Académique Documents
Professionnel Documents
Culture Documents
Fig.1. Taxonomía de protocolos de enrutamiento para redes cableadas. Imagen extraída de [Farooq,
2009], página 26
Q-routing algorithm:
Una definición del problema de enrutamiento puede ser: el enrutamiento óptimo de paquetes en
una red que cambia dinámicamente con patrones de uso impredecibles.
El enrutamiento de Q es una variación del algoritmo Q-learning y trata de enfrentar este problema.
En el algoritmo, un conjunto de políticas decide a qué nodo adyacente encaminar un paquete para
minimizar su tiempo de viaje completo. Por lo tanto, el rendimiento de la política se puede medir
solo después de que el paquete haya llegado a su destino. De esta manera, no hay ninguna
recompensa inmediata a una decisión o una posibilidad de evaluar directamente una política. Sin
embargo, al usar las ideas de Q-learning, las actualizaciones de una política se pueden hacer más
rápido y utilizando solo información local que propaga el gráfico de "abajo hacia arriba".
2. El enrutamiento Q no siempre puede encontrar las rutas más cortas con poca carga, es decir, si
existe una ruta más larga con valores Q menores que el camino más corto, entonces el algoritmo no
podrá encontrar accesos directos a la ruta más corta.
Es posible mezclar ambas fases en una usando el concepto epsilon - codicioso. Por lo tanto, se da
un esquema probabilístico para elegir los siguientes nodos que se desplaza gradualmente de una
fase a la otra. Sin embargo, dado que las redes cambian dinámicamente (tráfico y topología), la
exploración debe ser continua. Por lo tanto, se necesita un algoritmo que se adapte entre las fases.
El algoritmo de enrutamiento Q predictivo mantiene las mejores experiencias (los mejores valores
de Q) aprendidas y las reutiliza de acuerdo con su predicción probabilística.
Intuición: dada una baja carga de red, la política óptima es la política de enrutamiento de ruta más
corta. Si la carga aumenta, la política de ruta más corta no es la óptima ya que estas rutas se
encuentran congestionadas. Sin embargo, si las rutas congestionadas no se utilizan durante un
período de tiempo, se "recuperarán" y se convertirán en "buenos candidatos". Por lo tanto, el
algoritmo debería "sondear" esas rutas a una frecuencia que depende del nivel de congestión y la
velocidad de recuperación de la ruta.
Evolutionary algorithms
Los sistemas que dependen de la interacción de un gran número de agentes simples para sus
propiedades de resolución de problemas están en clara contradicción con los sistemas de agentes
monolíticos que han sido objeto de una considerable investigación. La fragilidad de los sistemas
simbólicos, frente a situaciones imprevistas y el fracaso de los agentes individuales proporcionan
motivación para la investigación documentada. El comportamiento de insectos sociales y los
sistemas de enjambres en general, proporcionan la inspiración para la investigación, al igual que la
creciente importancia de la informática orientada a la activación.
Este algoritmo propone una arquitectura de agente que se basa solo en la comunicación local, todos
los algoritmos que no tienen conocimiento de la escena global. La arquitectura del agente se analiza
en términos de los requisitos necesarios para apoyar la resolución de problemas en el dominio de
Comunicaciones, específicamente enrutamiento y localización de fallas, demuestran la utilidad de
la arquitectura propuesta con algoritmos que demuestran la autogestión de enjambres de agentes.
El AS (Ant Search) se caracteriza por una serie de parámetros de control tales como el número de
iteraciones del algoritmo, el número de agentes (hormigas) utilizados por iteración, la sensibilidad
al costo de un enlace en la red y la sensibilidad a la concentración de feromonas. El sistema ASGA
permite que los parámetros que controlan la sensibilidad al costo de un enlace de red y la
sensibilidad a la concentración de feromonas se adapten a medida que avanza el algoritmo de
búsqueda.
El sistema ASGA integra un algoritmo genético con un sistema “ant” para controlar el proceso de
adaptación. Cada agente en el sistema ASGA codifica la sensibilidad al enlace y la sensibilidad a los
parámetros de feromonas
Los algoritmos que podemos encontrar en la literatura para redes informáticas son: el algoritmo de
enrutamiento adaptativo genético (GARA), el algoritmo de enrutamiento genético paralelo síncrono
(SPGRA) y el algoritmo de enrutamiento genético paralelo asíncrono (ASPGRA).
Los algoritmos de enrutamiento genético se pueden usar con éxito para manejar el problema de
enrutamiento.
Ofrecen un rendimiento adaptativo atractivo que es mejor que los métodos existentes para redes
de número moderado de nodos donde se pueden encontrar todas las rutas alternativas
Swarm intelligence:
AntNet:
Los agentes “forward ant” realizan el camino desde el origen hasta el destino, manteniendo una
estructura de datos que consiste en un listado de los nodos visitados y los tiempos de viaje entre
cada uno de ellos. En cada salto entre nodos intermedios utilizan las mismas estructuras de red que
los paquetes de datos, analizando así el tráfico de red al obtener parámetros como el tiempo de
envío o el estado de congestión de las colas de los nodos. Al llegar al nodo destino el agente “forward
ant” se convierte en “backward ant”, heredando toda su información y realizando el viaje en sentido
inverso. En el camino desde el destino al origen se actualizan los nodos intermedios en base los
parámetros registrados previamente en el camino de ida. El hecho de actualizar durante la fase
“backward” puede evitar errores, como por ejemplo reforzar rutas cuando un agente está en un
bucle sin ser consciente de ello. Dado que es un algoritmo destinado a redes cableadas donde se
asume una cierta estabilidad topológica, el algoritmo no prevé cambios en la estructura de la red.
Es un algoritmo puramente proactivo, que necesita una fase inicial en la que la red se inunda de
agentes para encontrar las mejores rutas y establecer las tablas de enrutamiento de cada uno de
los nodos. Si una ruta desaparece o deja de funcionar debido a fallos de enlace, el algoritmo
reaccionará incrementando el número de paquetes de datos en espera en las colas de los nodos. El
objetivo de AntNet es adaptarse a los cambios y fluctuaciones en los patrones de tráfico, realizando
un balanceo de carga mediante la distribución de paquetes en diferentes rutas gracias a un
enrutamiento estocástico. Aunque se muestra robusto, es un algoritmo en el que intervienen
muchos parámetros que podrían afinarse para mejorar su rendimiento.
Beehive:
Referencias:
Farooq, M. (2009). Bee-Inspired Protocol Engineering: From Nature to Networks. Springer Berlin
Heidelberg, 1 edition.
A Fast and Scalable Re-routing Algorithm based on Shortest Path and Genetic Algorithms (J. Lee, J.
Yang).
Genetic Adaptive Routing Algorithms for Computer Networks (Mostafa Abdel-Kader Mohamed
Eisays).