220
2, APRIL 2005
Estudio y Modelado de una Red de
Distribucin de Contenido
B. Molina M., C.E. Palau, Member, IEEE, M. Esteve
 forma: la seccin II introduce la motivacin y trabajo previo.
AbstractLas redes de distribucin de contenido (CDN,
Content Delivery Networks) surgieron a finales de los aos 90
como un medio de reducir el tiempo de respuesta experimentado
por los usuarios de Internet al disponer mltiples servidores de
una forma distribuida y en las cercanas de los clientes.
Numerosas compaas han desplegado su propia CDN, pero
esconden ciertos aspectos y detalles de su implementacin
interna, por lo que surge la necesidad de un modelo general que
describa el comportamiento de una CDN desde un punto de vista
analtico.
En este artculo se propone una expresin general de una red de
distribucin de contenido as como el impacto en el rendimiento
del sistema atendiendo a diferentes parmetros de diseo como la
tasa de acierto, la latencia de red, el nmero de servidores y la
capacidad de estos.
Index Terms-- Content Distribution Network, Modeling and
simulation, performance evaluation.
I. INTRODUCCIN
E L crecimiento de Internet en los ltimos aos ha originado
un movimiento continuo en diferentes niveles y mbitos,
como el econmico, social y, de una forma muy activa, el
tecnolgico. En definitiva, Internet permite distribuir
contenido de todo tipo, que cada vez adquiere un formato ms
interactivo y que es demandado por una poblacin de usuarios
en aumento. La necesidad de escalar ha conducido al
despliegue de clusters [1], redes globales de distribucin de
contenido [2] y, ms recientemente, estructuras P2P [3].
Las redes de distribucin de contenido (CDNs, Content
Delivery Networks) son redes de capa de aplicacin formadas
por un conjunto dedicado de servidores (surrogates),
distribuidos en las cercanas de los clientes, los cuales
proporcionan contenido con unos valores reducidos de
latencia. Algunas CDNs, como Akamai [4], son usadas
actualmente por diversos sitios web, ya que son capaces de
reducir la latencia percibida por el cliente, as como de
balancear carga [6]. Los servicios proporcionados por una
CDN mejoran el acceso a contenido especializado al abordar
tres reas bsicas en el mbito del networking: velocidad,
fiabilidad y escalabilidad.
El resto de este artculo est estructurado de la siguiente
B. Molina, C.E Palau, y M. Esteve trabajan en el Departamento de
Comunicaciones, Universidad Politcnica de Valencia, 46022 Valencia,
Espaa (e-mail: benmomo@doctor.upv.es, cpalau@dcom.upv.es,
mesteve@dcom.upv.es)
IEEE LATIN AMERICA TRANSACTIONS, VOL. 3, NO.
En la seccin III presentamos nuestro modelo de una CDN
partiendo de un trabajo previo. La seccin IV presenta y
comenta los resultados obtenidos a partir del modelo. El artculo
finaliza con unas conclusiones y previsin de futuro trabajo.
II. MOTIVACIN Y TRABAJO PREVIO
Las CDNs son redes cuyo propsito general estriba en
reducir el tiempo de espera de los usuarios. Reducir el tiempo
de respuesta implica reducir la latencia de red as como el
tiempo de proceso en los servidores. Dada la falta de una
gestin globalizada en Internet, las empresas han empleado
tradicionalmente soluciones de escalado hacia arriba
mediante el uso de servidores cada vez ms potentes o, ms
recientemente, escalado hacia fuera pero de una forma local,
con arquitecturas basadas en clusters. Una CDN es un ejemplo
de escalado global hacia fuera que trata de reducir la latencia
evitando rutas congestionadas, lo que conduce a una
reduccin del tiempo de respuesta percibido.
Estudios recientes confirman que las CDNs reducen el
tiempo medio de respuesta, pero que las tcnicas de
redireccin DNS aaden una sobrecarga perceptible. Muchos
de estos estudios han sido empricos, evaluando
principalmente el tiempo de respuesta [7], la efectividad de la
redireccin DNS [8][7], la seleccin del servidor ms
apropiado [11] o la localizacin de servidor [1]. Otros
artculos y contribuciones han tratado de modelar el
comportamiento de una CDN empleando diferentes tcnicas.
Estos estudios se han enfocado principalmente en dos
aspectos: la colocacin de servidores [10] y la evaluacin del
tiempo de respuesta. Para la evaluacin del segundo parmetro
se han empleado diversas tcnicas: tiempo de respuesta lineal
en los servidores [11], esquema water filling [12] y teora de
colas [13]. Este artculo parte de un modelo sencillo
presentado en [12] e introduce nuevas caractersticas ms
realistas y generales. De este modo es posible estudiar el
impacto en el rendimiento de parmetros tan importantes
como la tasa de acierto, la latencia de red, el nmero de
surrogates y la capacidad de los servidores.
III. MODELO DE CDN
Nuestro modelo de CDN est compuesto por tres elementos
principales, como se observa en la Fig. 1. Existe un servidor
MORENO et al.: A MODELLED STUDY OF CONTENT DELIVERY 221

origen, que ocupar una posicin cntrica en el modelo. 1 1

R = p NW p   1  p  N W s  (3)
Alrededor de este servidor origen se encuentran distribuidos P p  O p P s  O s
un conjunto de P surrogates y M clusters de clientes. La variable p es la probabilidad de que una peticin sea
satisfecha por un surrogate. Sin embargo, un cliente no ser
MM M1 siempre encaminado al mismo surrogate, sino a varios de
M2
MM-1 ellos, aplicando balanceo de carga. Por tanto, podemos
M3 representar el valor de la probabilidad p para el i-simo cluster
PP P1
MM-2 p como la suma de probabilidades en contactar los P surrogates:
P2 P
j
M4 pi pi (4)
0 j 1

P3
Las mismas consideraciones pueden aplicarse al resto de
d
variables asociadas a los surrogates, como son p , p y p.
Dado que se debe satisfacer la condicin de estabilidad del
sistema (p > p) tomaremos un factor k (k>1) tal que p = kp.
Razonando de manera anloga con el servidor origen,
obtendremos expresiones similares en las variables p, s, s y
Fig. 1. Topologa simplificada de una red de distribucin de contenido.
s. La expresin general permite obtener el tiempo de
En una primera aproximacin podemos asumir que todos respuesta tanto para un cluster de clientes como para el
los clusters de clientes (en lo sucesivo clientes) se encuentran sistema global, que ser el que se considerar en este artculo,
uniformemente distribuidos alrededor de una circunferencia que corresponde a la media de los M clusters:
con un tiempo de ida y vuelta (RTT, roundtrip-time) 0
respecto del servidor origen, correspondiente al centro. Los M
1
surrogates entre los clientes y el servidor origen se encuentran R Ri (5)
M i 1
a una distancia p y d respectivamente, en trminos de RTT.
Un cliente generar peticiones, que sern servidas bien por el Por tanto, la expresin general queda como:
servidor origen o por los surrogates. El mecanismo mediante
el cual un cliente conoce el servidor ms apropiado no se R Rs  R0 (6)
considerar en este artculo; en su lugar se asumir que las
peticiones sern encaminadas a los surrogates con una con las siguientes expresiones para R s y R 0 :
probabilidad p. Por el contrario, los clientes contactarn con el

servidor origen con una probabilidad (1-p). 1 M P 1
p i
j i, j
La medida comnmente empleada en la evaluacin del Rs N W p 
M (8)
M i 1 j 1 j j
rendimiento en la mayora de los anlisis de redes de CDNs es P p  Ol
el tiempo medio de respuesta experimentado por los usuarios.
l 1
Para comenzar con una frmula inicial podemos considerar la

siguiente expresin: 1 M P
j 1
R0 1  p i NW 0i  (9)
M M
R = p Rsrrgt  1  p  Rorigin
i 1 j 1
(1)
donde Rsrrgt es el tiempo medio de respuesta asociado a
contactar con un surrogate (y ser servido por ste) y Rorigin es
el tiempo medio de respuesta en contactar el servidor origen
(y ser servidor por ste). El tiempo de respuesta puede ser
representado [1] linealmente como:
R = N  S
(2)
donde N corresponde a un factor de escala que incorpora el
efecto de la prdida de paquetes en la red, las retransmisiones
y, en general, la cantidad de informacin intercambiada
necesaria para satisfacer la solicitud de un cliente; representa
el factor de latencia de la red y S es el tiempo de proceso, que
se modelar como un sistema M/M/1. De esta forma tenemos
que el tiempo medio de respuesta se puede expresar de la
siguiente forma:
P s  1  p l  Ol
l 1
donde M es el nmero de clusters de clientes, P es el nmero
de surrogates, pij es la probabilidad de que el i-simo cliente
contacte con el j-simo surrogate, N representa el nmero de
paquetes necesarios para una transaccin cliente servidor, pi,j
es el tiempo de ida y vuelta medio para el i-simo cliente y el
j-simo surrogate, lj representa la tasa media de llegada que el
l-simo cluster enva al j-esimo surrogate, oi es el RTT medio
entre el i-simo cluster y el servidor origen, y (1-p)l
representa la tasa media de llegada que el l-simo cluster enva
al servidor origen.
IV. SIMULANDO EL MODELO
Como puede apreciarse, la expresin para el tiempo de
respuesta global corresponde a una funcin n-dimensional. El
proceso de simulacin debe considerar las siguientes variables
222 IEEE LATIN AMERICA TRANSACTIONS, VOL. 3, NO. 2, APRIL 2005

como parmetros: expresin general donde slo interviene el servidor origen o

x El nmero de clientes (M). Estos estarn distribuidos los surrogates.
14
alrededor del servidor origen separados entre s (2/M)
radianes con un ngulo inicial aleatorio. 12

x El nmero de surrogates (P). En este caso tambin se

10
emplea el mismo procedimiento de aleatorizacin.
at
x El nmero de retransmisiones necesarias (N). s
e 8
u
p
x Una cierta tasa de acierto para cada cliente (pi, i=1..M). s
er T.resp. global
e T.resp. surrogate
x Un valor mnimo y mximo de las latencias entre cada d
o
6 T.resp. origen
p
surrogate y el servidor origen (dmn, dmx), tomando un m
ei
T.resp.
T.resp.
RTT
proceso
T 4
valor aleatorio entre estos dos mrgenes por surrogate.
x Un valor mnimo y mximo de la tasa de trfico enviada 2
por cada cliente (mn, mx), ya que pueden tener una
caracterizacin de trfico distinta. 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x Un factor de umbral () indicando el rea o zona donde Probabilidad de acierto

cada cliente contactar surrogates. Fig. 2. Tiempos de respuesta (M =32, P =4, N=3, =2, k=1.1,
x Un factor de capacidad (k) representando el incremento hit_ratio=0..1,0mn =0mx = 4 seg, dmn =dmx =1.5 seg, mn=mx = 200 )
necesario con respecto a la tasa media de llegada, de tal
forma que se satisfaga la condicin de estabilidad. 14

Con esta distribucin geomtrica la distancia entre un 12

cliente i y otro cliente j puede ser automticamente calculada
aplicando el teorema del coseno. 10

Una vez se ha descrito el proceso de simulacin, es at

s
e 8
u
momento de obtener algunas grficas, as como de interpretar p
s
T.resp. global
er T.resp. surrogate
su comportamiento. La Fig. 2 muestra tiempos de respuesta e
d 6
T.resp. origen
o
p T.resp. RTT
para un escenario muy simplificado. Se han establecido unas m T.resp. proceso
ei
relaciones sencillas entre variables para poder validar T 4

analticamente los resultados. Por ejemplo, la probabilidad de

acierto se ha fijado la misma para todos los clientes, quienes
adems envan trfico de red con la misma tasa.
Ntese que el tiempo de respuesta puede ser contemplado
desde dos puntos de vista: (i) como el tiempo de respuesta de
los surrogates y el servidor origen y (ii) como el tiempo de
respuesta asociado a tiempo de ida y vuelta (RTT) y tiempo de
proceso en los servidores.
Como puede apreciarse en la Fig. 2, todos los tiempos de
respuesta siguen un comportamiento lineal. Ntese que el
valor ms pequeo de tiempo de respuesta se obtiene para el
valor ms elevado de probabilidad de acierto, esto es, cuando
todo el contenido es servido desde los surrogates. Por otro
lado, esto repercute en un aumento del tiempo de respuesta de
cada surrogate a medida que aumenta el ndice de acierto.
Adems, el tiempo de respuesta asociado al procesado es
muy reducido, prcticamente imperceptible, por lo que slo el
tiempo de ida y vuelta afecta al tiempo de respuesta medio
global. Esto puede ser debido al valor del parmetro k
seleccionado. En cualquier caso, el valor de latencia es
considerable para una CDN real.
La primera propiedad del tiempo de proceso que llama la
atencin es el hecho de que es independiente de la
probabilidad de acierto, es decir, permanece constante con
sta. Esto puede apreciarse en la Fig. 2 y en la Fig. 3. Ntese
sin embargo un efecto de discontinuidad en los extremos (p=0
y p=1). Esto es debido a las dos situaciones extremas de la
2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Probabilidad de acierto
Fig. 3. Tiempos de respuesta (M=32, P=4, N=3, =2, k=1.001, hit ratio=0..1,
0mn =0mx = 4 seg, dmn =dmx =1.5 seg, mn=mx = 200 )
El efecto es ms perceptible en la Fig. 3 debido al valor
reducido del parmetro k. Grficas similares podran haberse
obtenido para valores diferentes de M, P y .
Un valor fijo del factor de capacidad k no representa de
manera realista el estado de carga del servidor. Pese a que esta
caracterstica ayuda a simplificar la expresin global en
conclusiones parciales, conduce a escenarios de trabajo donde
el tiempo de respuesta asociado al proceso permanece
prcticamente constante, pese a que otros parmetros se hayan
tomado fielmente a un entorno real de una CDN.
Los servidores reales disponen de una capacidad limitada
que no se puede incrementar de forma dinmica. Por el
contrario, un valor fijo del parmetro k en nuestro modelo
supone que una tasa de trfico de llegada elevada resulta en un
tiempo de respuesta reducido, algo poco realista.
Con el propsito de corregir este inconveniente, se ha de
fijar un valor concreto de la capacidad de los servidores
involucrados en la CDN. Un dimensionamiento en el caso
peor ser el utilizado en el modelo. Para el caso del servidor
origen, el peor caso corresponde a la situacin en la que debe
MORENO et al.: A MODELLED STUDY OF CONTENT DELIVERY
soportar todo el trfico, es decir, cuando p=0. Para el caso de
los surrogates, la situacin ms desfavorable se alcanza
cuando
3.5
3
T.resp. global
T.resp. surrogate
2.5 T.resp. origen
T.resp. RTT
at T.resp. proceso
s s
e 2
u
p u
s s
er
e e
d 1.5
o
p o
m m
ei
T 1
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
Probabilidad de acierto
Fig 4. Tiempos de respuesta (M =96, P =32 , N=3, =2, k=1.1, hit_ratio=0..1,
0mn =0.3 seg, 0mx = 0.5 seg, dmn =0.3 seg dmx =0.4 seg, mn=50, mx =
100)
son estos los que absorben todo el trfico, esto es, cuando
p=1. Dado que se asignan diferentes pesos en la
comunicacin, as como distintas tasas de generacin de
trfico a cada uno de los clientes, cada surrogate percibir una
tasa de trfico de llegada diferente, lo que supondr un valor
de capacidad distinto para cada uno de ellos.
La Fig. 4 muestra un nuevo escenario de una posible CDN
donde la capacidad de los servidores se ha fijado en base a las
consideraciones previamente citadas.
Puede observarse cmo el tiempo de proceso es bastante
reducido, por lo que el tiempo de respuesta global est
principalmente afectado por el tiempo de ida y vuelta (RTT).
Esto es debido a que los servidores se encuentran
sobredimensionados como consecuencia de un diseo en el
caso peor. Sin embargo, en el caso de una CDN sobre Internet
la cantidad de solicitudes es impredecible. Esto resulta notorio
en el denominado efecto flash crowd, que corresponde a un
aumento brusco e inmenso del nmero de usuarios intentando
acceder simultneamente a un servidor web. Este efecto puede
ser simulado de una forma simplificada mediante un valor
reducido del factor de capacidad k. Adems, la variable
independiente para simular un efecto flash crowd debe ser
el tiempo, y no la probabilidad de acierto. La Fig. 5 muestra
una posible simulacin donde el factor de capacidad efectivo k
es una variable aleatoria, aunque siempre garantizando el
cumplimiento del factor de estabilidad en un sistema M/M/1.
Sus mrgenes de variacin se encuentran entre un valor
bastante reducido (kmn=1.001) y un valor mximo dado (kmx).
Adems el efecto flash crowd afecta tambin a la velocidad
efectiva de transferencia en la red, ya que aumenta la
congestin. Este efecto se simular mediante una variacin del
parmetro N que representaba el nmero necesario de
retransmisiones para satisfacer una peticin de un cliente. La
Fig. 5 muestra un posible efecto flash crowd a las 03:00h. El
valor absoluto del tiempo de respuesta no es importante en
223
este caso, sino el incremento relativo del tiempo medio de
respuesta en todo el intervalo (todo el da). Para este
escenario, la sobrecarga en los servidores ha determinado
4
T.resp. global
T.resp. surrogate
3.5 T. resp. origen
T. resp. RTT
T.resp. proceso
3
at
2.5
e
p
er
2
d
p
1.5
ei
T
1
0.5
0.9 1 0 5 10 15 20
Tiempo
Fig. 5. Tiempos de respuesta (M =100, P =50 , N=5, =0.7, kmx=1.4,
hit_ratio=0.5, 0mn =0.3 seg, 0mx = 0.5 seg, dmn =0.3 seg dmx =0.4 seg,
mn=50, mx = 100)
principalmente el tiempo medio global mientras que el ancho
de banda en los enlaces apenas ha variado en la simulacin.
Un efecto flash crowd puede ser local a una cierta zona, o
puede ser global a toda la CDN. El primero de los casos puede
ser tratado con xito por el proveedor de la CDN sin ms que
redirigir clientes a otros surrogates que proporcionan un
tiempo de respuesta menor al evitar rutas congestionadas o
sobrecarga en los servidores. Un efecto flash crowd global
afecta a todo el sistema y resulta difcil hacer algo ya que la
congestin y la sobrecarga se encuentran distribuidos por todo
el sistema y los mecanismos de balanceo son poco exitosos.
V. CONCLUSIONES Y FUTURO TRABAJO
Las redes de distribucin de contenido tratan con un
proceso de comunicacin donde la latencia de red y la
capacidad de los servidores son parmetros decisivos en el
tiempo de respuesta percibido por el usuario, as como la
capacidad de redireccionamiento del sistema para asociar cada
cliente que solicita una peticin con un surrogate cercano. La
comunidad cientfica ha realizado varios estudios tanto desde
un punto de vista emprico como analtico. Este trabajo de
investigacin se ha centrado en el ltimo caso, partiendo de un
trabajo previo donde se presentaba un modelo simplificado de
una CDN, el cual se ha ampliado de una forma ms realista.
En este trabajo se ha llegado a las siguientes conclusiones:
x Resulta deseable descargar todo el contenido a los
surrogates desde el punto de vista del tiempo de ida y
vuelta (RTT). Adems, el tiempo de ida y vuelta sigue
(bajo condiciones razonables) un comportamiento lineal
dependiendo de la probabilidad de acierto.
x Si los servidores se encuentran dimensionados con un
valor de capacidad que solamente es dependiente de la
tasa de trfico de llegada, la probabilidad de acierto no
afecta al tiempo de proceso. Bajo esta suposicin uno
puede discriminar en el anlisis cuando el contenido es
224
servido nicamente por el servidor origen (no hay CDN),
por los surrogates (100% de acierto) o una situacin
intermedia entre ambos.
x Los casos reales implican una capacidad de los servidores
limitada, normalmente determinada en la fase de diseo
en base a la poblacin de clientes esperada. Esto supone
un valor mayor en el tiempo de respuesta cuando la
probabilidad de acierto aumenta, por lo que la descarga
total de contenido no es deseable desde este punto de
vista. Por tanto, se ha de llegar a una solucin de
compromiso entre tiempo de ida y vuelta y tiempo de
proceso.
x El efecto flash crowd puede ser causado por congestin
en la red, sobrecarga en los servidores o por ambos
factores. Estos escenarios pueden simularse mediante
valores elevados del factor de retransmisin N y de los
tiempos de ida y vuelta , y modificando adecuadamente
el factor de capacidad k y las tasas de trfico . Dado que
las variables afectan de forma separada a cada surrogate,
servidor origen y cliente, el efecto flash crowd se puede
reproducir tanto a nivel local, afectando a unos pocos
nodos de la red, como a nivel global, sobre toda la CDN.
Como posible futuro estudio a este trabajo, resulta
interesante el hecho de introducir diferentes polticas de
asignacin de pesos en las probabilidades de contacto de los
surrogates, as como una distribucin no uniforme de clientes
y surrogates con el fin de obtener tanto clientes densos como
dispersos dentro del mimo escenario o CDN. Adems,
tambin conviene introducir modelos complementarios de
mecanismos de redireccin de clientes y ubicacin de
servidores. Una vez analizadas todas estas incorporaciones, se
pretende abordar el comportamiento de la CDN en base a las
posibles aplicaciones que soporte.
VI. REFERENCIAS
[1] P.S.M. Sayal and P. Vingralek, "Selection algorithms for replicated web
servers", ACM SIGMETRICS Internet Server Performance Workshop,
Madison (USA), June 1998.
[2] D. Verma, Content Distribution Networks, an engineering approach,
New York, John Wiley, 2002.
[3] D. Liben-Nowell, H. Balakrishnan and D. Karger, "Analysis of the
evolution of peer-to-peer systems", ACM Conference on Principles of
Distributed Computing, Monterrey (USA), July 2002.
[4] Akamai, http://www.akamai.com.
[5] K.L. Johnson, J.F. Carr, M.S. Day and M.F. Kaashoek, "The measured
performance of content distribution networks", 5th International
Workshop on Web Caching and Content Distribution, Lisbon (Portugal),
June 2000.
[6] Z. Mao, C. Cranor, F. Douglis and M. Rabinovich, "A precise and
efficient evaluation of the proximity of web clients and their local DNS
servers", USENIX02, Monterrey CA (USA), June 2002.
[7] J. Kangasharju, K.W. Ross, and J.W. Roberts, "Performance Evaluation
of Redirection Schemes in Content Distribution Networks", 5th
International Workshop on Web Caching and Content Distribution,
Lisbon (Portugal), June 2000.
[8] R. P. Doyle, J. S. Chase, S. Gadde and A. M. Vahdat, "The trickle-down
effect: web caching and server request distribution", Computer
Communications, vol. 25, 2002, pp. 345-356.
IEEE LATIN AMERICA TRANSACTIONS, VOL. 3, NO. 2, APRIL 2005
[9] C. Cameron, S. Low and D. Wei, "High-Density model for server
allocation and placement", ACM SIGMETRICS02, Marina del Rey, CA
(USA), June 2002.
[10] D. Agrawal, J. Giles and D. Verma, "On the performance of Content
Distribution Networks", International Symposium on Performance
Evaluation of Computer and Telecommunication Systems, Orlando
(USA), July 2001.
[11] M. Masa and E. Parravicini, "Impact of Request Routing Algorithms on
the Delivery Performance of Content Delivery Networks", 22nd IEEE
International Performance Computing and Communications Conference,
Phoenix (USA), April 2003.
[12] S. Calo, D. Verma, D. Agrawal, and J. Giles, "On the Effectiveness of
Content Distribution Networks, International Symposium on
Performance Evaluation of Computer and Telecommunication Systems",
San Diego (USA), July 2002.
VII. BIOGRAFAS
Benjamn Molina recibi su titulacin en ingeniera de
telecomunicacin por parte de la Universidad Politcnica
de Valencia en 2001. Realiz su premiado proyecto fin de
carrera en el campo de las tecnologas de voz en Tissat,
donde posteriormente trabaj durante un ao
desarrollando interfaces web para PDAs y servicios de
integracin de telefona y computador sobre la plataforma
Java. Posteriormente pas a ser miembro del grupo de Sistemas y
Aplicaciones de Tiempo Real Distribuido en el Departamento de
Comunicaciones, en la universidad donde haba estudiado. Benjamn Molina
est actualmente envuelto en proyectos relacionados con entornos de
simulacin de redes que cubren la distribucin de contenido y aspectos de
escalabilidad que puedan afectar a redes reales. Su inters principal est
centrado en la distribucin multimedia a travs de Internet y las diferentes
tecnologas asociadas.
Carlos E. Palau recibi su titulacin y su tesis doctoral,
ambas en ingeniera de telecomunicacin, en la
Universidad Politcnica de Valencia, en 1993 y 1997,
respectivamente. Es profesor asociado en la Escuela
Tcnica Superior de Ingenieros de Telecomunicacin de
la Universidad Politcnica de Valencia y trabaja en el
grupo de Sistemas y Aplicaciones de Tiempo Real
Distribuido del Departamento de Comunicaciones.
Actualmente se encuentra envuelto en proyectos de
investigacin y desarrollo de aplicaciones multimedia y tecnologas de tiempo
real, medicina, educacin y comunicaciones. El Dr. Palau es miembro de IEEE
e IAESTED.
Manuel Esteve obtuvo su titulacin en Ingeniera
Informtica en 1989 y su ttulo de Doctor en ingeniera de
Telecomunicacin en 1994, ambos por la Universidad
Politcnica de Valencia. Es catedrtico en la Escuela
Tcnica Superior de Ingenieros de Telecomunicacin de
la Universidad Politcnica de Valencia (UPV), y dirige el
grupo de Sistemas y Aplicaciones de Tiempo Real
Distribuido del Departamento de Comunicaciones.
Actualmente trabaja en proyectos de investigacin y desarrollo de tecnologas
multimedia y tiempo real para aplicaciones industriales, mdicas, educativas y
de comunicaciones. Es responsable de la Universidad Virtual de la UPV y ha
codirigido EUROMEDIA 01.