4. ARAŞTIRMA SONUÇLARI VE TARTIŞMA
4.5. Başaklanma erme süresi (gün)
Osproto olos des ritos a ima fo amna redução de banda atravésdo ompartilhamento dos
uxos que saem do servidor. Esta seção apresenta trabalhos no sentido de otimizar o ro-
teamento dos uxos ompartilhados de forma a reduzir ainda mais a banda de rede. Note
queaquestão dalo alizaçãodosservidores tambémin uen iano usto de roteamento. Esse
problema, em geral, é onsiderado separadamente do de roteamento, uma vez que determi-
nar lo alização e roteamento ótimos simultaneamente é um problema NP- ompleto. Assim,
des revem-seaquiproto olosdelo alizaçãoderépli asederoteamentodos uxos. Essespro-
to olos sãoutilizados na riação de orestas dedistribuição, on eitode nidono apítulo2.
3.3.1 Proto olos lo alização de répli as
Chamamosde lo alização derépli as o pro esso de determinar emquaisnósdarededeverão
arasrépli as.
Diversosproto olosforampropostos omfo oemtransmissãouni ast,para aqualorote-
amentopelo aminhomais urtominimizaabandamédiaderede. EmLietal[36℄eKrishnan
et al [34 ℄ determina-se a lo alização ótima para servidores proxy para web, lo alização esta
obtida om o uso de um modelo de otimização. Krishnan et al [34℄ propõem também uma
soluçãogulosa naqual olo a-seumarépli ade ada vez,mantendo-se xas asrépli as já o-
lo adas. A répli aé olo adano site queo asionarummenorvalorna funçãoqueestabele e
o usto total. Outros proto olos bastante utilizados são o Hotspot [46℄, que olo a répli as
nos sites lientes de maior demanda e o Fanout [47, 31℄, que olo a répli as nos sites om
maiorgraude saída. Em todos essesestudosutiliza-se também a lo alização aleatória, para
efeitode omparação omosproto olos propostos.
Comrelaçãoaestudosvoltadosparao ompartilhamentode uxos,diversostrabalhos[16 ,
17,48, 64, 66℄ exploram a lo alização de servidores em CDNsque utilizam uxos omparti-
lhados. Zhaoetal [70℄estudaram proto olos de roteamento para uxos ompartilhados e foi
utilizadooproto oloFanout paradeterminaralo alização doservidor,ouseja,oservidorfoi
olo adoemumdossites ommaiorgraudesaída. Já Almeidaetal[2 ,4℄introduzemoutros
trêsproto olos paraes olher a lo alizaçãodas répli as,sendo duasheurísti as,denominadas
MaximumSavings e Min- ost TSP, e o proto oloótimo, que obtém asolução atravésde um
modelode otimização. Os doisprimeiros proto olos, quetratam apenas oproblema de lo a-
lizaçãodasrépli as,fun ionam de formagulosa, omoemKrishnan etal[34 ℄. Já oproto olo
ótimoobtém ao mesmo tempo a lo alização e o roteamento que, ombinados, minimizam a
seja
Candidatos
o onjunto de possiveis repli asseja
m
o numero de repli as a serem es olhidas ,m≤ |Candidatos|
Replicas← ∅
para
i← 1
atem
melhorCusto← ∞
melhorCandidato← N U LO
para ada
c∈ Candidatos
Replicas← Replicas ∪ {c}
// a fun ao re onstroiTSP liga ada liente a repli a
// mais proxima e retorna o usto dessa floresta
custo← reconstroiT SP ( )
Replicas← Replicas − {c}
secusto < melhorCusto
melhorCusto← custo
melhorReplica← c
fimse fimparaCandidatos← Candidatos − {melhorCandidato}
Replicas← Replicas ∪ {melhorCandidato}
fimpara
Figura3.1: Proto olo Min- ostTSP paralo alização derépli as
Por ter se mostrado mais promissor dentre as heurísti as apresentadas por Almeida et
al[2 , 4℄, oproto oloMin- ost TSP foies olhido paraeste trabalho.
Min- ost TSP A gura 3.1 mostra o pseudo- ódigo paraesse proto olo. Para es olher a
i-ésima répli a, al ula-se o usto asso iado a ada nó andidato. Esse usto orresponde à
banda média total da oresta dos aminhos mais urtos, usando omo répli as o andidato
e asrépli as já alo adas. Essa oresta é riada ligando ada lienteà répli amais próxima.
A banda média total é dada pela soma das bandas médias em ada link dessa oresta. A
i-ésimarépli a orresponderáao andidatodemenor usto. Essepro essoserepeteatéque
m
répli as sejamalo adas. A omplexidade dessealgoritmo é
O(|S| × |V |)
,ondeS
é o onjuntode possíveis répli as e
V
é o onjunto de nósdarede.3.3.2 Proto olos de roteamento
Os proto olos de roteamento re ebem omoentradao onjunto derépli as obtido por algum
proto olodelo alizaçãoe determinamaquerépli adeveser one tado ada lienteeatravés
de que aminho se dáessa onexão,ou seja, riam a oresta de distribuição.
Para transmissão uni ast existe um proto olo ótimo (e simples) para roteamento, o a-
minho mais urto (SP). Esse proto olo é o default para entrega uni ast na Internet [37 ℄.
Cada liente é one tado pelo aminho mais urto até oservidor maispróximo. A de nição
de proximidade équepodevariar. Em muitos asosutiliza-seo número desaltosouo tempo
de ida-e-voltaentre oservidore o liente.
sistemasaut nomosdistintos [21 ℄.
Entretanto,quandoseusa ompartilhamentode uxos,oproto oloSPpodenãoserótimo.
Por esse motivo, outros proto olos de roteamento são propostos. Fei et al [22 ℄ propõem
modelos de otimização e heurísti as para roteamento assumindo lo alização xa e um úni o
uxo ompartilhado, omo o orre no aso de onteúdo ao vivo ou de difusão (broad ast).
Nesse asoa banda de redeindepende do número de lientes re ebendo o uxoem ada site
liente.
Para o aso de vídeo sob demanda foram propostos proto olos de roteamento para om-
partilhamento de uxos em dois trabalhos [70, 4℄. Zhao et al [70 ℄ analisam dois proto olos
pararoteamento om ompartilhamento de uxos,denominados Greedy Link e Greedy Cost,
para o aso de um úni o servidor. Greedy Link onstrói a árvore de distribuição de forma
gulosa,ligando,a ada passo,o liente quepuderser inseridoo asionandoo menor aumento
no número total de links da árvore. Greedy Cost fun iona da mesma forma, mas em vez de
tentarminimizaronúmerodelinks daárvore,ofo oénaminimizaçãodabandaderedetotal
da árvore. Esse usto é de nido omo a banda média de redene essária para distribuir um
objetousandoBS, onsiderando asdemandas dossites lientes. Os proto olos propostos são
omparados omoSP,masapresentaram ganhoslimitados, inferioresa 16%. Omelhordeles
foi o Greedy Cost. O Greedy Link, para demandas baixas, hegou até mesmo a apresentar
perdas signi ativasemrelação aoSP.
Apesardeo Greedy Link sermaissimplespor nãone essitarsaber asdemandas dossites
lientes, elenão semostroupromissor. Por isso,Almeida et al[4℄ propõem umaextensãodo
Greedy Cost para o aso em que há mais de um servidor, denominada Menor Custo In re-
mental(MCI).Sãopropostos,ainda,umproto olode omplexidade omputa ionalinferiorao
MCI,denominado MenorCusto Ordenado (MCO) e o proto olo queobtém a solução ótima
para lo alização e roteamento utilizando um modelo de otimização. Por terem sido usados
nasnossasanálises,detalhamos abaixo ofun ionamento doMCIe do MCO.
MínimoCustoIn remental(MCI) A gura3.2mostraopseudo- ódigoparaoproto olo
MCI. Ini ialmente, o proto olo MCI onstrói uma oresta onstituída de
m
árvores. Cadaárvore é formada por um úni o nó, que orresponde a um dos servidores es olhidos pelo
algoritmodelo alizaçãoderépli as. Paraes olheroi-ésimo lienteaserinserido,oproto olo
MCI one ta ada umdos lientes aindanão inseridosa ada umdosnósna oresta através
do aminho mais urto. A opção que o asionaro menor aumento de usto na oresta seráa
es olhida. A omplexidadedesseproto oloé
O(|Clientes|
2
× |V |)
,onde
Clientes
éo onjuntodesites lientes e
V
éo onjunto de nósdarede. Portanto,para o aso emquetodososnóssão lientes, essealgoritmo possui omplexidade
O(|V |
3
)
.
MínimoCustoOrdenado(MCO) A gura3.3mostraopseudo- ódigoparaoproto olo
MCO. Este proto olo fun iona de forma semelhante ao MCI, porém possui menor omple-
seja
Replicas
o onjunto de servidores es olhido pelo algoritmo de lo aliza ao sejaClientes
o onjunto de sites lientes//Ao longo do algoritmo, Verti es sempre orresponde a todos os verti es das
//florestas de distribui ao par ialmente riadas.
V ertices← Replicas
ClientesN aoInseridos← Clientes
para
i← 1
ate|ClientesN aoInseridos|
paracand∈ ClientesN aoInseridos
melhorCand← N U LO
melhorV ertice← N U LO
menorCustoInc← ∞
para
v∈ V ertices
//testaCone tar( ,v) retorna o usto in remental
//asso iado a onexao do liente ao verti e v
//pelo menor aminho.
custoInc← testaConectar( cand, v)
se
custoInc < menorCustoInc
menorCustoInc← custoInc
melhorCand← cand
melhorV erticelef tarrowv
fimse
fimpara
fimpara
ClientesN aoInseridos← ClientesN aoInseridos − {melhorCand}
N ovosV ertices← conectar( melhorCand, melhorV ertice)
V ertices← V ertices ∪ N ovosV ertices
fimpara
Figura3.2: MínimoCusto In remental (MCI)
servidor. A inserção, omo no aso do Mínimo Custo In remental, é feita através de uma
onexão pelo aminho mais urto om qualquer nó de qualquer dasárvores já par ialmente
riadas, nó paraoqual o aumento no usto da oresta sejao menor possível. Esse proto olo
possui omplexidade
O(|Clientes| × |V |)
, ondeClientes
é o onjunto de sites lientes eV
é o onjunto de nós da rede. Portanto, para o aso em que todos os nós são lientes, esse
algoritmo possui omplexidade
O(|V |
2
)
.