• No results found

Discussion

In document Neural coding with deep learning (Page 62-98)

 

La validación de los resultados es tan importante como los resultados mismos,  ya que de la calidad de éstos depende la coherencia y robustez de las conclusiones  obtenidas. Por una parte se seleccionan los parámetros de eficiencia de red a evaluar,  a los que se ha llamado parámetros primarios.  A partir de los parámetros primarios se 

derivan  por  comparación  y  relación  parámetros  secundarios,  que  permiten  la 

evaluación específica de características multicast frente a unicast.   

   

6.2.1. Métricas evaluadas 

 

Como  parámetros  primarios  de  evaluación  se  tienen  los  obtenidos 

directamente  de  la  recolección  de  medidas  en  las  redes  simuladas.  Estos  son 

parámetros de eficiencia de red, concretamente se han recogido valores de tasa 

tiempo de vinculación. Todos los parámetros primarios se han recopilado en forma de  vectores que los relacionan con el tiempo de simulación y con el número de miembros  en el sistema. Las medidas se recolectan en múltiples puntos concretos de muestreo  en los escenarios así como en el elemento centralizador de medidas y estadísticas, 

GlobalStatsManager, el cual ha sido implementado para esta función específica.   

  Los parámetros de evaluación secundarios se derivan a partir de relaciones 

entre los primarios. Se han obtenido de la bibliografía existente de trabajos para la 

valoración  de  protocolos  y  sistemas  de  distribución  multicast.  Se  describen  a 

continuación ambos tipos de parámetros. 

     

6.2.1.1. Parámetros de evaluación primarios 

 

Para seleccionar las métricas a evaluar se ha estudiado la referencia [54]. Se  trata un documento de la asociación internacional Video Services Forum23, la cual está  compuesta por usuarios y fabricantes dedicados a la interoperabilidad, métricas de  calidad y enseñanza relacionadas con tecnologías de red para difusión de video.  En el  citado documento se realiza una selección y análisis de las métricas que permiten  caracterizar con más exactitud redes IP para realización de streaming de video. Se han  elegido algunas de ellas para su medida en las simulaciones: 

   

Tasa binaria del flujo de paquetes   

o Definición: es la medida de la tasa binaria del flujo de datos asociado a 

un grupo representativo de paquetes en la red. 

o Unidades: número de bits por segundo (bps). 

o Cómo medir: se identifican los paquetes con una dirección o un campo 

de cabecera específico, se suma el tamaño en bits de todos los paquetes  observados en un intervalo de tiempo y se divide la suma por el tiempo  en segundos de dicho intervalo. 

o Puntos de medida: al ser un parámetro de tráfico y no necesitar una  referencia, se puede medir en cualquier punto de la red donde exista  tráfico asociado al grupo de medida. 

   

Retardo extremo a extremo 

 

o Definición: es la latencia media calculada sobre un periodo de tiempo  que presenta el camino de ida entre dos puntos de medida.  

o Unidades: milisegundos (ms). 

       

o Cómo  medir:  se  transmiten  paquetes  con  marcas  de  tiempo  sincronizadas y en el extremo receptor se compara dicho valor con el  tiempo instantáneo, obteniendo la diferencia. 

o Puntos de medida: entre cualquier par de puntos clave de la red.   

 

Jitter acumulado 

 

o Definición: es la suma de todas las variaciones positivas y negativas del  retardo sobre un intervalo de tiempo. 

o Unidades: milisegundos (ms). 

o Cómo medir: a partir de la suma de la variación del retardo en un  intervalo de tiempo, normalmente de un segundo. 

o Puntos de medida: en interfaces de red donde se deseen detectar 

congestiones  transitorias.  Un  incremento  de  su  valor  refleja  el 

crecimiento de colas en los routers, evento precursor de una posible  pérdida de paquetes. 

   

Tiempo de vinculación (setup time) 

 

o Definición: tiempo de latencia entre en envío de un IGMP Join por parte  de un miembro y la recepción del primer paquete multicast por dicho 

miembro. 

o Unidades: milisegundos (ms). 

o Cómo medir: diferencia entre el instante de tiempo de transmisión del  primer bit del IGMP Join y el instante de llegada del primer bit del  primer paquete multicast para el grupo suscrito, ambos medidos en el 

miembro multicast. 

o Puntos de medida: los miembros multicast. 

   

6.2.1.2. Parámetros de evaluación secundarios 

 

Estos  parámetros son  derivados  de los primarios  y obtenidos a  partir  de 

definiciones que los relacionan. Se  han seleccionado parámetros específicos para 

evaluar características  de  eficiencia del modo  de  distribución  multicast  frente  al 

unicast en los distintos escenarios. En la búsqueda bibliográfica realizada se han  encontrado los trabajos [55] y [56] que definen algunos parámetros de interés. 

 

Los parámetros secundarios que se definen y detallan a continuación son los  siguientes: 

 

• Eficiencia en tasa binaria multicast frente a unicast

• Elasticidad del retardo (stretch). 

   

Eficiencia en tasa binaria multicast frente a unicast 

 

En [55] se define un parámetro de estimación de eficiencia multicast frente a 

unicast en términos de recursos de tasa binaria consumida. Se trata de la modificación  de uno existente previamente y relaciona el número de enlaces multicast y el número  de saltos unicast que realizan los paquetes de un determinado flujo. Se denota dicho  parámetro como “δ” y es adimensional. Número de saltos unicast significa saltos  realizados por las copias de un mismo paquete (unicast) con similar carga útil y  distintos valores de cabeceras. La relación se proporciona en la ecuación (4): 

  1 m⁄ u m ú u 4        

La relación enlaces multicast frente a saltos unicast se puede obtener a partir 

de  la recolección  global  de  medidas  de  tasa  binaria de  streaming  en modo  de 

distribución multicast frente a unicast. Esto es así ya que la relación entre estos dos  últimos parámetros es equivalente a definida en (4) como  m⁄ u, considerando que el 

servicio de video transmite un flujo a tasa binaria constante y los saltos unicast en un  enlace son equivalentes en número a la cantidad de replicaciones del flujo de video: 

    m i⁄ u i i⁄ i i⁄ i ⁄ m⁄ u      

Por otro lado en [55] también se da la relación entre el número de miembros  multicast y el parámetro de eficiencia δ, de la forma reflejada en la ecuación (5): 

  1 ε ε ε ú 1 í 5        

 

  De (4) y (5) se obtiene una relación entre el número de miembros multicast  existente en un grupo dado y la mejora de eficiencia de la distribución del flujo en  modo multicast frente a unicast. El parámetro de economías de escala se fija en k=0,7  para estimar eficiencia en topologías que consideran todos los niveles de jerarquía  incluido el nivel más bajo (hosts finales). Tras fijar este valor el factor de eficiencia sε 

variará para una misma cantidad de miembros multicast N en función de la topología  de red concreta (un solo dominio o inter‐dominio). No obstante, este parámetro no se  ha analizado ya que está directamente relacionado en la función lineal con (5) con δ.   

   

Elasticidad del retardo (stretch) 

 

  Se ha estudiado la tesis referenciada en [56]. En dicho documento se dan 

directrices para calcular parámetros de eficiencia específicos de multicast. Entre otros  se define el parámetro stretch que en el contexto de dicha tesis se puede traducir por  “elasticidad del retardo” y mide la mejora en eficiencia para el parámetro “retardo  extremo a extremo” entre el modo de distribución multicast frente al unicast. El  parámetro es denotado de aquí en adelante por la letra griega “τ”, tratándose de un  parámetro adimensional. Se ajusta su definición para aplicarlo a la medida de multicast  de red (en [56] se usa para medidas con multicast overlay) y a los valores medios de  retardo globales medidos en los escenarios. En la ecuación (6) queda definido este 

parámetro:  1 ⁄ 6            

Eficiencia en tiempo de vinculación multicast frente a unicast 

 

Denotando a la eficiencia en tiempo de vinculación con la letra griega “ρ” se  realiza su definición en la ecuación (7): 

1 s⁄ s s ó s ó 7          

In document Neural coding with deep learning (Page 62-98)

Related documents