso, porque ve´ıculos possuem caracter´ısticas de mobilidade peculiares que têm influência direta nos resultados gerados pela simula¸cão [13, 15]. E desej´´ avel que as simula¸cões produzam resultados mais próximo poss´ıvel dos casos reais, o que exige que estes modelos sejam validados antes de serem usados. Porém, para validar um modelo é necessário analisar os parâmetros de simula¸cão com o objetivo de identificar quais parâmetros são mais relevantes e quais valores eles devem assumir [17, 18].

Vários modelos de mobilidade veicular surgiram com o passar dos anos, e esses modelos evolu´ıram desde modelos puramente aleatórios até modelos baseados em comportamento [19, 20]. A maioria desses modelos já estão implementados nos principais simuladores de mobilidade veicular, e são utilizados pela comunidade cient´ıfica para conduzir seus experimentos.

Entre os diversos simuladores de mobilidade veicular utilizados nos dias de hoje, o SUMO[21] tem ganhado a preferência pela comunidade cient´ıfica. Isso, porque ele oferece recursos particularmente atraentes, como por exemplo: software livre e de código aberto, facilidade de integra¸cão com simuladores de rede, possui todos os principais modelos de mobilidade implementados, tem comunidade ativa, permite incluir diferentes classes de ve´ıculos na mesma simula¸cão (intermodal) e possui um conjunto de ferramentas que auxiliam na cria¸cão de simula¸cões realistas [22]. Dentre todas essas vantagens, estamos

particularmente interessados na variedade dos modelos de mobilidade implementados no SUMO.

5.1 Modelos de mobilidade veicular

O SUMO possui 4 implementa¸cões de diferentes modelos de mobilidade veicular, que são: KraussOrig1 [44], BKerner [2, 45], IDM [46] e Wiedemann [47]. Alguns desses modelos possuem versões implementadas por diferentes pesquisadores, que no SUMO recebem o nome de Krauss, KraussPS, KraussAB, SmartSK, PWagner2009, Daniel1 e IDMM. Dessa forma, o SUMO possui 11 diferentes modelos dispon´ıveis para uso.

Adicionalmente, dois modelos de mobilidade focados em ve´ıculos autônomos foram inclu´ıdos ao SUMO recentemente [104, 105]. Porém, ambos os modelos fogem do escopo deste trabalho, e por esse motivo eles não serão considerados. A seguir, detalhamos cada um dos modelos implementados no SUMO.

Dans le document ~@~ll File Control (Page 63-75)