16608

16608

بهبود كارايي شبكه هاي مقاوم در برابر تأخير خودرويي با تحليل مجموعه داده هاي ترافيكي

كارشناسي ارشد

فناوري اطلاعات - شبكه هاي كامپيوتري

بهمن 1394

دكتر محمود فتحي

كامپيوتر

امروزه بشر با سرعتي بيش‌ازپيش در كسب علم سرعت گرفته است. بي شك يكي از دلايل اين سرعت، انواع شبكه هاي ارتباطي و در صدر آن ها شبكه‌هاي كامپيوتري است. وجود ¬شبكه‌هاي كامپيوتري دسترسي آسان و ارزان به اطلاعات را به ارمغان آورده است. شبكه‌هاي كامپيوتري بسته به محيط مورد استفاده، از فنّاوري‌ها‌ي مختلف جهت برپا نمودن شبكه استفاده مي‌كنند. يكي از انواع اين شبكه‌ها براي عملياتي بودن در شرايط سخت ايجاد شده است. منظور از شرايط سخت مواردي همچون قطع شدن مداوم ارتباطات بين گره‌هاي شنبكه و تأخيرهاي طولاني‌مدت در رسيدن داده‌ها از يك گره به گره بعدي است .اين شبكه‌ها را شبكه‌هاي مقاوم در برابر تأخير مي‌نامند. تمركز ما در اين پايان‌نامه بر روي مسيريابي در نوعي خاص از اين شبكه‌ها است كه از ارتباطات بيسيم جهت ايجاد ارتباط بين خودروها و يا تجهيزات كنار جاده‌اي استفاده مي‌كنند. به اين شبكه‌ها شبكه‌هاي مقاوم در برابر تأخير خودرويي‌ مي‌گويند. در اين شبكه‌ها برخلاف شبكه‌هاي عادي ارتباطات انتها‌به‌انتها نيست. بسته‌هاي داده بر روي حافظه‌ي گره‌هاي مياني ذخيره و حمل مي‌شوند تا در نهايت به مقصد تحويل گردند. ممكن است بسياري از اين بسته‌ها هيچ‌گاه به مقصد نرسند. ارتباطات بين گره‌هاي اين شبكه‌ها نقطه‌به‌نقطه است. بدين معني كه هر گره فقط به گره‌اي كه مستقيما و بودن واسطه با آن در تماس است، مي‌تواند داده ارسال كند. اما ايده‌ي جديدي مبني بر استفاده از ارتباطات غيرمستقيم با استفاده از يك يا چند گره مياني در اين شبكه‌ها مطرح شده است. در اين پايان‌نامه به بررسي تأثير استفاده از اين نوع ارتباطات بر كارايي شبكه پرداخته مي‌شود. ابتدا به معرفي اين نوع از شبكه‌ها پرداخته و سپس به تحليل آماري مجموعه‌داده‌هاي واقعي، مربوط به حركت خودرو‌ها در محيط‌هاي شهري مي‌پردازيم و نتايج را نشان مي‌دهيم. بعدازآن محيط مورد بررسي را با استفاده از مجموعه‌داده‌هاي موجود شبيه‌سازي مي‌كنيم. يكي از نكات مهم در شبكه‌هاي مذكور، توانايي در پيش‌بيني اتصالات بين گره‌ها است. ما نيز در انتهاي كار اين اتصالات را پيش‌بيني مي‌كنيم و با استفاده از مجموعه داده ي حاصل از اين پيش بيني ها شبكه ي ايجاد شده را شبيه سازي خواهيم كرد. براي اعتبارسنجي، نتايج حاصل از اين شبيه سازي را با نتايج حاصل از شبيه سازي مجموعه داده هاي واقعي مورد مقايسه قرار مي دهيم.

1395/11/25

1/1/1900 12:00:00 AM

Today the science growth rate increase rapidly in comparison with pervious centuries. Without doubt, one of the main reasons for this pace are networks, especially computer networks. Computer networks make an easy an​d cheap way to access the information. Computer networks use variety of technologies in order to deploy networking according to their environments. One of these networks is designed to be operational through hard situations. Hard situations include continues connection lost between nodes, long time delays in sending an​d receiving information between nodes, etc. these networks are called delay tolerant networks. In this thesis, we focus on routing in a particular case of these networks that uses wireless connection to transfer information between vehicles an​d road side units. These networks are called vehicular delay tolerant networks. In these kinds of networks the connections are not end to end. The data packets are saved an​d carried on middle nodes’ memories until the final destination. Some of these packets may never reach the final destination. The connections in these networks are point to point. This means each node could only send data to the nodes that are connected to it directly. But a new idea suggests an indirect connection using one o​r more middle nodes. In this thesis we analyze this idea on performance of vehicular delay tolerant networks. We first introduce this network an​d then we statistically analyze the real data of vehicular traffic in the urban environment an​d show the results. After that we simulate the environment using the existing data. One the abilities of such networks is the ability to predict the connections between nodes. At the end we predict the connections an​d using the dataset resulted from this prediction to simulate the network. To eva​luate our prediction we compare our result with the result conducted from the real datasets.