Uma análise do uso de métricas de centralidade temporais para identificação de zonas de ancoragem para disseminação de conteúdo flutuante em VANETs

• Marcelo O. Souza UFAL
• Raquel S. Cabral UFAL
• André L. L. Aquino UFAL

DOI: https://doi.org/10.5753/sbcup.2021.16012

Resumo

Redes veiculares são redes Ad-hoc compostas por veículos com tecnologias que possibilitam a troca de informações. Estas redes possuem capacidade para produção e disseminação de conteúdo, porém, as mudanças topológicas constantes podem dificultar a troca de informações entre os nós. Uma das formas de capturar a temporalidades dessas redes é a utilização de modelos e métricas temporais de redes complexas. As Zonas Âncoras são áreas da rede em que os conteúdos gerados pelos nós conseguem um maior alcance. Nessas zonas as informações recebem o nome de Conteúdo Flutuante. O objetivo deste trabalho foi avaliar o uso de métricas de centralidade temporais, betweenness(intermediação) e grau do vértice, como estratégia para identificar as Zonas de Âncora mais viáveis para a disseminação de Conteúdo Flutuante. Os resultados mostraram que métricas de centralidade temporais podem ser mais eficazes na caracterização das Zonas Âncoras.

Palavras-chave: VANETs, redes complexas, conteúdo flutuante

Referências

Amin, S., Andrews, S., Apte, S., Arnold, J., Ban, J., Benko, M., Bayen, R. M., Chiou, B., Claudel, C., Claudel, C., et al. (2008). Mobile century using gps mobile phones as traffic sensors: A field experiment. In 15th World Congress on Intelligent Transport Systems, page 4. Citeseer.

Bujari, A. and Palazzi, C. E. (2016). Aircache: A crowd-based solution for geoanchored floating data. Mobile Information Systems, 16:12.

de Souza, A. M., Maia, G., Braun, T., and Villas, L. A. (2019). An interest-based approach for reducing network contentions in vehicular transportation systems. Sensors, 19(10).

Hagihara, R., Yamasaki, Y., and Ohsaki, H. (2017). On delivery control for floating contents sharing with epidemic broadcasting. In 14th IEEE Annual Consumer Com- munications Networking Conference, pages 353–356.

Kim, H. and Anderson, R. (2012). Temporal node centrality in complex networks. Physical Review E, 85(2):026107.

Lee, U. and Gerla, M. (2010). A survey of urban vehicular sensing platforms. Computer Networks, 54(4):527–544.

Manzo, G., Montenegro, J. S. O., and Rizzo, G. (2018). A deep learning mechanism for efficient information dissemination in vehicular floating content. Computing Research Repository, abs/1810.10425.

Massalino, F. and Aquino, A. L. (2018). Identification of anchor zones for floating content in vanets based on centrality measures. In Proceedings of the 33rd Annual ACM Symposium on Applied Computing, pages 2117–2124.

Ott, J., Hyytiä, E., Lassila, P., Vaegs, T., and Kangasharju, J. (2011). Floating content: Information sharing in urban areas. In 2011 IEEE International Conference on Pervasive Computing and Communications (PerCom), pages 136–146.

R Core Team (2018). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria.

Silva, F. S., Moura, D., and Cabral, R. S. (2017). Modelagem e caracterização de redes veiculares utilizando-se grafos temporais e métricas de redes complexas. XLIV Simpósio Brasileiro de Pesquisa Operacional.

Tang, J., Musolesi, M., Mascolo, C., Latora, V., and Nicosia, V. (2010). Analysing information flows and key mediators through temporal centrality metrics. In Proceedings of the 3rd Workshop on Social Network Systems, pages 1–6.

Yuan, J., Zheng, Y., Zhang, C., Xie, W., Xie, X., Sun, G., and Huang, Y. (2010). T-drive: driving directions based on taxi trajectories. In Proceedings of the 18th SIGSPATIAL International conference on advances in geographic information systems, pages 99– 108.