Composizione di servizi con conoscenza non locale

In questa sezione analizziamo i risultati delle simulazioni per l’implementa- zione delle tre politiche in esame sfruttando anche la conoscenza non locale. Ricordiamo che tramite le informazioni che un nodo riceve dagli altri all’inizio di un nuovo contatto, `e possibile valutare e scegliere cammini di composizio- ne i quali, diversamente dall’implementazione con conoscenza locale, possono collegare due provider di servizi atomici senza dover contattare di nuovo il seeker. Questo `e possibile perch`e il seeker ha conoscenza delle statistiche di rete fra i provider coinvolti.

I test eseguiti per questo caso sono identici a quelli effettuati nel caso di conoscenza locale.

Tempi di completamento medi

La Figura 7.18 per il caso con richieste omogenee e la Figura 7.20 per il caso08 mostrano come anche in caso di una bassa frequenza di richieste di servizio, MEV presenti tempi medi di completamento nettamente inferiori rispetto a RANDOM e FIRST. Quando il traffico di richieste diventa maggiore, l’uso di MEV permette di ottenere un tempo di completamento ancora buono, al contrario delle altre due politiche, le quali hanno tempi di completamento molto elevati.

Rispetto al caso con conoscenza locale, il divario di prestazioni fra le tre politiche risulta rilevante gi`a per un numero limitato di richieste. Il motivo di questo risultato `e dato dal fatto che la valutazione effettuata sfruttando MEV riesce a stimare quale sia il cammino migliore migliorando la valutazione introdotta nel caso della sola conoscenza locale.

Figura 7.19: Varianza dei tempi medi di completamento. Conoscenza non Locale

Figura 7.21: Varianza dei tempi medi di completamento. Conoscenza non Locale - caso08

Bilanciamento carico

Se per i tempi di completamento medi abbiamo una differenza di comporta- mento fra il caso con conoscenza locale e quello con conoscenza non locale, per il bilanciamento del carico i risultati sono molto simili. MEV riesce a non sovraccaricare i provider di lavoro riuscendo a mantenersi sotto la soglia dello 0.6 del fattore di utilizzazione dei provider, Figura 7.22 e Figura 7.24.

Figura 7.22: Carico medio dei provider. Conoscenza non Locale In Figura 7.23 e Figura 7.25 osserviamo la varianza dei tempi di com- pletamento delle richieste. RANDOM e FIRST risultano le meno affidabili seguendo lo stesso trend. Rispetto al caso con conoscenza locale, i tempi di completamento delle richieste hanno minor varianza, soprattutto nel caso08.

Figura 7.23: Varianza media del carico. Conoscenza non Locale

Percentuale richieste completate

Notiamo in Figura 7.26 e Figura 7.27 come anche nel caso con conoscenza non locale, la nostra politica permetta di portare a terminazione un alto numero di richieste. Con richieste omogenee la percentuale delle richieste terminate entro la fine della simulazione non scende mai sotto il 90%. RANDOM e FIRST presentano prestazioni accettabili per i primi casi, aumentando il divario con MEV quando si ha un aumento delle richieste in rete. Il caso08 evidenzia come tutte le politiche abbiano una flessione dei risultati, anche se, la nostra politica riesce a mantenersi sopra il 75%, al contrario delle altre due che degradano fino a sfiorare il 30% di successo da parte delle richieste create.

La pi`u alta percentuale di richieste terminate che si verificano nel caso con conoscenza non locale porta a fare delle considerazioni anche sui tempi medi di completamento, Figura 7.28 e Figura 7.29 per il caso08. Dato che il caso con conoscenza non locale si pu`o considerare un’evoluzione del caso che fa uso di conoscenza locale, ci si potrebbe aspettare che il tempo medio di completamento possa diminuire. Il pi`u alto numero di richieste terminate altera queste considerazioni, impedendo di confrontare i dati dei due test.

Figura 7.26: Percentuale di completamento richieste. Conoscenza non Locale

Figura 7.27: Percentuale di completamento richieste. Conoscenza non Locale - caso08

Figura 7.28: Percentuale di completamento richieste, Locale-Non Locale

Capitolo 8

Conclusioni

Il lavoro proposto in questa tesi si colloca nell’ambito dei sistemi auto- organizzanti per reti pervasive, uno dei campi emergenti nella ricerca sulle reti mobili. Il nostro lavoro propone un sistema per la condivisione e l’uso di servizi fra gli utenti di una rete di dispositivi mobili. La mobilit`a `e sfruttata sia per la ricerca di servizi che un utente non ha a disposizione sul proprio dispositivo che per la condivisione delle proprie risorse verso gli altri utenti della rete.

8.1

Sistema realizzato

A tal fine `e stato definito un sistema di supporto per dispositivi mobili che permetta agli utenti di condividere ed usare risorse messe a disposizione. Questo sistema prevede la definizione di politiche che gestiscono le richieste provenienti dagli utenti, sfruttando un modello analitico per valutare le al- ternative conosciute dal dispositivo, e da algoritmi di gestione degli eventi di che guidano lo scambio di conoscenza tra i nodi, e ricevono valori necessari per le valutazioni.

Lo strato di supporto si occupa inoltre di elaborare la conoscenza a dispo- sizione, componendo i servizi conosciuti per formare nuove alternative per la risoluzione delle richieste.

babilistico che fornisce un’approssimazione del tempo di risoluzione di una richiesta, in modo da poter guidare la politica di gestione delle richieste. Se per un paradigma client-server le risorse server sono sempre a disposizione del client, in una rete opportunistica non possiamo assumere questo concet- to. Abbiamo quindi considerato i modelli disponibili della mobilit`a umana, necessari per effettuare previsioni sulla durata dei periodi di contatto e in- tercontatto tra le coppie di nodi, scegliendo il Random Waypoint.

Per la risoluzione dei servizi sono stati presi in considerazione due ma- croscenari. Lo scenario single-hop dove ogni servizio in rete viene eseguito su un singolo nodo e lo scenario delle composizioni, dove pi`u servizi possono essere uniti per formare nuove soluzioni la cui elaborazione avviene in modo distribuito in rete.

Abbiamo introdotto una rappresentazione formale tramite grafi delle com- posizioni, descrivendo tutte le propriet`a che consentono di definire struttura valutabile da un algoritmo.

Successivamente sono stati delineati le rappresentazioni e gli algoritmi di valutazione necessari due tipi di composizioni di servizi, differenziando la conoscenza che ogni nodo ha delle statistiche della rete.

Il primo caso di composizione usa solo la conoscenza locale che ogni nodo colleziona durante gli scambi con nodi in contatto, mentre il secondo usa anche informazioni di mobilit`a che coinvolgono, sia il nodo incontrato, che altri nodi con cui quest’ultimo ha avuto contatti

Abbiamo infine fornito gli algoritmi per la valutazione delle composizioni, descrivendo come possa essere effettuata a partire dalla rappresentazione definita.