Chapitre 5 : Evaluation des requêtes de localisation
3. Optimisation de l’évaluation des requêtes dépendantes de la localisation
3.4. Résultats des tests et synthèse
3.4.6. Impact de la sélection de l’espace de recherche
La sélection de l’espace de recherche et le choix de la profondeur maximale permettent de
réduire de façon importante les différents coûts associés à l’évaluation d’une requête
dépendante de la localisation. Nous présentons dans cette section la réduction des coûts
obtenus puis nous discutons ensuite de l’impact de ces choix sur la qualité de la réponse
obtenue.
Réduction des coûts
Les sélections de l’espace de recherche permettent de réduire considérablement les coûts de
communication, de traitement et de temps de réponse puisque le nombre de nœuds visités est
réduit. Les graphiques illustrés dans les figures 5.11 et 5.12 montrent la réduction du nombre
de nœuds visités et donc du nombre d’évaluation de la requête dans les deux environnements
présentés ci-dessus (environnement de référence et environnement « réél ») :
- a : l’espace de recherche est constitué de tous les nœuds de l’application
- b : l’espace de recherche est constitué uniquement des nœuds centraux
- c : l’espace de recherche est constitué uniquement des « bons » nœuds
Les stratégies 1 et 3 (respectivement les stratégies 2 et 4) sont regroupées étant donné que le
nombre de nœuds visité pour ces deux stratégies est identique.
0
10
20
30
40
50
60
70
80
90
100
a b c a b c
Stratégies 1 et 3 Stratégies 2 et 4
Pourcentage de l'ensemble des noeuds visités
Figure 5.11. Nombre de nœuds visités en fonction des
différentes sélections de l’espace de recherche dans
l’environnement de référence
0
10
20
30
40
50
60
70
80
90
100
a b c a b c
Stratégies 1 et 3 Stratégies 2 et 4
Pourcentage de l'ensemble des noeuds visités
Figure 5.12. Nombre de nœuds visités en fonction des
différentes sélections de l’espace de recherche dans
l’environnement « réel »
Le choix de la profondeur permet lui aussi de réduire le nombre de nœuds visités et donc les
coûts associés à l’évaluation d’une requête dépendante de la localisation. Cependant, dans
les applications de proximité, étant donné que la sphère de communication est limitée à un
espace déterminé, au-delà de quelques sauts, l’ensemble des nœuds ont été accédés et la
requête ne doit plus et ne peut plus être envoyée et évaluée par d’autres nœuds. Le choix de
la profondeur n’a donc un impact sur les coûts que si la profondeur est inférieure à un certain
seuil dépendant de la densité de nœuds et de leur couverture réseau dans chaque
environnement. Par exemple, d’après les résultats des simulations présentés dans la
figure 5.13, nous pouvons remarquer que les coûts sont réduits uniquement si la profondeur
est inférieure à 4. Au delà, le paramétrage de la profondeur n’a plus du tout d’impact sur les
résultats et sur les coûts.
0
10
20
30
40
50
60
1 2 3 4 5 6 7 8 9
Profondeur (nombre de sauts)
Nombre de noeuds visités
Stratégies 2 et 4
Stratégies 1 et 3
Discussion sur la qualité de la réponse
Si limiter l’espace de recherche et la profondeur maximale permet de réduire de façon
considérable les coûts, cela peut également engendrer une perte en terme de qualité de
réponse obtenue. Ainsi dans le pire des cas, si la réponse à la requête se situe sur un nœud
léger et que l’espace de recherche choisi est l’ensemble des nœuds centraux, la requête ne
sera pas satisfaite. Ce cas n’est cependant pas exceptionnel dans une application de
proximité : par exemple, dans l’application de l’aéroport, si Sophie recherche la localisation
de Marc, celle-ci n’est a priori partagée que par le terminal nomade de Marc.
Si un pourcentage important des informations est stocké sur les nœuds centraux, le
compromis entre la qualité de la réponse et les coûts nécessaires à l’évaluation de la requête
en utilisant une restriction de l’espace de recherche aux nœuds centraux peut être intéressant.
Cependant, dans un environnement « réel », les nœuds centraux ne sont pas toujours
accessibles directement par le nœud client : dans ce cas, les nœuds de l’espace de recherche
sélectionné ne sont pas tous contactés et donc la perte de qualité de la réponse est encore
plus importante. Les figures 5.14 et 5.15 représentent le pourcentage de nœuds contactés
parmi les nœuds de la sélection de l’espace de recherche respectivement dans
l’environnement de référence et dans l’environnement « réel » considéré. Nous pourrions
donc envisager de paramétrer la sélection de l’espace de recherche appropriée en fonction du
nombre de connexions que possède un nœud client vers des nœuds centraux.
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
a b c a b c
Stratégies 1 et 3 Stratégies 2 et 4
Figure 5.14. Pourcentage du nombre de nœuds visités
parmi les nœuds de la sélection de l’espace de recherche
dans l’environnement de référence
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
a b c a b c
Stratégies 1 et 3 Stratégies 2 et 4
Figure 5.15. Pourcentage du nombre de nœuds visité s
parmi les nœuds de la sélection de l’espace de recherche
dans l’environnement « réel »
Aujourd’hui, quantifier la perte de qualité des réponses obtenues reste problématique. En
effet, les simulations réalisées ont été calibrées en utilisant des données expérimentales
issues de notre prototype. Ces simulations nous permettent d’analyser la montée en charge.
En revanche, nous ne disposons pas d’informations probantes sur le comportement des
utilisateurs dans une application de proximité : quelles informa tions sont- ils prêts à
échanger ? Combien d’informations veulent- ils échanger ? Existe-t- il des comportements
représentatifs de partage de données pour les nœuds centraux ? De ce fait, nous ne sommes
pas en mesure de calibrer nos simulations de façon « réelle ». Il serait intéressant, de
quantifier les comportements d’utilisateurs d’une application de proximité dans un
environnement réel afin d’être capable d’exprimer la perte moyenne de qualité de la réponse
en fonction de la sélection de l’espace de recherche. Des études similaires concernant les
comportements des utilisateurs dans les systèmes P2P d’Internet ont été réalisées et
permettent ainsi d’effectuer des simulations en considérant des modèles types de distribution
de l’information : par exemple, dans [CRE 02], les simulations effectuées concernant la
solution proposée d’optimisation de la recherche d’informations reposent sur une distribution
80/20 de l’information dans le système P2P. C'est-à-dire que 80% des documents disponibles
sont stockés par 20% des nœuds présents.
Dans le document
Requêtes dépendantes de la localisation : Expression, évaluation et optimisation
(Page 115-118)