Introdução
Resumindo:
- Modelo baseado no GradientBroadcast
- Centrado em eventos
- Cria um gradiente pela rede direcionado para o sink
- Quando um nó recebe de de seus vizinhos uma notificação de estabe
- Eventos são roteados seguindo a direção do gradiente do sink
- Idéia dos micro-gradientes
- Eventos, quando relevantes, são captados por mais de um nó.
- Assumimos isso.
- Se isso não é válido para a aplicação em questão, nosso modelo perde o sua aplicabiliadde
- Uma vez que aconteça um evento numa região da rede, cada nó que detectá-lo inicia um processo de criação de um micro-gradiente para o evento
- Um micro-gradiente é semelhante ao gradiente do sink, mas centrado no nó que origina a criação desse micro-gradiente e com um raio de ação limitado ( pense em TTL )
- Cada micro-gradiente é identificado de forma semelhante a um interesse no DirectedDiffusion
- Quando um micro-gradiente é criado e espalha-se pelo seu raio de ação, a "onda" que propaga a criação desse micro-gradiente pode "colodir" com a onda de propagação de outro micro-gradiente para o mesmo evento. Nesse caso, faz-se de forma semelhante ao que acontece quando da criação do gradiente do sink: o nó adota o menor valor + 1 para o valor do seu potencial no gradiente, mesclando o micro-gradiente. que menor valor?! menor valor dado o TTL que chegou nele ou o menor valor para o potencial no gradiente do sink dos vizinhos que avisão sobre o novo micro-gradiente?
- Cad evento repo
- Gradiente de retorno
- Quando o sink quiser solicitar informações mais detalhadas ou específicas sobre um determinado evento, ele solicita a criação de um gradiente de retorno
- Um gradiente de retorno é semelhante em idéia a um micro-gradiente, mas diferente no seu proposito e construção
- Ele serve para o sink se comunicar, enviando "interesses"
- Um gradiente de retorno é construído de maneira análoga a um gradiente de retorno mas seu raio e atuação abrange o sink
Considerações
- ''Mas isso não está muito parecido com o DirectedDiffusion não?'
Não muito. O
DirectedDiffusion usa sim o conceito de gradiente, o conceito de reforço poderia até ser considerado como uma cópia do conceito de gradiente de retorno e existe também nele a idéia de que um evento, a medida que passa pelos nós em direção ao
sink, pode sofrer agregação.
Contudo, o
GradientBroadcast, em que nosso modelo é baseado, é um modelo focado em eventos, ao passo que o
DirectedDiffusion é focado em eventos. Gradientes de Retorno só existem entre a região em que um evento é gerado e o sink: não há um espalhamento de todo o gradiente de retorno pela rede.
Questionamentos
O paper sobre o
GradientBroadcast considera que as comunicações na rede pode ser feitas através de broadcasts. Isso é uma consideração válida para a maioria das redes de sensores ou devemos levar em considerações redes de sensores onde a comunicação é apenas ponto-a-ponto?!
Pq fazer agregação apenas no micro-gradiente e não durante o processo de repassar um dado para o
sink?
Porque:
- perde-se a chance de concentrar os dados sobre o evento e com isso aumentar a qualidade do resultado da agregação
- aumenta-se o volume de dados que passa para os nós próximos á raiz quando poderia-se já na área de atuação do evento fazer agregação de dados
Trabalhos Futuros
- O raiz de um micro-gradiente pode ser um nó mais distânte do sink do que o nó que recebeu o evento. O ideal era que no momento em que o micro-gradiente é estabelecido fosse feita uma eleição e que tivesse mais chance de ganhar quem estivesse mais próximo do sink (potencial menor)
- A agregação de dados num micro gradiente atualmente é feita apenas pelo 'sink'/root do micro-gradiente. O ideal talvez fosse fazer com que a agragação de dados fosse feita enquanto o dado passa pelo nó.
Referências
![[Home]](http://tavi.sourceforge.net/tavi.png)