012 - Allan Douglas Bento Da Costa - 2020

UNIVERSIDADE FEDERAL DO PARÁ
INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS

PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO
ALLAN DOUGLAS BENTO DA COSTA
ALGORITMO DE GESTÃO DE MOBILIDADE PARA

DISSEMINAÇÃO DE VÍDEOS EM REDES VEICULARES
ULTRADENSAS
Belém
2020

ULTRADENSAS
Tese apresentada ao Programa de Pós-

Graduação em Ciência da Computação. Instituto
de Ciências Exatas e Naturais. Universidade
Federal do Pará como parte dos requisitos para
a obtenção do título de Doutor em Ciência da
Computação.
Área de Concentração: Sistemas de Computação
Orientador: Prof. Dr. Eduardo Coelho Cerqueira
Coorientador: Prof. Dr. Denis Lima do Rosário
Belém
2020
Dados Internacionais de Catalogação na Publicação (CIP) de acordo com ISBD
Sistema de Bibliotecas da Universidade Federal do Pará
Gerada automaticamente pelo módulo Ficat, mediante os dados fornecidos pelo(a) autor(a)
C837a Costa, Allan Douglas Bento

ULTRADENSAS / Allan Douglas Bento Costa. — 2020.
102 f. : il. color.
Orientador(a): Prof. Dr. Eduardo Coelho Cerqueira

Coorientador(a): Prof. Dr. Denis Lima do Rosário
Tese (Doutorado) - Programa de Pós-Graduação em Ciência da
Computação, Instituto de Ciências Exatas e Naturais, Universidade
Federal do Pará, Belém, 2020.
1. VANETs. 2. Handover. 3. Predição de Mobilidade. 4.

Reconhecimento de QoE. 5. Redes Ultradensas. I. Título.
CDD 004
Powered by TCPDF (www.tcpdf.org)

ALGORITMO DE GESTÃO DE MOBILIDADE PARA DISSEMINAÇÃO DE

VÍDEOS EM REDES VEICULARES ULTRADENSAS
Tese de Doutorado apresentada ao Programa de Pós-Graduação em Ciência da Computação

da Universidade Federal do Pará como requisito para obtenção do Título de Doutor em
Ciência da Computação, defendida e aprovada em 10/06/2020, pela banca examinadora
constituída pelos seguintes membros:
Prof. Dr. Eduardo Coelho Cerqueira

Orientador – PPGCC/UFPA
Prof. Dr. Denis Lima do Rosário

Co-orientador – PPGCC/UFPA
Prof. Dr. André Figueira Riker

Membro Externo – FACOMP/UFPA
Prof. Dr. Helder May Nunes da Silva Oliveira

Membro Externo – FACOMP/UFPA
Profa. Dra. Thaís Lira Tavares dos Santos

Membro Externo – UFPA
Visto:
Prof. Dr. Nelson Cruz Sampaio Neto
Coordenador do PPGCC/UFPA
AGRADECIMENTOS
Em primeiro lugar, quero dirigir os meus agradecimentos ao meu orientador, Prof. Dr.
Eduardo Cerqueira1 pela orientação prestada e oportunidade de realizar este trabalho, pela confi-
ança e por me atender com paciência. Agradeço por todos seus ensinamentos compartilhados de
forma admirável, pelo seu incentivo, disponibilidade, seus preciosos conselhos, sua inestimável
confiança, apoio que sempre demonstrou e por me guiar nos primeiros passos do Mestrado ao
término deste Doutorado. Aqui lhe exprimo a minha eterna admiração, respeito e gratidão.
Ao meu coorientador Prof. Dr. Denis do Rosário2 pelo seu incentivo, pela sua disponibi-
lidade, estímulo ao desenvolvimento desta tese e fundamentais ensinamentos que contribuíram
de forma incomensurável ao longo dos anos de pesquisa.
Manifesto aqui a minha gratidão a todos Professores e Funcionários do PPGCC da UFPA,
em particular, ao Prof. Dr. Nelson Neto3 . Obrigado pela demonstração de sabedoria e humildade.
A todos amigos e companheiros de trabalho do Research Group on Computer Networks
and Communication Multimedia - (GERCOM)4 pelos debates enriquecedores, pelo compartilha-
mento de experiências de pesquisa e estudo e pelo clima sempre acolhedor.
Meus respeitosos agradecimentos pela contribuição da banca do exame de qualificação e
pela participação dos membros da banca examinadora da defesa.
1 <http://lattes.cnpq.br/1028151705135221>
4 <http://www.gercom.ufpa.br/>
Não se pode ensinar tudo a alguém, pode-se apenas
ajudá-lo a encontrar por si mesmo o caminho.
(Galileu Galilei)
RESUMO
Resumo de Tese de Doutorado apresentada à UFPA como parte dos requisitos para obtenção do
grau de Doutor em Ciência da Computação pelo Programa de Pós-Graduação em Ciência da
Computação.
ALGORITMO DE GESTÃO DE MOBILIDADE

PARA DISSEMINAÇÃO DE VÍDEOS EM REDES
VEICULARES ULTRADENSAS
Orientador: Prof. Dr. Eduardo Coelho Cerqueira
Coorientador: Prof. Dr. Denis Lima do Rosário
Palavras-chave: VANETs, Handover, Predição de Mobilidade, Predição de QoE, Redes Ultra
Densa.
As redes da próxima geração tem como objetivo iniciar a distribuição de vídeo por redes ad-hoc
veiculares (VANET), as quais são compostas por redes heterogêneas ultradensas. Essas redes
leva em conta a infraestrutura de comunicação existente, com o intuito de obter maior eficiência
espectral, tal como, a reutilização de taxas do espectro. No entanto, o aumento do número
de células acaba por tornar o processo de gerenciamento de mobilidade (ou seja, handover)
uma tarefa desafiadora em VANETs ultradensas, já os veículos alternam frequentemente entre
redes distintas, levando ao aumento de handover desnecessário, sobrecarregando a rede. Esta
decorrência chamado efeito ping-pong, o qual gera inúmeras perdas de e/ou quadros de vídeo,
tornando o algorítimo de handover por fornecer vídeos de baixa Qualidade de Experiência
(QoE). Para contornar esse problema, esta tese de doutorado apresenta um algoritmo eficiente de
handover para distribuição de conteúdo de vídeo em VANET ultradensa, o qual será chamado
de Skip-HoVe. O algoritmo proposto apresenta as seguintes características: um mecanismo de
handover ciente de predição de mobilidade e QoE, bem como Qualidade de Serviço (QoS),
resultando em um handover entre as células com maior confiabilidade e menor frequência. Os
resultados da simulação mostram a eficiência do algoritmo Skip-HoVe 30% superior comparada
a algoritmos de handover existentes, mantendo uma taxa de ping-pong em torno de 2%.
ABSTRACT
Abstract of Doctoral Thesis presented to UFPA as part of the requirements for obtaining a PhD
degree in Computer Science by the Graduate Program in Computer Science.
An Efficient Handover Algorithm for

Dissemination of Video Content in Ultra-Dense
Vehicle Networks
Advisor: Prof. Dr. Eduardo Coelho Cerqueira
Co-advisor: Prof. Dr. Denis Lima do Rosário
Keywords: VANETs, Handover, Mobility Prediction, QoE Prediction, and ultra-dense network.
The next generation networks aim to pave the for video distribution via vehicular ad-hoc networks
(VANET), which will be composed of heterogeneous ultra-dense networks. These networks will
take into account the existing communication infrastructure, in order to obtain greater spectral
efficiency, such as the reuse of spectrum fees. However, the increase in the number of cells ends
up making the mobility management process (ie, handover) a challenging task in ultra-dense
VANETs. This is because vehicles often move between different networks, leading to an increase
in unnecessary handover and greater network overhead, called the ping-pong effect. In this sense,
an inefficient handover algorithm ends up providing videos with low Quality of Experience
(QoE), which is caused by ping-pong handover decisions, which increases the packet and video
frames losses. This thesis presents a handover algorithm for video distribution over ultra-dense
VANET, called of Skip-HoVe. The proposed algorithm has the following characteristics: a
handover mechanism aware of Mobility Prediction and QoE, as well as quality of service,
resulting in handover with greater reliability and less frequency. The simulation results show the
efficiency of the Skip-HoVe algorithm to deliver videos with 30% higher performance compared
to existing handover algorithms, maintaining a ping-pong rate of around 2%.
LISTA DE ILUSTRAÇÕES
Figura 1 – Exemplo de um cenário VANET Ultradensa. . . . . . . . . . . . . . . . . . 18
Figura 2 – Aplicações de vídeos em tempo real e sob demanda. . . . . . . . . . . . . . 23
Figura 3 – Topologia Dinâmica das Redes V2V, V2I, V2P e outras . . . . . . . . . . . 24
Figura 4 – Tendências no Processo de Handover . . . . . . . . . . . . . . . . . . . . . 25
Figura 5 – Diagrama de Qualidade de Experiência. . . . . . . . . . . . . . . . . . . . 26
Figura 6 – Avaliação objetiva de QoE através das métricas NR . . . . . . . . . . . . . 29
Figura 7 – Avaliação objetiva de QoE através das métricas RR. . . . . . . . . . . . . . 29
Figura 8 – Avaliação objetiva de QoE através das métricas FR. . . . . . . . . . . . . . 30
Figura 9 – Etapas de Gerenciamento de Handover . . . . . . . . . . . . . . . . . . . . 48
Figura 10 – Medição de Previsão de Mobilidade . . . . . . . . . . . . . . . . . . . . . 54
Figura 11 – RMSE para o ARIMA e para o filtro Kalman . . . . . . . . . . . . . . . . . 57
Figura 12 – As previsões de longitude do veículo para o ARIMA e KF. . . . . . . . . . 58
Figura 13 – Amostra do Cenário de Simulação. . . . . . . . . . . . . . . . . . . . . . . 60
Figura 14 – SSIM para vídeos entregues por diferentes algoritmos de handover . . . . . 63
Figura 15 – MOS para vídeos entregues por diferentes algoritmos de handover . . . . . 64
Figura 16 – Taxa de perda de Quadros I para vídeos entregues por diferentes algoritmos
de handover . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Figura 17 – Comparativo do 683o quadro do vídeo transmitido por diferentes algoritmos
de handover . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Figura 18 – Valor MOS - Alto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Figura 19 – Valor MOS - Baixo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Figura 20 – Número de handover executadas por diferentes algoritmos de handover. . . 68
Figura 21 – Taxa de handover com efeito ping-pong por diferentes algoritmos de handover. 69
LISTA DE TABELAS
Tabela 1 – Tabela Descritiva do MOS . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Tabela 2 – Quadro Comparativo de Trabalhos Relacionados . . . . . . . . . . . . . . . 44
Tabela 3 – Importância do Contexto em Pares . . . . . . . . . . . . . . . . . . . . . . 51
Tabela 4 – Parâmetros de Simulação Aplicados . . . . . . . . . . . . . . . . . . . . . 59
Tabela 5 – Resumo de resultados para um veículo no cenário. . . . . . . . . . . . . . . 69
LISTA DE ABREVIATURAS E SIGLAS
AHP Analytic Hierarchy Process
ARIMA AutoRegressive Integrated Moving Average
AU Application Unit
CSH Service Chanel
CCH Control Channel
CR Consistency Ratio
CI Consistency Index
DSRC Dedicated Short-Range Comunication
DCT Discrete Cosine Transform
DC Direct Current
ELP Electronic License Plate
EPC Envolved Packet Core
EDR Event Data Recorder
FAHP Fuzzy Analytical Hierarchical Process
GPS Global Positioning System
GoP Group of Pictures
GI Graphical Interface
HVS Human Visual System
H-UDN Heterogeneous Ultra-Dense Network
ITS Intelligent Transportation System
KF Kalman Filter
LTE Long Term Evolution
LLC Logic Link Control
MIMO Multiple-input multiple-output
MM Wave Millimeter Wave

MOS Mean Opinion Score
MIMO Multiple-input multiple-output
MANET Mobile ad hoc network
MAC Media Access Control
MIB Management Information Base
MSE Mean Squared Error
ML Machine Learning
MIH Media Independent Handover
MADM Multiple Attributes Decision Algorithms
OBU On-BoardUnit
PoA Point of Attachment
PSOBUs Public Safety OBUs
PSNR Peak Signal to Noise Ratio
PDR Packet Delivery Rate
QoS Quality of Service
QoE Quality of Experience
RSS Received Signal Strength
RSSI Received Signal Strength Indicator
RSU Road Side Units
RMA Resource Manager Applications
RSRQ Reference Signal Received Quality
RM Random Forests
RMSD Root-Mean-Square Deviation
RLF Radio Link Failure
Skip-HoVe Handover HoVe
SINR Signal to Interference Plus Noise Ratio

SSIM Structural Similarity Index
SCeNBs Small Cellbase Stations
TTT Time To Trigger
VQM Video Quality Metric
VQA Video Quality Assessment
VCM VANET Connection Manager
VF Video Flow
LC Local Contrast
VDN Video Distribution Networks
V2V Vehicle-to-Vehicle
V2R Vehicle-to-Roadside
V2I Vehicle-to-Infrastructure
V2P Vehicle-to-Pedestrian
V2D Vehicle-to-Device
V2G Vehicle-to-Grid
WIFI Wireless Fidelity
WHO World Health Organization
WAVE Wireless Access in Vehicular Environment
WSMP WAVE Short Message Protocol

LISTA DE SÍMBOLOS
n Número de Observadores
S(i, j) Pontuação Atribuída a i e j
l Similaridade de Luminância
c Similaridade de Contraste
s Similaridade Estrutural ou de Correlação
a, b e g Constantes Positivas
I Imagem Original
K Imagem Compactada
xn Rotas A, B e C
Wi Valor Coerente a xn
vi Conjunto de Veículos
Smin Velocidade Mínima
Smax Velocidade Máxima
N(b,J ) Células Disponíveis
µx e µy Meios Locais
sx e sy Desvios Padrões
sxy Covariância Cruzada para as Imagens x e y
a, b e g Constantes Positivas
vi Conjunto de Veículos
Dists Vetor de Distância
bj Associação de Células
Mi Entradas de QoE, QoS e Distância
m Número de Elementos Comparados
i Observador Individual
j Imagem Classificada Individualmente

Ci, j Parâmetros de Maior Prioridade
N(b j ) Classificação das Células Disponíveis
L(xi , yi ,t) Posição Atual do Veículo
L(xi , yi ,t + 1) Posição Futura do Veículo
xt 2 Rn Prever um Estado
H Fator de Correção
vk Fator Ruíd
Pk Covariância de Erro
x̂k Coordenadas Previstas
gt+1 Próxima Medição
K n⇥m Matriz de Ganho

SUMÁRIO
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.1 Contextualização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2 Motivação e Desafios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.3 Pergunta de Pesquisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.1 Objetivos Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.2 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5 Ineditismo e Contribuições do Trabalho . . . . . . . . . . . . . . . . . . 20
1.6 Organização da Tese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 TECNOLOGIAS CORRELATAS . . . . . . . . . . . . . . . . . . . . . . 23
2.1 Redes Ad-hoc Veiculares . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Handover em Redes Ad-hoc Veiculares . . . . . . . . . . . . . . . . . . . 24
2.3 Avaliações e Métricas de QoE . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.1 Avaliação Subjetiva de QoE . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.2 Avaliação Objetiva de QoE . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.2.1 Índice de Similaridade Estrutural (Structural SIMilarity Index - SSIM) . . . 30
2.3.2.2 Métrica de Qualidade de Vídeo (Video Quality Metric - VQM) . . . . . . . 31
2.3.2.3 Outras Métricas de Avaliação de QoE) . . . . . . . . . . . . . . . . . . . . 33
2.3.3 Avaliação Híbrida de QoE . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4 Processo Hierárquico Analítico - Analytic Hierarchy Process - AHP) . . . 35
2.5 Conclusão do Capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3 TRABALHOS RELACIONADOS . . . . . . . . . . . . . . . . . . . . . 40
3.1 Trabalhos Correlatos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4 ALGORITMO DE HANDOVER SKIP-HOVE . . . . . . . . . . . . . . . 46
4.1 Modelo da Rede e dos Sistemas . . . . . . . . . . . . . . . . . . . . . . . 46
4.1.1 Etapa de Medição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.1.1 Previsão de Mobilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.1.1.2 Monitor de QoE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1.1.3 QoS e Monitor de Sinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.1.2 Etapa de Decisão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.1.2.1 Cenário de Previsão de Mobilidade . . . . . . . . . . . . . . . . . . . . . . 53
4.1.2.1.1 ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.1.2.1.2 Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.1.2.2 Precisão da Previsão de Mobilidade . . . . . . . . . . . . . . . . . . . . . . 56
5 AVALIAÇÃO DO ALGORÍTIMO SKIP-HOVE . . . . . . . . . . . . . . 59
5.1 Descrição e metodologia do cenário . . . . . . . . . . . . . . . . . . . . . 59
5.2 Resultados das Simulações . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6 CONSIDERAÇÕES FINAIS . . . . . . . . . . . . . . . . . . . . . . . . 71
6.1 Conclusões Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.2 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.3 Trabalhos Acadêmicos Publicados . . . . . . . . . . . . . . . . . . . . . 72
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
APÊNDICE A – 1 - LINGUAGEM GNU BASH . . . . . . . . . . . . . 79
APÊNDICE A – 2 - LINGUAGEM C . . . . . . . . . . . . . . . . . . . 103
17
1 INTRODUÇÃO
Neste Capítulo, inicialmente, é realizada a contextualização do tema evidenciando os

preceitos conceituais da tese. Na sequência, serão apresentados a motivação e os desafios, bem
como os objetivos da tese (gerais e específicos). Essas abordagens relacionam-se à finalidade
e às delimitações da pesquisa, tal como a originalidade e contribuição do trabalho, incluindo,
a aderência do tema ao Programa de Pós-Graduação em Ciência da Computação da UFPA, e,
finalmente, a organização do trabalho.
1.1 Contextualização
As redes de comunicações da próxima geração não serão dependentes apenas de novas
tecnologias de acesso, como Múltiplas Entradas e Múltiplas Saídas (Multiple-input multiple-
output - MIMO)1 e as Ondas Milimétricas (Millimeter Wave - mmWave)2 , mas também serão
utilizadas as infraestruturas de comunicação existentes, como as redes sem fio Wireless Fidelity
(Wi-FI) e Long Term Evolution (LTE), no intuito primordial de fornecer comunicação onipresente
e eficiente (SHAH et al., 2018). Nessa perspectiva, as redes 5G serão compostas por redes de rádio
heterogêneas ultradensas que atuarão em conjunto com os sistemas 4G, os quais ocasionalmente
aumentam a taxa de dados na borda da rede, conforme ilustrado na Figura 1.
A densificação consiste na implantação maciça de macrocélulas, microcélulas, pequenas
células e outras soluções de comunicação, alcançando maior eficiência espectral e a reutilização
de taxas do espectro mais altas (DEMARCHOU; PSOMAS; KRIKIDIS, 2018; BEYRANVAND
et al., 2017; JI et al., 2018).
Essas células as redes sem fio podem ser usadas para descarregar tráfego de macrocélulas,
com o objetivo de permitir a comunicação de todos os tipos de dispositivos em ambientes
altamente densos, onipresentes e heterogêneos, possuindo, portanto, um imenso impacto, no que
diz respeito aos pontos de vista social e empresarial (MOHAMMADNIA et al., 2019). Por outro
lado, a tecnologia sem fio da próxima geração permitirá o uso extensivo de aplicativos de alta
demanda, tais como, serviços baseados em vídeo para usuários móveis, a qualquer hora e em
qualquer lugar (NIGHTINGALE et al., 2018), incluindo, a distribuição em tempo real de vídeos
de publicidade e/ou entretenimento em redes ad-hoc veiculares (VANETs).
1 Fornecer um serviço uniformemente bom aos terminais sem fio em ambientes de alta mobilidade para múltiplos
usuários
2 Frequências de rádio adequadas para redes 5G. Comparada às frequências abaixo de 5 GHz, usadas anteriormente
por dispositivos móveis, a tecnologia de ondas milimétricas permite a transmissão em frequências entre 30 GHz
e 300 GHz.
Capítulo 1. Introdução 18
Figura 1 – Exemplo de um cenário VANET Ultradensa.

Fonte: Autor (2020)
1.2 Motivação e Desafios

Uma das questões críticas para o futuro e o sucesso da distribuição de vídeo pelas
VANETs, está na capacidade de redes heterogêneas fornecerem mecanismos para prover gerenci-
amento de recursos eficientes, os quais terão como função aumentar a Qualidade de Experiencia
(Quality of Experience - QoE), otimizando o uso de recursos sem fio e/ou rádio de alta de-
manda (LUO et al., 2018). No entanto, o aumento do número de células heterogêneas torna o
gerenciamento da mobilidade, uma tarefa desafiadora para as VANETs, dado que os veículos,
especialmente em ambientes urbanos, geralmente alternam entre diferentes redes heterogêneas.
Em outras palavras, quer dizer que os veículos viajam frequentemente de uma área de uma célula
para outra, ocasionando muitos handovers entre as células disponíveis (NDASHIMYE et al.,
2017).
Contudo, o excesso de handovers resulta, no chamado efeito de ping-pong. Tal efeito
significa que um veículo se desconecta de uma célula e depois se conecta novamente na célula
anterior (ALJERI; BOUKERCHE, 2019b). Tais problemas relacionados ao handover aumentam
as perdas de pacotes e/ou quadros de vídeo, levando a uma QoE ruim para aplicações de vídeo
em cenários de VANET ultradensa (GUAN et al., 2018). Ignorar handovers desnecessários
é benéfico para a rede e também para a experiência do usuário (DEMARCHOU; PSOMAS;
KRIKIDIS, 2018), já que handover bem sucedido promove a conexão de uma unidade móvel de
uma célula para outra de forma transparente ao usuário e sem perder a qualidade (MEDEIROS
et al., 2018a). Por outro lado, reduzir a frequência de handovers acaba renunciando algumas das
melhores conexões celulares (ARSHAD et al., 2016).
Dessa maneira, um handover eficiente deve manter uma duração do serviço mais longa
com a célula, com pelo menos um nível mínimo de QoE, enquanto reduz a sobrecarga de
sinalização e atraso. Por exemplo, uma decisão de entrega baseada na Intensidade do Sinal
Recebido (Received Signal Strength - RSS)3 desconsidera alguns handovers, por mais que
signifique que o usuário não esteja recebendo o melhor Sinal Para Interferência Mais Taxa de
Ruído (Signal to Interference Plus Noise Ratio - SINR)4 o tempo todo, acabando por atenuar
o efeito ping-pong (DEMARCHOU; PSOMAS; KRIKIDIS, 2018). Os esquemas de handover
baseados em skip-handover são frequentemente associados às informações de previsão de
mobilidade, com o objetivo de maximizar a duração da conexão sem comprometer o desempenho
da rede e/ou aplicativo (ARSHAD et al., 2017; ALJERI; BOUKERCHE, 2019a).
Esse procedimento prioriza as células e dá maior probabilidade para que o usuário
permaneça conectado à rede por mais tempo (MOHAMED et al., 2015). Todavia, os esquemas de
entrega baseados em skip-handover por si só não são suficientes para fornecer vídeos com suporte
a QoE, mas, uma decisão de handover, baseada também nos parâmetros de QoE e Qualidade de
Serviços (Quality of Service - QoS) melhora a entrega de vídeo através de VANETs, evitando,
assim, handover com efeito ping-pong. Isso aprimora o uso dos recursos de rede (ARGYRIOU
et al., 2017).
A otimização e a utilização dos recursos computacionais presentes em ambientes de
VANETs ultradensa, dedicados à distribuição de vídeos, apresentam-se como uma área desafi-
adora de pesquisa nos últimos anos. Tal desafio se justifica devido à falta de um algoritmo de
handover eficiente que forneça vídeos com alto QoE. Desta forma, é importante considerar a
previsão de mobilidade, a QoS, a QoE, e o skip-handover para uma tomada de decisão com
maior confiabilidade e menor frequência.
1.3 Pergunta de Pesquisa

Diante de todo o cenário apresentado formulou-se a seguinte "Pergunta de Pesquisa":
Como prover disseminação de vídeos em tempo real em VANETS ultradensas conside-
rando que as entidades que gerenciam e provisionam tais serviços não possuam nenhuma
combinação focada, consolidada e associada à predição de mobilidade, QoS, QoE e que re-
sultem em decisões de handover entre as células com maior confiabilidade e menor frequên-
cia?
3 O RSS às vezes chamado de RSSI é uma medida da potência presente em um sinal de rádio recebido.
4 SINR, é usada para fornecer limites teóricos superiores à capacidade do canal (ou à taxa de handover de
informações) em sistemas de comunicação sem fio.
1.4 Objetivos
1.4.1 Objetivos Gerais
Esta tese de doutorado tem como objetivo propor um algoritmo de handover baseado
em múltiplos critérios e decisões de skip-handover para distribuição de vídeo em tempo real
em cenários de VANETs ultradensas, chamado de Skip-HoVe. O algoritmo Skip-HoVe garante
conexão sem interrupções em VANETs ultradensas, com a finalidade de entregar vídeos com
alta QoE, levando em consideração a previsão de mobilidade, a QoS e a QoE, resultando em
decisões de handover com maior confiabilidade e menor frequência. O Skip-HoVe considera
um método multicritério de apoio às decisões, chamado de Processo de Análise Hierárquica
(Analytic Hierarchy Process - AHP), no sentido de atribuir diferentes graus de importância para
cada critério. Ademais, o algoritmo também evita proativamente o efeito Ping-Pong por meio
de decisões baseadas em skip-handover, ou seja, ignorando handovers quando a QoE e a QoS
forem aceitáveis e estáveis.
1.4.2 Objetivos Específicos

Para alcançar os objetivos delineados anteriormente, os seguintes objetivos específicos
foram considerados, planejados e realizados:
• Analisar fatores que impactam na QoE da distribuição de vídeos em tempo-real em

ambientes de VANET ultradensas;
• Analisar a distribuição de vídeo em tempo real baseado em handover em VANETs no

contexto de redes ultradensas;
• Elaborar e validar um algoritmo de handover multicritério para distribuição de vídeos em

VANET em redes ultradensas, denominado de Skip-HoVe;
• Testar duas técnicas de previsão de mobilidade com o algoritmo Skip-HoVe, a saber: i)

Média Móvel Integrada Autorregressiva (AutoRegressive Integrated Moving Average -
ARIMA); e Filtro Kalman (Kalman Filter - KF);
• Minimizar o efeito ping-pong em ambientes VANETs baseados em skip-handover;
• Avaliar o desempenho do algoritmo Skip-HoVe para distribuição de vídeo em tempo real

em uma VANET ultradensa.
1.5 Ineditismo e Contribuições do Trabalho

Com o propósito de validar a originalidade e ineditismo do trabalho proposto, no que diz
respeito a averiguar trabalhos relacionados ou similares ao propósito, foi realizada uma busca na
extensa literatura de algoritmos de handover. Porém, foram encontrados apenas trabalhos que
conseguem resolver o problema parcialmente, tal como será apresentado no Capítulo 3.
Em relação às principais contribuições deste trabalho, tem-se o resumo abaixo:
• Um algoritmo de handover denominado de Skip-HoVe, o qual tem como objetivo maximi-

zar o tempo de conexão com uma célula de serviço;
• Uma tomada de decisão com base em vários critérios para decisões de handover, para
disseminação de vídeo com suporte à QoE em um cenário de VANETs ultradensas.
• Uma técnica de ignorar as decisões de handovers quando a QoE e a QoS forem aceitáveis
e estáveis, de forma que evite o efeito ping-pong.
• Resultados da simulação, com a finalidade de apresentar o desempenho do Skip-HoVe na

distribuição de vídeos com suporte a QoE em cenários VANETs ultradensas, comparando
aos dos algoritmos de handover já existentes. Por exemplo, os resultados de Pontuação
de Opinião Média (Mean Opinion Score - MOS) apresentaram uma melhora de 30%
nas avaliações subjetivas, enquanto a taxa de handover considerada como ping-pong foi
mantida abaixo de 2%.
1.6 Organização da Tese

A estrutura desta tese é organizada por seis capítulos, em uma sequência lógica na
seguinte forma:
• Capítulo 2: É apresentada a fundamentação teórica com o propósito de fornecer subsídios

para o entendimento desta pesquisa, abordando previamente conceitos sobre tecnologias
relacionada às VANETs. A QoE é abordada juntamente com suas avaliações subjetivas,
objetivas e híbridas. O modelo AHP é discutido com exposição de exemplos baseados em
tomadas de decisões complexas.
• Capítulo 3: É apresentada uma síntese do levantamento bibliográfico realizado sobre os

principais algoritmos de handover existentes para cenários em VANETs, assim como as
vantagens e desvantagens de cada uma dessas algorítimos.
• Capítulo 4: É apresentado o algoritmo de handover Skip-HoVe que considera diversos

critérios para distribuição de vídeo em cenários de VANETs ultradensa. Também são
apresentadas duas técnicas de previsão de mobilidade com o algoritmo de handover, a
saber: ARIMA e KF.
• Capítulo 5: São descritos os resultados da simulação do algoritmo Skip-HoVe e as melho-

rias alcançadas em relação aos algoritmos de handover existentes.
• Capítulo 6: São descritos as considerações finais deste trabalho, demostrando a eficiência

do novo algoritmo baseado em vários critérios para distribuição de vídeo em VANETs
ultradensas, bem como os trabalhos futuros e os principais artigos publicados relacionados
a este trabalho.
23
2 TECNOLOGIAS CORRELATAS
Esse capítulo descrever as principais características e desafios das tecnologias relaciona-

das à área central dessa tese, ou seja, à disseminação de vídeos em VANETs ultradensas. A QoE
também é discutida, bem como suas métricas de avaliação objetivas, subjetivas e híbridas e a
importância de uma avaliação em cenários que envolvem distribuição de conteúdo multimídia.
O modelo para tomada de decisões em AHP é explicado em detalhes, com uma demonstração
completa em uma decisão genérica. O objetivo da revisão compreende a verificação do estado da
arte e a identificação de oportunidades de pesquisa sobre a temática. Logo, serão apresentadas
as mais atuais e principais tecnologias utilizadas e a pesquisa efetuada, entre outros aspetos
relacionados.
2.1 Redes Ad-hoc Veiculares

As Redes Ad-hoc Veiculares (Vehicular Ad-hoc Networks - VANETs) possuem uma
grande variedade de aplicações para segurança humana, além de auxiliarem os motoristas
a conduzirem seus veículos em estradas, tanto em regiões urbanas, quanto rurais. Um dos
objetivos das VANETs é prover comunicação para proporcionar uma viagem segura, evitando
situações perigosas causadas por acidentes na estrada. Além desse fato, as VANETs fornecem
comunicação entre os veículos em movimento e a infraestrutura, a fim de transferir diferentes
tipos de dados, tal como emergenciais, Infotainment/SoftNews, entretenimento, monitoramento
inteligente, broadcast de anúncios e propagandas, etc., como mostrado na Figura 2
Figura 2 – Aplicações de vídeos em tempo real e sob demanda.

Fonte: Autor (2020)
Nas VANETs, os veículos são equipados com sensores especializados, conhecidos como
Unidade de Bordo (On-BoardUnit - OBU), nos quais coletam automaticamente informações
Capítulo 2. Tecnologias Correlatas 24
em tempo real dos veículos em movimento. As VANETs consistem em comunicação Veículo

para Veículo (Vehicle-to-Vehicle - V2V), Veículo para Borda de Estrada (Vehicle-to-Roadside
- V2R), Veículo para Infraestrutura (Vehicle-to-Infrastructure - V2I), Veículo para Pedrastes
(Vehicle-to-Pedestrian - V2P), Veículo para Dispositivos (Vehicle-to-Device - V2P), Veículo
para Malha (Vehicle-to-Grid - V2G) e híbrida com recursos exclusivos, conforme observado
na Figura 3 A topologia de rede muda rapidamente para os cenários VANETs, assim como o
tamanho de rede, a troca de dados sensíveis ao atrasos e outros fatores que a tornam diferente de
outras redes ad hoc, como as Rede Ad-hoc para Celular (Mobile ad hoc Network - MANETs).
Figura 3 – Topologia Dinâmica das Redes V2V, V2I, V2P e outras

Fonte: Autor (2020)
2.2 Handover em Redes Ad-hoc Veiculares

O handover é uma técnica de gerenciamento de mobilidade utilizada em redes de comu-
nicação sem fio, para tratar, de forma transparente para o usuário, a transição de uma Unidade
Móvel (Mobile Unity - MU) para outra área de cobertura ou célula em caso de enfraquecimento
do sinal. A Figura 4 mostra um conjunto de veículos locomovendo-se pelas células t1 , t2 e t3 de
uma estação base (5G BS) para outra (LTE BS). A intensidade média do sinal da 5G BS diminui
a medida que os veículos se afastam da respectiva BS. Da mesma forma, a intensidade média
do sinal da LTE BS aumenta a medida que o veículo se aproxima. O handover ocorre durante a
transição entre as BSs.
Handover em cenários VANETs significam mudança no Ponto de Fixação (Point of
Attachment - PoA) de um nó móvel (OBU) ou fixo (RSU). Portanto, o handover visa manter as
conexões ativas quando o OBU muda seu ponto de conexão. O handover é a técnica utilizada no
intuito de melhorar a mobilidade em redes ad hoc, considerando que, os veículos se comunicam
com as RSUs diretamente, bem como, por meio de outros OBUs, respectivamente. De acordo
com (THAKUR; GANPATI, 2019), um processo de handover consiste em três etapas principais,
sendo:
• Medição: Uma estação móvel descobre várias redes sem fio com base em anúncios de
Figura 4 – Tendências no Processo de Handover

Fonte: Autor (2020)
serviços transmitidos por essas redes. A unidade móvel procura mensagens nos canais
atribuídos e cria uma lista de pontos de acesso priorizados pela intensidade do sinal
recebido e outros parâmetros. O método de medição é categorizado por dois padrões: (i) A
varredura ativa, onde a estação não apenas ouvirá as mensagens provenientes dos pontos
de acesso, mas também enviará mensagens para eles. (ii) Varredura passiva, onde a estação
apenas ouve as mensagens dos demais dispositivos conectados.
• Decisão: Após coletar os dados de medição, a estação decidirá, com base em diversos
critérios, quando e para quem a entregados dados deve ser realizada.
• Execução: Com base nos parâmetros coletados na etapa de Decisão, ocorre o handover
real, onde a rede atual transfere para a próxima rede as informações de roteamento
necessárias e outras informações contextuais sobre a estação. Por exemplo, um veículo se
movimenta de uma célula para outra adjacente e a rede faz o handover da conexão para
esta nova célula.
O handover é um elemento essencial de comunicação que deve ser considerado no

desenvolvimento de sistemas para VANETS. O uso de algoritmos eficientes de handover é um

modo rentável de aumentar a capacidade e o QoS de sistemas celulares.
2.3 Avaliações e Métricas de QoE

A QoE tem recebido muita atenção nos últimos anos, tornando-se, então, uma questão
importante para a qualidade de diversos serviços, tal como o vídeo em tempo real. Para tal
objetivo, uma vasta pesquisa na literatura foi realizada para entender e medir a QoE designada a
uma variedade de serviços multimídia. Logo, a finalidade é melhorar e gerenciar a qualidade dos
serviços multimídia e, ao mesmo tempo, garantir as operações de rede eficientes e econômicas
(NAGIN et al., 2019).
A avaliação da QoE do usuário final tornou-se um dos principais empecilhos para atender
às altas exigências tecnológicas, tais como, a satisfação do usuário em qualquer circunstância, o
que significa receber seja qual for o serviço, a qualquer hora, em qualquer lugar, independente
do dispositivo, por qualquer mídia e tecnologia de rede.
Estudos recentes e desafios emergentes relacionados ao gerenciamento de QoE para
serviços multimídia em VANETs fornecem uma visão geral do campo de abordagens de avaliação
de QoE, incluindo, portanto, dois aspectos observados na Figura 5, que são a avaliação subjetiva
e a avaliação objetiva.
Figura 5 – Diagrama de Qualidade de Experiência.

Fonte: Autor (2020)
2.3.1 Avaliação Subjetiva de QoE

As avaliações subjetivas da QoE são baseadas em experimentos psicoacústicos/visuais
que representam a maneira fundamental e mais confiável e complexa para a QoE dos avaliado-
res (ROSÁRIO et al., 2016; CERQUEIRA et al., 2014). Esses métodos foram pesquisados e
investigados por muitos anos e permitiram que os pesquisadores obtivessem uma compreensão
mais profunda das dimensões subjetivas da QoE. Mais comumente, os resultados de qualquer
experimento subjetivo são classificações de qualidade dos usuários, obtidas durante sua avaliação
ou posterior a ela, que são então calculadas pelo MOS. Essa abordagem foi especificada na
Recomendação P.800.1 da ITU-T (UNION, 2006) e uma classificação de qualidade média de
um grupo de usuários foi expressada por meio de escalas padronizadas. O MOS foi estendido a
outros procedimentos de avaliação subjetiva recomendados pela ITU e classificados pelo tipo de
aplicação e mídia (ITU, 2010), como notado na Tabela 1.
Tabela 1 – Tabela Descritiva do MOS
MOS
MOS Qualidade Descrição
Nenhum defeito pode ser percebido
9-10 EXCELENTE
pelo observador ao avaliar o vídeo.
Defeito no vídeo é perceptível, porém
7-8 BOM
não causa desconforto ao avaliador.
Defeito é percebido no vídeo e causa
5-6 REGULAR
desconforto ao avaliador.
Grande degradação no vídeo, porém o avaliador
3-4 RUIM
consegue visualizar alguma informação no vídeo.
Vídeo torna-se ininteligível e o avaliador
1-2 PÉSSIMO
fica impossibilitado de extrair informação.
Uma pontuação média é calculada para obter o MOS para uma imagem específica usando
a Equação 2.1, onde n indica o número de observadores e S(i, j) é a pontuação atribuída pelo
observador i à imagem j.
1 n
MOS( j) = Â S(i, j)
n i=1
(2.1)
Embora o MOS seja usado como uma medida subjetiva de desempenho, ele baseia-se na
conversão das quantidades objetivas em pontuações subjetivas. É uma abordagem utilizada para
a avaliação de parâmetros de qualidade pelos usuários e por meio de escalas padronizadas.
Os testes subjetivos geralmente são baseados em experiências controladas da vida real
com participantes humanos, pagos ou voluntários que avaliam diretamente sua experiência em
um aplicativo ou serviço. Esses usuários podem estar envolvidos no experimento de maneira
passiva (apenas visualizando e/ou ouvindo) ou de maneira ativa (participando de uma conversa) e
julgam a qualidade em relação à apresentação de algum estímulo. Por exemplo, os participantes
podem ser chamados para avaliar a qualidade de um vídeo em tempo real através de um serviço
telefônico. Esses testes precisam ser cuidadosamente projetados com antecedência e o grupo de
usuários precisa ser selecionado adequadamente com base nas diretrizes e recomendações dos
órgãos de padronização (ITU-T; RECOMMEND, 1996).
Várias técnicas podem ser usadas para avaliação subjetiva. Por exemplo, os usuários
podem avaliar a qualidade usando uma escala de classificação absoluta ou podem comparar
vídeos/imagens/áudios de forma sequencial indicando qual possui a melhor experiência na
avaliação. Os resultados baseados em opiniões de usuários quantificam principalmente a eficácia,
a eficiência e a satisfação geral do conteúdo avaliado. Esses tipos de testes subjetivos são
considerados os mais confiáveis, pois incorporam diversos aspectos conscientes e inconscientes
da avaliação da qualidade humana, principalmente se forem cuidadosamente projetados e se os
usuários forem imparciais e objetivos.
Uma maneira de superar esse problema é realizar uma avaliação de QoE de "serviço
real", na qual os usuários avaliam sua experiência durante a excussão e após o término do serviço.
Esse exemplo é o paradigma “OneClick”, que pode ser usado em tempo real para monitoramento,
feedback e controle da QoE. Essa estrutura exige apenas que o sujeito clique na tecla dedicada
sempre que se sentir insatisfeito com a qualidade do aplicativo em uso (CHEN; TU; XIAO,
2009). Com base em experimentos psicológicos, a abordagem mais benéfica a ser utilizada é
por meio da avaliação subjetiva da qualidade, mas também a mais complexa e dispendiosa para
avaliar a QoE dos usuários. A abordagem é iniciada a partir da percepção do usuário ao avaliar a
operação (HUSIĆ; BARAKOVIĆ; OSMANOVIĆ, 2019).
2.3.2 Avaliação Objetiva de QoE

Diversos modelos de avaliação objetiva de QoE já foram desenvolvidos, sendo que
cada um deles apresenta suas próprias circunstâncias e restrições. Considerando que não existe
um modelo universal definido, os modelos propostos podem ser classificados em diferentes
critérios (RECOMMENDATION, 2013). As métricas de avaliação objetiva de QoE são modelos
matemáticos que buscam resultados próximos dos das métricas subjetivas. As métricas objetivas
são divididas em três tipos, apresentados a seguir:
• Sem Referência (No Reference - NR) Estas métricas dependem de medições de parâ-
metros da sequência de saída do vídeo para avaliar a qualidade objetiva e não utilizam
nenhuma informação do sinal original. Sua complexidade computacional é a mais baixa de
todas as métricas, obtendo alta praticabilidade e instantaneidade, a sua precisão também
e menor. Ademais, a métrica de NR estão condicionadas à características específicas, as
quais não são utilizadas em sentido geral, como nos serviços on-line, onde o conteúdo
original não está disponível (CHEN; JIN; YANG, 2016). A avaliação objetiva de QoE
através das métricas NR é mostrada na Figura 6.
• Referência Reduzida Reduced Reference - RR) -Essa métrica compara os parâmetros

parciais selecionados a partir da entrada original e da sequência de saída do sistema para,
assim, obter a avaliação da qualidade. Os parâmetros podem estar na camada de aplicação
(taxa de bits e taxa de quadros) ou na camada de rede (perda de pacotes). As métricas RR
Figura 6 – Avaliação objetiva de QoE através das métricas NR

Fonte: Autor (2020)
precisam apenas extrair parâmetros específicos da transmissão da sequência de entrada

para o usuário, através de canais auxiliares sem erros, sem solicitar toda a sequência. Essa
métrica é adequados a handover em tempo real pela rede e possuem baixa largura de banda
e de transmissão. Além disso, a métrica RR são mais condicionadas à uma situação a qual
a sequência de entrada original fica difícil de ser transportada e armazenada, (YILMAZ,
2018). A avaliação objetiva de QoE através das métricas RR é mostrada na Figura 7.
Figura 7 – Avaliação objetiva de QoE através das métricas RR.

Fonte: Autor (2020)
• Referência Completa (Full Reference - FR) - Essa métrica compara a sequência de

saída do sistema (sequência de teste) com a sequência de entrada original (sequência de
referência). O resultado da avaliação tem alta precisão, no entanto, exige maior proces-
samento computacional. A métrica FR mais utilizadas são: (i) Erro Médio Quadrático
(Mean Squared Error - (MSE), Relação Sinal Ruído de Pico (Peak Signal to Noise Ratio -
PSNR), Índice de Similaridade Estrutural (Structural Similarity Index - SSIM) e a Métrica
de Qualidade de Vídeo (Video Quality Metric - VQM) (DÍAZ et al., 2020), (MURUDKAR;
GITLIN, 2019) e (SUNG et al., 2019). A avaliação objetiva de QoE através das métricas
FR é mostrada na Figura 8.
Figura 8 – Avaliação objetiva de QoE através das métricas FR.

Fonte: Autor (2020)
Assim, em resumo, a métrica FR podem ser usadas para todas as referências. Os sinais
de vídeo enviados e recebidos são comparadas entre si. No entanto, devido à sobrecarga causada
pelo sistema, essa métrica não pode ser usada em cenários reais. A métrica RR é usado na
transmissão de dados adicionais, mesmo que reduzidos. As métricas NR surgiram para superar
uma sobrecarga no sistema.
As métricas de avaliação objetivas também são classificadas segundo a abordagem
utilizada para estimar a qualidade do sinal. As Subseções 2.3.2.1 e 2.3.2.2 destacam duas
métricas de avaliação objetiva de vídeo, sendo as métricas SSIM e VQM, respectivamente
(COSTA et al., 2011). Já a Subseção 2.3.2.3 apresentam outras métricas também aplicadas em
avaliação objetiva da qualidade.
2.3.2.1 Índice de Similaridade Estrutural (Structural SIMilarity Index - SSIM)
O SSIM é um modelo baseado na percepção. A degradação da imagem é considerada

como mudança de percepção nas informações estruturais. O mascaramento de luminância
acontece quando parte da distorção de uma imagem é menos visível em suas bordas. Já o mas-
caramento por contraste acontece quando as distorções da imagem também são menos visíveis
em sua textura. O termo informação estrutural enfatiza pixels fortemente interdependentes ou
pixels fechados espacialmente. Esses pixels fortemente interdependentes se referem a algumas
informações mais importantes sobre os objetos visuais no domínio da imagem.
O SSIM estima a qualidade percebida de imagens e vídeo, e mede a similaridade entre
duas imagens: a original e a recuperada. Essa similaridade estrutural em múltipla escala é
calculada considerando mudanças de luminância, de contraste e de estrutura. O SSIM é avaliado
base no cálculo de três aspectos principais denominados luminância, contraste e estrutural.
(SARA;AKTER; UDDIN, 2019). A luminância compara o brilho entre duas imagens. O contraste
diferencia os intervalos entre as regiões mais claras e mais escuras de duas imagens. Finalmente,
a estrutura compara o padrão de luminância local entre duas imagens para encontrar a semelhança
e a dissimilaridade das imagens. Estes aspectos são independentes. Por exemplo, uma mudança
de luminosidade e contraste não afetam a estrutura da imagem. Este índice é uma combinação da
multiplicação desses três aspectos que pode ser expresso através da Equação 2.2. As letras l, c e
s representam a luminância, o contraste e a estrutura respectivamente. As constantes positivas
são representadas pelas letras gregas a, b e g.
SSIM(x, y) = [l(x, y)]a .[c(x, y)]b .[s(x, y)]g (2.2)
Sendo assim, as similaridades de luminância, similaridade de contraste e similaridade

estrutural de uma imagem podem ser expressas separadamente de acordo com as Equações 2.3,
2.4 e 2.5, onde µx e µy são os meios locais, sx e sy são os desvios padrões e sxy é a covariância
cruzada para as imagens x e y sequencialmente.
2µx µy +C1
Luminancia ⌘ l(x, y) = (2.3)
µx2 + µy2 +C1
2sx sy +C2
Contraste ⌘ c(x, y) = (2.4)
sx2 sy2 +C2
sxy +C3
Estrutural ⌘ e(x, y) = (2.5)
sx sy +C3
Se a = b = g = 1, o índice é simplificado através das Equações 2.3 e 2.4.
(2µx µy +C1 )(2sx sy +C2 )

SSIM(x, y) = (2.6)
(µx2 +2y +C1 )(sx2 + sy2 +C2 )
A Equação 2.6 e expressada na escala em decibel dB como 10log10 [SSIM(x, y)]. O SSIM
produz um valor decimal entre 0 e 1, onde 0 significa correlação zero com a imagem original e 1
significa exatamente a mesma imagem.
2.3.2.2 Métrica de Qualidade de Vídeo (Video Quality Metric - VQM)
A métrica VQM, VQM fornece abordagens padronizadas e não padronizadas para medir
a qualidade percebida do vídeo, considerando aspectos estruturais e temporais. A implementação
da VQM inclui três etapas: extração de características baseadas em percepção, computação de
parâmetros de qualidade de vídeo e a combinação desses parâmetros para finalizar o modelo
geral.
A VQM é uma métrica FR que analisa um vídeo original e outro distorcido como entrada
e retorna um valor de distorção D entre 0 (sem distorção) e 5 (distorção máxima).
A métrica VQM utiliza a Transformada Coseno Discreta (Discrete Cosine Transform -

DST)1 para corresponder à percepção humana a qual é muito utilizada em processamento digital
de imagens e compressão de dados (LARRANAGA C et al., 2016). O algoritmo para calcular a
métrica VQM é descrito a seguir:
1. Receber os vídeos original e processado, ambos com conteúdos distintos.
2. Realizar a transformação de cores YUV criadas a partir de fontes RGB (vermelho, verde e
azul), onde os valores ponderados de R, G e B são somados para produzir Y 0 , uma medida
de brilho ou luminância geral.
3. Realizar a transformação de DCT, na qual as imagens recebidas são separadas em diferentes

componentes de frequência espacial.
4. Converter cada coeficiente de DCT em Contraste Local (Local Contrast - LC) através da
Equação 2.7.
DC d
mean(DCT (i, j))
LC(i, j) = DCT (i, j) DC (2.7)
✓ ◆0,65
DC 1
LC(i, j) = DCT (i, j) (2.8)
1024 DC
O componente de cada bloco é denominado Corrente Direta (Direct Current - DC). Para
uma imagem de 8 bits o valor médio de DCT é 1024, conforme demonstrado na Equação
2.8. O melhor parâmetro para a montagem de dados de psicofísica é d = 0, 65. Após
essa etapa, a maioria dos valores fica entre [-1, 1] (CHO et al., 2007). De acordo com
as Equação 2.7 e 2.8, a conotação LC(i, j) é convertida para assim ser multiplicada pela
entrada do coeficiente de DCT correspondente na matriz de Função de Sensibilidade ao
Contraste Espacial (Spatial Contrast Sensitivity Function - SCSF).
5. Calcular a subtração sobre cada imagem processada.
6. Incorporar a máscara de contraste com uma operação máxima simples e pesá-la com
a distorção média ponderada, resultando em um agrupamento ponderado de distorções
média (Dm) e máxima (Dmax), de acordo com as Equações 2.9 e 2.10, respectivamente,
onde I é a imagem original e o K a imagem compactada. O valor de 1000 corresponde a
padronização do rádio.
1 DCT expressa uma sequência finita de pontos de dados em termos de uma soma de funções de cosseno que
oscilam em diferentes frequências. O DCT, proposto inicialmente por Nasir Ahmed em 1972, é uma técnica de
transformação amplamente usada no processamento de sinais e compactação de dados.
7. Finalmente, calcular a métrica VQM através da Equação 2.11. O valor 0,005 corresponde
ao parâmetro de máximo de distorção, o qual é um valor constante com base em estudos
psicovisuais.
Dµ = 1000mean(|I K|) (2.9)
Dmax = 1000mean(|I K|) (2.10)
V QM = Dmax + 0, 0005Dmax (2.11)
O O algoritmo do cálculo da VQM possui a maior complexidade comparada às dos

algoritmos das demais métricas de avaliação objetiva, mas também apresenta a melhor correspon-
dência com as métricas de avaliação subjetiva, nas quais os resultados obtiveram um coeficiente
de correlação de 0.95 de ganho em alguns testes realizados (KOTEVSKI; MITREVSKI, 2010).
2.3.2.3 Outras Métricas de Avaliação de QoE)
Existem diversas métricas de avaliação objetiva de qualidade de vídeos que não são
aplicadas neste trabalho, porém vale destacar algumas delas.
• Relação Sinal-Ruído de Pico - Peak Signal to Noise Ratio (PSNR) é uma das métricas
mais utilizadas pelos pesquisadores. A PSNR avalia a diferença entre o sinal original e o
distorcido, calculando o erro quadrático médio entre os dois sinais e, assim, identifica a
relação entre a potência máxima possível de um sinal e a potência do ruído de interrupção.
• Escala Multipla-SSIM - (MultiScale-SSIM - MS-SSIM) é uma extensão do SSIM de única

escala, originalmente direcionada para imagens estáticas e posteriormente estendida para
vídeo. Essa extensão considera a densidade de amostragem da imagem, a distância entre o
observador e a imagem, e a capacidade perceptiva do Sistema Visual Humano (Human
Visual System - HVS) do observador. O MS-SSIM resume a influência de cada escala com
diferentes pesos para considerar a sua importância relativa.
• Métrica de Qualidade de Imagem em Movimento - (Moving Picture Quality Metric -

MPQM) é a métrica mais utilizada para avaliar a qualidade de imagem em movimento,
simulando o modelo HVS no espaço-temporal com uma abordagem de banco de filtros. Ela
também, considera duas características da percepção humana: sensibilidade ao contraste e
efeito de mascaramento, para explicar a detecção visual. A métrica MPQM avalia uma
sequência de vídeo melhor que a métrica SSIM e não apenas as imagens de quadro único,
dado que considera a influência da qualidade de vídeo afetada por fatores relacionados à
transmissão na rede.
• Fidelidade à Informação Visual - (Visual Information Fidelity - VIF) tem a finalidade de

avaliar a qualidade da imagem, comparando dois tipos de informação: o conhecimento
da imagem de referência (quando a imagem original passa diretamente pela HVS) e a
informação da imagem distorcida (quando a imagem original passa pela primeira vez
através do canal de distorção, em seguida, para o HVS.
• Relação Sinal-Ruído Visual - (Visual Signal-to-Noise Ratio - VSNR) consiste em avaliar a

qualidade apresentada em imagens estáticas, além de possuir um desempenho prospectivo
para avaliação de qualidade de vídeo. Esta métrica determina distorções quase limítrofes
e supralimiares da visão humana com o objetivo de minimizar o problema supraliminar
na HVS. Ela também aplica conceitos visuais de mascaramento e soma para confirmar
distorções detectáveis.
• Avaliação de Integridade de Vídeo Baseada em Movimento - (Motion-based Video Integrity

Evaluation - MOVIE) detecta a distorção de vídeo no domínio espaço-temporal através da
computação das trajetórias, apresentadas em vídeo. Inclui ainda dois componentes, sendo
estes os índices MOVIE espacial e temporal, os quais medem as distorções espaciais. O
valor final da métrica MOVIE para sequência de vídeo é calculado como um produto de
ambos os índices.
2.3.3 Avaliação Híbrida de QoE

Conforme descrito nas subseções 2.3.1 e 2.3.2, as avaliações subjetiva e objetiva de
qualidade têm várias limitações, sendo que a híbrida é a mais recente em termos de avaliação
de QoE. Muitas pesquisas foram feitas para abordar essas limitações conforme relacionam
os autores (GHAREEB; VIHO, 2010), os quais determinam em suas pesquisa que a forma
mais apropriada para avaliar a QoE no contexto do streaming de vídeo é através de várias
sobreposições de Redes de Distribuição de Vídeo - (Video Distribution Networks - VDN). Com
esse objetivo, os autores compararam três tipos diferentes de avaliação de QoE, sendo a subjetiva,
objetiva e híbrida que pode superar as limitações das duas primeiras.
Já os autores (MEDEIROS et al., 2018b) introduziram mecanismos de baixa complexi-
dade para avaliar a QoE de forma híbrida que, através de um determinado veículo X conseguem
estimar a QoE de um fluxo de vídeo. Os autores (GREENGRASS; EVANS; BEGEN, 2009)
destacam o impacto que diferentes durações de perda de pacotes têm na QoE dos serviços de
streaming de vídeo baseados em IP. Eles descrevem as deficiências visuais resultantes dessas
perdas de pacotes, tanto para os serviços padrões de alta definição quanto para os codificados
em MPEG-2. A avaliação híbrida de QoE que os citados autores pesquisaram mede o nível de
qualidade em tempo real através das informações dos cabeçalhos de pacotes de codecs de IP e
de vídeo. De uma forma mais detalhada, a avaliação híbrida de QoE desenvolvida será discutida
na Subseção 4.1.1.2, onde serão abordadas todas as suas técnicas e funcionalidades.
2.4 Processo Hierárquico Analítico - Analytic Hierarchy Pro-

cess - AHP)
O Processo Hierárquico Analítico (Analytic Hierarchy Process - AHP) é um dos prin-
cipais modelos matemáticos atualmente disponíveis para apoiar a teoria da decisão. Embora o
AHP possa ser utilizado por critérios delimitados a decisões simples, ele pode ter melhor resul-
tado para tomada de decisões quando apresentado a problemas mais complexos, especialmente
aqueles de decisões labiríntica, as quais exigem uma percepção mais apurada e cuja resolução
terá repercussão a longo prazo, visto que o AHP se baseia em decisões complexas, incorporando,
portanto, evidências quantitativas e resultados qualitativos para promover a construção de um
consenso estruturado. O AHP pode suplementar e/ou melhorar a transparência das contribuições
de resultados para o desenvolvimento de diretrizes ou critérios (WANG; WANG; LIU, 2017).
Assim, o uso do AHP apresenta vantagens quando elementos da decisão são difíceis de
quantificar ou comparar, ou quando a comunicação entre os mesmos apresenta obstáculos por
especialidades, terminologias ou perspectivas diferentes. O uso do AHP para este trabalho pode
ser exemplificado da seguinte forma:
• Identificação das alternativas e atributos significantes sobre os resultados prévios;
• Os responsáveis pela decisão indicam a significância relativa entre os atributos. Por

exemplo, se as alternativas são referentes às decisões de um trajeto de um carro em uma
via, o condutor pode preferir o trajeto mais longo do que o percurso mais próximo, porém
engarrafado;
• Similarmente, para cada atributo, bem como para cada par de alternativas, os responsáveis
pela decisão especificam suas preferências (por exemplo, se a distância do percurso da
alternativa A for menor que a do percurso da alternativa B);
• As comparações entre os atributos e as alternativas são registradas em matrizes na forma

de frações entre 1/9 e 9. Cada matriz é avaliada pelo seu autovalor com o objetivo de
verificar a coerência dos julgamentos. Este procedimento gera uma "razão de coerência",
que será igual a 1 se todos os julgamentos forem coerentes entre si. Caso um tomador de
decisão, afirmar que prefere X a Y, Y a Z, contudo, ele preferir Z a X, então a razão de
coerência será maior do que 1,2 e os julgamentos precisarão ser revisados. Este passo é
uma das principais razões para que muitos usuários do AHP acreditarem que, se trata de
um processo com bom embasamento teórico;
• Valores globais de preferência são calculados para cada alternativa.
O AHP é muito usado em simulações de sistemas que transformam a análise qualitativa

em análise quantitativa. Ele pode efetivamente evitar as dificuldades e determinar o peso de
cada fator quantitativo e qualitativo. O AHP pode também manter a consistência do processo
de julgamento e é amplamente utilizado para determinar o peso que expressa a importância
relativa de um conjunto de alternativas com base em vários critérios. Neste estudo, o AHP foi
selecionado para determinar o peso de cada fator, a fim de obter um índice de classificação
abrangente das características dos dados coletados em VANETs para a tomada de decisões sobre
manutenção do nível da rede.
Dessa forma, o AHP pode ser aplicado em várias decisões com problemas que envolvem
um número finito de alternativas. Formalmente, nesse contexto, em um processo de decisão
existe um conjunto finito de alternativas, X = {x1 , ..., xn }, a partir do qual o tomador de decisão
é geralmente motivado a escolher a melhor opção. A seguir, será apresentada uma situação
hipotética para exemplificar o processo de tomada de decisão baseada no AHP.
Um determinado usuário de VANET precisa decidir qual o trajeto percorrer durante uma
viagem. Resumidamente, o objetivo do usuário é a sua melhor satisfação ao seu destino final.
Este exemplo é demostrado na Equação 2.12.
X = {RotaA}, {RotaB}, {RotaC} (2.12)

| {z } | {z } | {z }
x1 x2 x3
Regulamente, nos processos de decisão, o tomador de decisão atribui uma pontuação a

cada alternativa e, em seguida, escolhe aquela com o valor máximo. Ou seja, dado um conjunto
de alternativas, X = {x1 , ..., xn }, o tomador de decisão deve fornecer ao vetor um peso de acordo
com a Equação 2.13, onde wi é um valor que estima coerentemente a pontuação da alternativa xi.
Ou seja, quanto maior wi, melhor será o valor em i.
w = (w1 , ..., wn )T (2.13)
O autor (BRUNELLI, 2014) afirma que estes fatores são coerentes com a teoria dos
valores. A regra é que a alternativa xi é preferida à alternativa x j se e somente se wi > w j . Os
vetores de ponderação nada mais são do que classificações e seus componentes wi são prioridades
ou pesos chamados das alternativas xi . Por exemplo w = (0.4, 0.2, 0.3, 0.1)T , onde as entradas
dos pesos implicam em x1 x3 x2 x4 onde o xi x j significa que a alternativa xi é preferida
a x j . Os possíveis vínculos são expressos como xi ⇠ x j .
Considere o exemplo da escolha da melhor rota. Se o vetor w = (0.3, 0.5, 0.2)T estivesse
associado ao conjunto de alternativas X = {RotaA, RotaB, RotaC} então tem-se a seguinte
classificação RotaB RotaA RotaC devido ser w2 > w1 > w3 . Tomar decisões dessa maneira
parece fácil, mas se torna uma tarefa difícil quando a complexidade aumenta devido à quantidade
de alternativas e de critérios.
O tomador de decisões pode ter dificuldades quando solicitado a enviar uma classificação
na forma de um vetor numérico para um grande número de alternativas, comprometendo assim a
decisão final. Essa questão se origina nos limites cognitivos e da impossibilidade de comparar
efetivamente várias alternativas simultaneamente. Uma maneira eficaz de superar esse problema
é usar comparações pareadas. Assim, a estratégia é decompor o problema original em pares, e
escolher o mais apropriado.
As comparações aos pares são coletadas na matriz de comparação entre as partes A =
(ai j )n⇥n , conforme descrito na Equação 2.14.
0 1
a11 a12 · · · a1n
B C
Ba21 a22 · · · a2n C
A=B
B .. .. .. . C (2.14)
@ . . . .. CA
an1 an2 · · · ann
A estrutura da matriz é composta por ai j > 0 que expressa o grau de preferência de

xi a x j . Mais precisamente, de acordo com a teoria de tomada de decisão baseada no AHP
(SAATY, 2008) seu maior benefício é uma abstração da estrutura de um sistema para estudar as
interações funcionais de seus componentes e seus impactos no sistema total, onde cada entrada
deve aproximar a relação entre dois pesos, conforme expressa a Equação 2.15.
wi
ai j ⇡ 8i, j (2.15)
wj
Isto significa que, se as entradas representam proporções entre os pesos, a matriz A
quando contabilizada com a Equação 2.15, resulta na Equação 2.16, pois esta é uma condição
de multiplicação da reciprocidade mantida através da consequência intuitiva e quase direta da
condição que ai j = 1/a ji 8i, j, isto é i, j = 1, ..., n. Note que é uma condição imposta quando
constroem-se essas matrizes.
0 10 1 0 1
w1 /w1 w1 /w2 · · · w1 /wn w1 w1
B CB C B C
Bw2 /w1 w2 /w2 · · · w2 /wn C Bw2 C Bw2 C
A = (wi /w j)n.n = B
B .. .. ..
C B
.. C B .. CC = n B . C
B . C (2.16)
@ . . . . A@ . A @ . A
wn /w1 wn /w2 · · · wn /wn wn wn
A matriz A pode ser simplificada conforme a Equação 2.17.
0 1
1 a12 · · · a1n
B 1 C
B a12 1 · · · a2n C
A=B
B .. .. . . .. C (2.17)
@ . . . . C A
1 1
a1n a2n · · · 1
A estrutura simplificada das matrizes de comparação por pares nesta forma segue a
suposição de que, por exemplo, se x1 é 2 vezes melhor que x2 , então x2 é 1/2 tão bom quanto x1 .
A Equação 2.18 expõe a exemplificação com a hipotética situação de classificar uma matriz de
comparação pareada para o conjunto de rotas X = {RotaA, RotaB, RotaC}.
0 1
1 3 6
B C
A = @1/3 1 2A (2.18)
1/6 1/2 1
A partir dessa matriz, em particular da entrada a12 , pode-se descobrir que x1 (Rota A) é
considerado três vezes melhor que x2 (Rota B). Ou seja, a12 = 3 sugere que w1 = 3w2 .
0 1
6/9
B C
w = @2/9A (2.19)
1/9
No exemplo, pode-se verificar que se a condição ai j = wi /w j 8i, j é satisfeita pelo vetor a

seguir com seus componentes somados até um, então a RotaA (x1 ) é classificada como a melhor.
Resumindo, sempre que o número de alternativas for muito grande, compará-las aos pares é uma
maneira eficaz de se obter uma classificação. A classificação das alternativas contidas na matriz
w agora é mais robusta do que teria sido se tivesse sido estimada diretamente, sem usar a matriz
A.
2.5 Conclusão do Capítulo

Como visto neste Capítulo, o principal objetivo das VANETs é assegurar uma viagem
segura a motoristas e passageiros, buscando evitar a incidência de acidentes nas estradas. Além
disso, também possibilita a comunicação entre veículos em movimento, através do repasse de
dados entre eles. Um dos pontos relevantes abordados foi na Subseção 2.2, que corresponde a
uma técnica utilizada em redes sem fio para permitir uma comunicação mais precisa por meio da
transição transparente de uma área de cobertura para uma célula, em caso de enfraquecimento
do sinal, , melhorando, assim mobilidade em redes ad-hoc.
Acerca das métricas de QoE existem as métricas de avaliações subjetiva e objetiva,
cada uma com suas próprias circunstâncias e restrições. Há três tipos de métricas de avaliação
subjetiva: as NRs, que dependem de medições de parâmetros da sequência de saída; as RRs, que
comparam parâmetros parciais selecionados a partir da entrada original e da sequência de saída
do sistema; e, por fim, as FRs, que comparam tanto a referência quanto o resultado da sequência
de entrada original com a sequência de saída do sistema. Ademais, as principais métricas de
avaliação de vídeo são a SSIM, a qual avalia uma sequência de imagens estáticas considerando o
fenômeno de mascaramento visual ao medir a semelhança entre as imagens original e recuperada,
e a métrica VQM que estabelece abordagens padronizadas e não padronizadas para medir a
qualidade não percebida do vídeo, considerando seus aspectos temporais e estruturais. A métrica
VQM possui um algoritmo mais elaborado que os das demais métricas.
Este Capítulo também abordou a importância da aplicação do AHP, nesta tese, baseado
tomada de decisões complexas, dado que possui evidências quantitativas e resultados qualitativos
com a funcionalidade primordial de estabelecer critérios extremamente importantes. Nesta
trabalho, sua função principal é manter a consistência do processo de julgamento ao determinar
a importância relativa de um conjunto de alternativas baseadas em diversos critérios diferentes.
Sendo assim, o AHP pode ser utilizado para a tomada de decisões que possuem várias alternativas
e vários caminhos que podem ser percorridos, diante da possibilidade de cada escolha. Logo, ele
auxilia o usuário VANET a decidir, por exemplo, o melhor trajeto para sua viagem, considerando
as infinitas possibilidades.
40
3 TRABALHOS RELACIONADOS
Este Capítulo apresenta uma revisão do estado da arte com o objetivo de identificar
oportunidades de pesquisa relacionada a algoritmos de handover para distribuição de vídeos
em VANETs ultradensas. Por fim,é apresentado um quadro comparativo entre os os algoritmos
pesquisados.
3.1 Trabalhos Correlatos

Os autores (PACHECO et al., 2019) enfatizam que as VANETs que atuam na rede
5G são uma solução promissora e fornecem os requisitos para uma grande quantidade de
aplicativos, como a disseminação de vídeos em tempo real. No entanto, um alto número de
células implantadas nos cenários 5G causa uma grande quantidade de desconexões e handover,
podendo comprometer a QoE do usuário final. Dessa forma, os autores apresentam um algoritmo
preditivo de entrega de QoE com predição de mobilidade para redes veiculares chamado HoVe.
Nesse estudo, fica claro que o gerenciamento eficiente da mobilidade em VANET na rede 5G é
um dos principais desafios enfrentados pela próxima geração de comunicação móvel, onde a
tendência de densificação da rede transcende as limitações das gerações anteriores, mas aumenta
a complexidade necessária no plano de gerenciamento. As técnicas de previsão apresentadas
constituem uma ferramenta essencial para manter os usuários em veículos conectados e com
QoE suficiente em todos os seus percursos. Já os algoritmos de gerenciamento de mobilidade de
última geração não garantem a entrega adequada de conteúdo multimídia. Todavia, os algoritmos
apresentados pelos autores possuem parâmetros simples de previsão de mobilidade na decisão
de handover, que consideram a QoE e a qualidade do sinal na tomada de decisões multicritério.
Os resultados da simulação dos autores mostram a eficácia da técnica, com uma melhoria de
18% em relação aos algoritmos de última geração.
Os autores (ROSÁRIO et al., 2013) relatam que a convergência de aplicativos multimídia
em tempo real, a crescente cobertura de redes sem fio heterogêneas e a crescente popularidade
dos dispositivos móveis estão levando a uma era de serviços multimídia móveis centrados no
usuário. Nesse cenário, as comunicações heterogêneas coexistem e garantem que o usuário
final esteja sempre melhor conectado. As rigorosas demandas de rede dos sistemas multimídia
sem fio, além das estratégias de controle orientadas para a qualidade, são necessárias para
garantir a melhor experiência do usuário ao longo do tempo. Dessa forma, os autores enfatizam
que se faz necessário o suporte à QoE. Tal estudo propõe uma arquitetura de handover com
QoE para redes sem fio heterogêneas convergentes, denominada QoEHand, onde o algoritmo
estende o Entrega Independente de Mídia - (Media Independent Handover - MIH) / IEEE 802.21
com reconhecimento de QoE, mobilidade e adaptação de vídeo, integrando um conjunto de
módulos de tomada de decisão. Em suma, os autores introduziram seu algoritmo para aprimorar
a percepção humana e otimizar o uso de recursos em sistemas sem fio convergentes competitivos
Capítulo 3. Trabalhos Relacionados 41
com baixa complexidade e processamento, coordenando os esquemas de estimador, mapeamento

e adaptações de qualidade. Devido à sua abordagem ser no formato modular, o que torna o
experimento muito interessante, o QoEHand pode ser ajustado para operar com diferentes
tecnologias, como LTE e classes de serviço em redes sem fio. Nas simulações dos autores, foram
realizados testes a fim de demonstrar o impacto e os benefícios do QoEHand em um sistema
multiusuário baseado nos padrões IEEE 802.11e e IEEE802.16e. Seus resultados mostraram que
o algoritmo fornece um melhor nível de qualidade para aplicativos de vídeo em tempo real em
comparação com o MIH puro, revelando um excelente MOS durante os experimentos.
(GONG et al., 2018), destacam que a utilização de Rede Ultradensas Heterogênea -
(Heterogeneous Ultra-Dense Network - H-UDN) leva a uma maior taxa de falha de handover
entre camadas. Assim, a otimização da estratégia tradicional de handover é necessária e urgente.
Os autores relatam que, ao aplicar combinações de resultados analíticos estocásticos de longo
prazo com parâmetros instantâneos e tomando esses resultados como orientação, eles adotaram
como fatores de decisão a força do sinal recebido, o tempo de permanência na cobertura de
pequenas células e a carga de tráfego da BS. Para integrar de maneira abrangente esses três
fatores de decisão e escolher a BS de handover do alvo, os autores aplicaram a análise baseada
no Processo Hierárquico Analítico Difuso - (Fuzzy Analytical Hierarchical Process - FAHP) e a
correlação cinza em sua estratégia. Como resultado, o FMHD traz melhorias no desempenho
do handover entre camadas, o que pode ser observado na redução da probabilidade de falha
no handover e do efeito ping-pong em redes heterogêneas e ultradensa, definindo um Time-To-
Trigger (TTT) durante a execução do handover. Ou seja, nas simulações foi avaliado o processo
de handover entre camadas, aplicando o FMHD e o algoritmo tradicional separadamente,
alterando o TTT e a velocidade do usuário. Assim, foi observada a redução da probabilidade de
falhas no handovere probabilidade de efeito ping-pong, além de aumentar a taxa de dados. Além
disso, o FMHD proposto pelos autores pode ser aplicado em diversos tipos de implantação de
handover.
Embora seja destacada a importância de uma decisão de handover de vários parâmetros,
o uso do TTT pode ter efeitos indesejados, como falhas de link e atrasos no processo de handover
(LEE et al., 2010). Cabe registrar que nesta mesma citação, os autores usam o TTT a fim de
mitigar o efeito de handover sobre o efeito ping-pong, que é uma troca desnecessária da célula de
serviço por um curto período de tempo. Por outro lado, a taxa de Falha no Link de Rádio - (Radio
Link Failure - RLF) pode aumentar devido ao atraso na execução do handover durante o TTT.
Portanto, valores TTT eficientes de acordo com os tipos de células vizinhas e as velocidades do
UE precisam ser investigados para alcançar simultaneamente a baixa taxa de ping-pong e a baixa
taxa de RLF.
Os autores (SILVA; BECVAR; FRANCES, 2018) propuseram um método de handover
adaptativo usando o TTT e lógica Fuzzy com base na velocidade do veículo do usuário. O
algoritmo de entrega coleta parâmetros de mobilidade para prever a localização do usuário para,
assim um conteúdo, mostrando que o descarregamento de macrocélulas para células pequenas

pode ser essencial em um ambiente heterogêneo. Um dos principais benefícios do esquema
proposto é a redução das taxas de ping-pong em cenários densos. O algoritmo proposto pelos
autores, apresenta desempenho de handover ao dos métodos tradicionais e das soluções mais
avançadas atualmente. A solução proposta quase elimina o efeito de ping-pong e, além disso,
também reduz a taxa de falha no handover, preservando assim os benefícios das Estações Base de
Células Pequenas - (Small Cellbase Stations - SCeNBs), enquanto os indicadores de desempenho
de entrega total são notavelmente aprimorados. Isso indica a adequação do algoritmo proposto
para futuras redes móveis com uma densidade muito alta nas SCeNBs. No entanto, ele não se
destina ao tráfego de multimídia e, portanto, não considera QoE para tomada de decisão.
Os autores (LIU et al., 2019) introduziram um TTT adaptável para minimizar o impacto
de handover frequente em redes ultradensas. O trabalho mencionado, aplica uma decisão do
Fuzzy TOPSIS para escolher o melhor candidato a handover, a fim de atingir níveis adequados
de QoS. Cabe destacar, que a pesquisa em si apresenta um algoritmo handover que considera
mais de um atributo como critério para acionar o processo de handover e que seleciona a
opção mais apropriada. Esse algoritmo de handover proposto combina os pontos fortes do
TOPSIS e da lógica fuzzy. Além disso, para aprimorá-lo ainda mais, os autores, utilizaram
do esquema de subtração de cluster para gerar função de associação difusa inteligente usando
dados históricos. Os resultados da simulação indicaram que o algoritmo de handover proposto
reduz significativamente o número de futuros handover e a taxa de efeito ping-pong na rede,
mantendo a QoS em um nível relativamente alto, comparado com o algoritmo baseado em RSS
e a abordagem de Algoritmos de Decisão de Vários Atributos - (Multiple Attributes Decision
Algorithms - MADM) convencional. A técnica de subtração de cluster proposta pode definir de
forma inteligente a função ótima de associação difusa a partir de dados históricos para diferentes
critérios. Todavia, ela não aplica métricas preditivas ou qualquer monitoramento de QoE, o que
melhoraria significativamente a qualidade das decisões em um cenário da VANET.
Os autores (ARSHAD et al., 2017) demostram que o handover introduz uma sobrecarga
na rede, o que às vezes a torna redundante e que ignorar alguns handovers pode ser benéfico
para a rede, mantendo uma QoS aceitável. Este estudo busca analisar o efeito do atraso de
handover através de um modelo matemático baseado na geometria estocástica e validado através
de simulações. Os resultados apresentados refletem os impactos negativos de handover na taxa de
usuários em redes celulares densas e enfatizam o potencial dos esquemas de handover propostos
para mitigar esse impacto. Analiticamente, os resultados apresentados mostram ganhos de até
77%, quando comparados aos do esquema de handover convencional, que sempre mantém a
melhor associação de RSS. No entanto, esse trabalho oferece apenas um pequeno suporte à
transmissão de vídeo e pode não ser adequado aos requisitos estritos envolvidos.
Já os autores (DEMARCHOU; PSOMAS; KRIKIDIS, 2018) propuseram duas técnicas
a fim de ignorar dinamicamente altas taxas de handovers na rede. Em primeiro lugar, os autores
utilizam uma técnica skip-ping da NC que considera a associação de uma BS única e que tem
por base três critérios: (a) a área da célula, (b) a distância da trajetória dentro da célula e (c) a
distância da BS da borda da célula. Seus resultados mostram que, para velocidades moderadas
do usuário, a técnica Não Cooperativo - (non-cooperative - NC) oferece a maior média de
rendimento. Em segundo lugar, a técnica de salto baseado em Cooperativo - (cooperative - CO)
refere-se a um usuário que desfruta de benefícios de cooperação com BS, a menos que um
handover seja ignorado. A decisão de handover é tomada com base em três células consecutivas
do padrão de trajetória do usuário. Todavia, este trabalho considera a previsão de trajetória na
decisão dos handover, assumindo um modelo simples baseado apenas em posição e velocidade.
Em outra pesquisa os autores (XU et al., 2019) propuseram um algoritmo de handover
de camada cruzada orientada pelo atraso, a fim de maximizar o desempenho de aplicações de
baixa latência em redes ultradensas. O trabalho, baseou-se em uma expressão analítica para
atingir a capacidade adequada dos usuários durante a execução de handover, propondo um
esquema de alocação de recursos nas células alvo e assim, reduzir a probabilidade de bloqueio.
Entretanto, este estudo apresentou também um modelo de otimização no desempenho de camadas
intermediárias em redes heterogêneas a partir da perspectiva das características de atraso. A
rede é descrita pela geometria estocástica como uma rede heterogênea de duas camadas, na
qual a capacidade efetiva é considerada e que pode refletir o atraso na taxa. Para os diferentes
tipos de requisitos de QoS dos usuários, eles são divididos em duas categorias: usuário sensível
ao atraso e usuário sensível à taxa. Com base na teoria da otimização convexa, é realizada a
otimização conjunta da capacidade efetiva e da probabilidade de bloqueio. As simulações dos
autores provam que, com o aumento de usuários sensíveis ao atraso, o fator de probabilidade
de handover diminuir e os recursos de largura de banda reservados aos usuários aumentam. O
algoritmo de otimização reduz a probabilidade de bloqueio para os usuários sensíveis ao atraso,
enquanto mantém a capacidade efetiva relativamente constante. Os resultados das simulações,
a modelagem matemática e a teoria que os autores abordam podem ser aplicados à estratégia
de handover e a seleção da estratégia de reserva de recursos em redes heterogêneas, porém os
autores não empregam esquemas preditivos ou informações de mobilidade na decisão, o que
pode melhorar a qualidade da decisão e impactar positivamente na QoE do usuário.
Nos estudos (MEDEIROS et al., 2018b) e (MEDEIROS et al., 2018a), os autores confir-
maram a importância da tomada de decisão de handover multicritério para equilibrar métricas de
diferentes camadas (Medições de Rádio, QoS e QoE) utilizando AHP de acordo com os níveis
de importância predefinidos atribuídos a cada um. Contudo, o algoritmo apresenta altas taxas de
handover, o que é prejudicial à QoE em cenários densos.
Na pesquisa realizada pelos autores (SARGENTO et al., 2016), foi proposto um gerenci-
ador de conexões para as VANETs com tecnologias heterogêneas baseada em AHP chamado
Gerenciador de Conexões VANET - (VANET Connection Manager - VCM), que combina infor-
mações de várias fontes (velocidade do veículo, GPS, cabeçalho, RSSI e tecnologias disponíveis,
como DSRC/WAVE, IEEE 802.11 e Celular 4G), decidindo, então, a melhor conexão disponível
em todos os momentos, tentando também minimizar o número de handovers. O AHP é otimizado
através da interação com Algorítimos Genéricos - (Genetic Algorithm - GA). Essa abordagem
inclui a previsão de mobilidade durante o tempo de conectividade esperado, não incluindo os
requisitos de QoE.
Já os autores (ZHANG et al., 2018) apresentam em seus estudos uma classificação de
aplicativos sensíveis e insensíveis com base na experiência do usuário. Nessa perspectiva, quando
previsto, durante o tempo ocioso de uma rede de alto desempenho, uma decisão de handover
muda para outra rede mais eficiente energeticamente.
Finalmente, os pesquisadores (CHEN et al., 2018) apresentam uma estimativa de QoE
para correlacioná-la com a QoS, com o objetivo de melhorar a satisfação do usuário sem se
concentrar apenas na probabilidade de bloqueio de chamadas, mas também, na probabilidade
de falha no processo de handover. No entanto, o compartilhamento de vídeo requer métricas
mais subjetivas para descrever a QoE, como o MOS, que pode ser imitado por algoritmos de
aprendizado de máquina e integrado a decisões automatizadas.

Com base na análise do estado da arte, conclui-se que a distribuição de vídeo em cenários
de VANETs ultradensas requer um algoritmo eficiente, baseado em skip-handover para manter
um número mínimo de interrupções e evitar a ocorrência do efeito ping-pong.
Tabela 2 – Quadro Comparativo de Trabalhos Relacionados
RELAÇÃO DOS TRABALHOS RELACIONADOS AVALIADOS

Técnica Predição de
# Referências QoE Handover
Utilizada Mobilidade
01 (PACHECO et al., 2019) AHP 3 3 3
02 (ROSÁRIO et al., 2013) MIH 3 3 3
03 (GONG et al., 2018) FAHP 7 3 7
04 (LEE et al., 2010) TTT Adaptável 7 3 7
05 (SILVA et al., 2018) TTT Adaptável 7 7 7
06 (LIU et al., 2019) Logica Fuzzy 7 7 7
07 (ARSHAD et al., 2017) Handover Skipping 7 3 7
08 (DEMARCHOU 2018) Handover Skipping 7 3 3
09 (XU et al., 2019) Orientado a Atrasos 3 3 7
10 (MEDEIROS et al., 2018b) AHP 3 7 7
11 (SARGENTO et al., 2016) AHP 7 3 3
12 (ZHANG et al., 2018) Q Learning 3 7 7
13 (CHEN et al., 2018) Q Learning 3 7 7
Fonte: Autor (2020)
A Tabela 2 resume as principais características dos algoritmos de handover analisados

em termos de reconhecimento de QoE e de previsão de mobilidade.

Após o estudo sobre o estado da arte, nota-se que, no cenário atual, uma técnica eficiente
de previsão de mobilidade é necessária para melhorar as decisões de handover. Além disso, é
vital considerar um esquema de decisão com vários critérios, para, assim, equilibrar as métricas
heterogêneas que impactam de forma direta e indireta na experiência do usuário quanto este faz
uso de serviços de vídeo.
46
4 ALGORITMO DE HANDOVER SKIP-HOVE
Este Capítulo apresenta um algoritmo de handover que possui diversos critérios para
distribuição de vídeo em cenários de VANETs ultradensas, chamado Skip-HoVe (COSTA et
al., 2020). O objetivo é mitigar os efeitos adversos de handover frequentes, mantendo um nível
aceitável de QoE dos vídeos distribuídos. Uma condição proativa é empregada para impedir que
haja o efeito ping-pong durante a decisão de skip-handover. Além disso, esta decisão evita o
handover quando a QoE e a QoS são aceitáveis e estáveis na conexão corrente, considerando
sempre a preferência pelas células que maximizem o tempo conectado.
4.1 Modelo da Rede e dos Sistemas

Esta tese considera um cenário composto por um conjunto de n veículos V = {v1 , v2 , ..., vn }
com uma identidade individual i 2 [1, n]. Cada veículo vi tem um transceptor de rádio para per-
mitir a comunicação V2V e V2I, sendo que esta última exige infraestruturas para suportar as
redes veiculares, pois, nesse tipo de comunicação, os veículos só trocam informações com as
infraestruturas às margens das vias.
Para a comunicação V2I, uma rede celular ultradensa é considerada como uma rede da
camada K, na qual cada camada modela a célula de acesso específica, como macrocélula, mi-
crocélula e picocélula. Nesse sentido, é considerado um conjunto de células B = {b1 , b2 , ..., bm }
com uma identidade individual j 2 [1, m], implantadas em locais fixos e conhecidos (x j , y j ).
As células entre as camadas podem diferir-se em termos de densidade espacial e potência de
transmissão Pj . Também é assumido uma rede principal com fibras de alta capacidade conectadas
nesta infraestrutura para evitar congestionamentos nos enlaces de retorno. Denota-se N(b j ) ⇢ B
como um subconjunto de células dentro do intervalo de rádio (Rmax ) de um determinado veículo
vi . Em relação ao conteúdo do vídeo, cada vídeo compactado é composto por três tipos de qua-
dros: I, P e B (GREENGRASS; EVANS; BEGEN, 2009; ROSÁRIO et al., 2016). Esses quadros
são organizados em sequências, chamadas de Grupo de Figuras - (Group of Pictures - GoP), que
apresentam todas as informações necessárias para decodificar um determinado vídeo em um
período (ROSÁRIO et al., 2013). Ademais, denota-se um determinado Fluxo de Vídeo (Video
Flow - VF) por (V Fi = g1 , g2 , ..., gk ) como um conjunto de GoP, k e g, onde cada quadro em
um determinado GoP g é dividido em um ou mais pacotes de vídeo p, dependendo do tamanho
de cada quadro (QUADROS et al., 2017). Cada pacote p contém, além da carga útil de dados,
outros parâmetros do codificador, tais como: sinalizador de tipo de quadro, ID, comprimento,
tempo (data e hora) e segmentação de pacote (GREENGRASS; EVANS; BEGEN, 2009).
Para obter essas informações, um monitor de pacote no lado do cliente extrai as informa-
ções sobre o tipo de quadro e sobre a dependência intraquadro para cada pacote p (NOIRIE et al.,
2009), dado que cada VF começa com um cabeçalho de sequência, seguido por um cabeçalho
Capítulo 4. Algoritmo de Handover Skip-HoVe 47
GoP e depois por um ou mais quadros codificados. Outrossim, cada veículo vi pode medir a
qualidade do sinal recebido através de um parâmetro de rádio de cada célula disponível N(b j ),
usando a medida chamada de Qualidade do Sinal de Referência Recebido - (Reference Signal
Received Quality - RSRQ).
Cada veículo vi é ciente de sua localização L(xi , yi ,t) em um determinado tempo t, usando
um sistema de posicionamento, tal como o GPS. Além disso, cada veículo vi viaja seguindo
uma determinada trajetória tra ji com uma velocidade si variando entre um limite de velocidade
mínimo (Ex, smin ) e outro máximo (Ex, smax ). Singularmente, o veículo vi desloca-se sobre
diferentes áreas devido ao seu rápido movimento e, portanto, frequentemente possui um conjunto
diferente de células disponíveis N(b j ).
A Entidade de Gerenciamento de Mobilidade - (Mobility Management Entity - MME) é
a principal entidade controladora no Núcleo do Pacote Evoluído - (Envolved Packet Core - EPC)
para a rede de acesso LTE. Neste caso, a entidade gerenciadora de handover executa todas as
seguintes etapas de entrega:
• Etapa de Medição;
• Etapa de Decisão;
• Etapa de Execução (se necessário).
A entidade gerenciadora deve ter uma conexão com cada célula b j , sendo uma interface
de sinalização S1. Um veículo vi logicamente se comunica com o gerente de entrega através
de seu b j atual para relatar as medições que podem ser solicitadas pelo gerenciamento de
mobilidade, se necessário. Cada veículo vi realiza medições, enquanto o MME executa a decisão
e o handover. Na etapa de medição, a entidade gerenciadora obtém informações de vi e N(b j ).
Posteriormente, na etapa de decisão, a entidade considera as informações coletadas na etapa
anterior para selecionar o b j ao qual um determinado veículo vi deve conectar-se. Finalmente, na
etapa de execução, a entidade gerenciadora da entrega é responsável por alterar a conexão de um
determinado veículo vi de uma célula de atendimento para uma célula de destino, escolhida pela
entidade. Mais detalhes sobre cada etapa são apresentados nas próximas subseções.
4.1.1 Etapa de Medição

Na etapa de medição, o algoritmo Skip-HoVe coleta informações do veículo vi , e de
suas células disponíveis N(b j ). Especificamente, essas informações do veículo vi são sua QoE
estimada, sua localização atual, sua QoS e seus parâmetros de rádio. O Skip-HoVe também
coleta informações de QoS e QoE das células de veiculação e candidatas N(b j ) para entender seu
desempenho e tomar a melhor decisão. A entidade gerenciadora atribui valores máximos de QoS
e QoE quando a célula esta ociosa para que esta seja a preferida e, assim, fornecer balanceamento
de carga. A Figura 9 representa algumas das funções desempenhadas pelo gerenciamento de

handover. Tal gerenciamento controla a infraestrutura da rede (macrocélula, microcélula e
picocélula) e acessa seus componentes internos, tais como o Gerenciamento de Mobilidade e os
Algoritmos de Handover.
Figura 9 – Etapas de Gerenciamento de Handover

Fonte: Autor (2020)
4.1.1.1 Previsão de Mobilidade
A mobilidade de um veículo é aproximadamente linear, aumentando, assim, a sua

precisão de previsão (BUI et al., 2017). Nesse sentido, um algoritmo de previsão de mobilidade,
tal como ARIMA ou KF (BUI et al., 2017), estima a posição L(xi , yi ,t + 1) de um determinado
veículo vi em um tempo futuro t + 1 com base na sua velocidade e na sua localização através
de equações da Cinemática. deste, fazendo o uso de equações cinemáticas. Com base em tal
previsão, é possível evitar conexões com uma célula que pode não estar mais disponível no
futuro. Logo, torna-se torna útil tratar a mobilidade como uma série temporal, na qual cada
medida constitui uma entrada para o preditor ajustar o modelo de previsão.
A granularidade da previsão, em um contexto espacial e temporal, pode ser definida por
uma frequência de medição. Por exemplo, o algoritmo Skip-HoVe executa uma nova previsão a
cada nova medição. Outrossim, também é avaliada a granularidade da previsão de mobilidade
com variação de 0,1 a 2 segundos em etapas de 0,2 segundos. A respeito dessa avaliação, adota-se
uma granularidade de 1 segundo, dado a simplicidade do módulo de previsão, o qual não causou
sobrecarga significativa. No entanto, para outros cenários, esse valor pode ser parametrizado
para ajustar os recursos de mobilidade e computação adequadamente.
A posição prevista é baseada no ponto do espaço onde o veículo provavelmente estará na
próxima medição. Segundo a localização prevista do veículo, o algoritmo Skip-HoVe calcula a
distância di, j entre a posição futura do veículo L(xi , yi ,t + 1) e suas células disponíveis N(b j ).
Uma grande distância significa que uma célula está indo além do veículo e isso deve ser evitado.
No entanto, valores maiores correspondem a uma pontuação mais alta para esses b j durante uma
decisão de handover. Portanto, o vetor de distância Dists é invertido, conforme mostrado na
Equação 4.1.

1 1 1 1
Dists = ··· (4.1)
di , 0 di , 1 di , 2 di , 3
Vários valores no vetor Dists podem estar próximos de zero devido às grandes distâncias.
Logo, o vetor Dists deve ser normalizado dividindo cada elemento pelo valor absoluto do vetor
Dists, calculado com base na Equação 4.2.
q
|Dists| = (di,0 )2 + (di,1 )2 + · · · + (di,2 )2 . (4.2)
Esses valores podem ser inseridos no algoritmo ao calcular o ponto d na célula individual
b j com base na Equação 4.3.
di, j
d= , 8di, j 2 Dists. (4.3)
|Dists|
4.1.1.2 Monitor de QoE
O algoritmo Skip-HoVe apresenta um monitor de QoE híbrido de baixa complexidade

executando, através de um determinado veículo vi com o objetivo de estimar a QoE de certo
fluxo de vídeo V Fi , como o introduzido pelo autor Medeiros (MEDEIROS et al., 2018b). A
avaliação híbrida de QoE mede o nível de qualidade, em tempo real através das informações
dos cabeçalhos de pacotes de codecs de IP e de vídeo (GREENGRASS; EVANS; BEGEN,
2009). Assim, uma técnica de Aprendizado de Máquina (Machine Learning - ML), como, a
Floresta Randômica - (Random Forest - RM), prevê o valor do MOS na perda de quadros e nas
características de vídeo com baixa complexidade.
No lado do cliente, um monitor de pacotes examina o fluxo MPEG que representa um
fluxo constante de bits do pacote. Os bits precisam ser organizados em pacotes para que erros
não se propaguem além das fronteiras de um único pacote. Assim, verifica-se a possibilidade
da perda de um tipo de quadro em um GoP g e, se confirmada essa perda, a taxa de quadros
perdidos é calculada. Isso ocorre porque, pois a taxa de perda de quadros e o tamanho do GoP
afetam de maneira diferente a QoE dos vídeos transmitidos (GREENGRASS; EVANS; BEGEN,
2009). Considera-e, ainda, um processo inteiro de aprendizado de máquina (treinamento, teste e

validação) para prever o valor do MOS para um determinado fluxo de vídeo V F.
Nesse sentido, o monitor QoE considera uma RM com técnica de aprendizado de máquina
de baixa complexidade, para correlacionar a taxa de perda de quadros I, P e B e o tamanho do
GoP com os valores MOS atribuídos, atingindo, portanto, uma pontuação final do MOS. A RM
forma seleções menores de uma árvore, informa resultados diferentes nelas e conta a solução
mais escolhida, para, assim, responder a pergunta: qual é o valor estimado do MOS considerando
o tamanho do GoP e a taxa de perda de quadros I, P e B?
4.1.1.3 QoS e Monitor de Sinal
Em relação aos parâmetros de QoS, o algoritmo Skip-HoVe leva em conta a Taxa de

Entrega de Pacotes - (Packet Delivery Rate - PDR), que é a proporção entre o número de pacotes
de dados entregues e enviados. A PDR reflete a capacidade de processamento da rede e a
capacidade de transferência de dados. O protocolo tem um bom desempenho se o valor da PDR
for alto quando avalia a conexão entre um veículo vi e uma célula b j . Cada veículo vi calcula
o PDR usando IDs de pacotes para detectar os pacotes perdidos e associados à célula b j . A
Equação 4.4 calcula a taxa de entrega de pacotes.
Â Pacotes Recebidos
PDR = ⇤ 100 (4.4)
Â Pacotes Enviados
Da perspectiva do rádio, o algoritmo Skip-HoVe considera o valor RSRQ calculado por
um determinado veículo vi para cada mensagem de beacon transmitida por uma célula b j (células
ativas e candidatas). O RSRQ mede a qualidade do sinal recebido nas redes LTE e é calculado
de acordo com a Equação 4.5.
N ⇥ RSRP
RSRQ = (4.5)
RSSI
Todas as medições são enviadas para célula de atendimento do veículo e são solicitadas
pelo gerenciamento de mobilidade durante a etapa de decisão.
4.1.2 Etapa de Decisão

Nesta etapa, o Gerenciador de Handover calcula uma pontuação S j para cada célula
disponível N(b j ) com base na Equação 4.6, a fim de encontrar a próxima célula disponível
b j com melhor QoS e QoE a um determinado veículo vi se conectar. O algoritmo Skip-HoVe
pondera suas técnicas destinadas a diversas métricas com prioridades diferentes para decisões de
handover e, portanto, precisa atribuir um peso wi a cada um delas, com a entrada Mi (QoE, QoS
e Distância). Assim, os pesos podem representar quantas vezes a QoE é mais, ou menos crítica
que a QoS.
n
S j = Â wi ⇥ Mi . (4.6)
i=1
Em relação ao processo AHP (SAATY, 2005), este tem a finalidade de calcular o fator
de influência de cada parâmetro, uma vez que fornece uma técnica estruturada para a tomada
de decisões que possuem problemas com vários parâmetros envolvidos. O AHP decompõe um
contraponto complexo em uma hierarquia de subproblemas mais simples, combinando, então,
fatores qualitativos e quantitativos, para a análise, permitindo que o sistema encontre uma solução
ideal, assim que houver vários critérios considerados no processo de entrega.
Especificamente, o AHP abrange uma comparação pareada entre os valores numéricos
de cada parâmetro coletado, bem como, seus graus relativos de importância, a fim de ajustar seus
pesos em tempo de execução. Um valor numérico representa essa comparação entre pares, pois
eles não devem se contradizer. Por exemplo, se uma métrica i (comparação invertida) for duas
vezes mais importante que a métrica j, então j será 1/2 vezes tão importante quanto i. Dessa
forma, conforme o exposto, foram definidos cinco níveis de importância entre um parâmetro i e
um parâmetro j, como na Tabela 3.
Tabela 3 – Importância do Contexto em Pares
Níveis de Importância
Seq. ci, j Definição
1 4 i é muito mais importante que j
2 2 i é mais importante que j
3 1 i é tão importante quanto j
4 1/2 i é menos importante que j
5 1/4 i é muito menos importante que j
O gerenciador handover constrói para cada veículo vi uma matriz de comparação A =

(Ci, j )mxm , na qual linhas e colunas representam todas as comparações entre pares, de acordo com
a Equação 4.7, onde ci, j é uma combinação de importância que o elemento observador i faz
do elemento imagem quando comparado com o j e m indica o número de elementos a serem
comparados entre si.
0 1
c1,1 c1,2 ··· c1,n
B C
B c2,1 c2,2 ··· c2,n C
A = (Ci, j )nxn = B
B .. .. .. .. CC. (4.7)
@ . . . . A
cn,1 cn,2 ··· cn,n
Ou seja, a matriz Ci, j indica quais parâmetros têm maior prioridade uns sobre os outros,
conforme a Equação 4.8, onde d é a distância normalizada na qual a QoE representa a pontuação
prevista do MOS e o Sinal retrata a intensidade do RSRQ e a QoS representa a PDR. Assim, na
primeira linha, observa-se que a métrica da distância d é duas vezes mais importante que a QoE
e quatro vezes mais crítica que a QoS e o Sinal. Já a diagnonal principal sempre será igual a 1,
pois é onde uma métrica é comparada com ela mesma.
d QoE QoS Sinal

0 1
d 1 2 4 4
B C
QoE B B 1/2 1 2 2 C
C.
Ci, j = (4.8)
QoS B @ 1/4 1/2 1 1 C
A
Signal 1/4 1/2 1 1
Ademais, o vetor próprio da matriz (Ci, j ) é calculado dividindo cada elemento pela soma
de sua coluna, W = [0.5 0.25 0.125 0.125]. Logo, as distâncias normalizadas terão um peso de
0,5 para d, 0,25 para QoE e 0,125 para QoS e Sinal. Analisa-se, também a Taxa de Consistência
- (Consistency Ratio - RC) e o Índice de Consistência - (Consistency Index - CI) do vetor de peso
derivado verificando se ele está correto. Nesse sentido, se CI = 0 e CR = CI/RI  0.1, então a
inconsistência da matriz de comparação construída é aceitável. Após o processo de verificação
de consistência, descobre-se que a matriz de comparação (Ci, j ) possui CI = 0 e CR = 0. Logo, a
inconsistência da matriz de comparação em pares tornou-se aceitável para atender os critérios de
validação definidos para AHP (SAATY, 2005).
O gerenciador de handover executa o produto entre o vetor próprio e outro vetor que
armazena os valores medidos Mi , obtendo, dessa maneira, a pontuação de Si destinada a todas
as células disponíveis N(b j ). Ou seja, o gerenciador de handover seleciona a célula com a
pontuação Si mais alta, sendo, então, a mais adequada para o veículo vi conectar-se no momento.
Na etapa de decisão de handover, o gerenciador precisa decidir se uma entrega é necessária, uma
vez que sua execução é onerosa e deve ser evitada se não for essencial.
O algoritmo Skip-HoVe, baseia-se em um limite de QoE para acionar o handover, o qual
é definido com peso 4 para o valor previsto de QoE (LIOTOU et al., 2015). Portanto, assim que
o valor previsto de QoE calculado pelo monitor estiver acima desse limite, uma entrega será
considerada desnecessária e será, ignorada, pois o vídeo foi entregue ao veículo vi com uma
QoE aceitável. Por outro lado, assim que o handover for necessário, o gerenciador escolherá as
melhores células disponíveis N(b j ) para o veículo vi conectar-se.
O Algoritmo 1 possui as principais operações executadas pelo Skip-HoVe para fornecer
conteúdo de vídeo utilizando o suporte a QoE em VANET ultradensa. O gerenciador de handover
executa todas as três etapas, enquanto o nó móvel está conectado a qualquer célula.
Algoritmo 1: Execução do Algoritmo Skip-HoVe
1 8 Veículos na Rede vi 2 V
2 while Veículo está Conectado do
3 O veículo envia medições para sua célula de atendimento Gerenciador Handover
para iniciar a etapa de decisão.
4 for cada célula disponível N(bi ) 2 B do
5 if QoS está acima de um limite e não está diminuindo then
6 Ignora Handover
7 end
8 else
9 Estimar a próxima posição do veículo
10 Calcular a pontuação Si para a célula
11 end
12 end
13 BestCellId Célula com a mais alta Si
14 if BestCellId 6= ServingCellId and BestCellRSRQ Threshold then
15 if Handover é um Ping-Pong then
16 Ignora Handover
17 end
18 else
19 Iniciar a etapa de execução da entrega
20 end
21 end
22 end
O algoritmo Skip-HoVe também analisa se a decisão constitui um handover com efeito

ping-pong (Por exemplo, quando um veículo sai de uma célula e retorna em até 4 segundos
(TARTARINI et al., 2018)). Nesse caso, o algoritmo Skip-HoVe pula a execução da entrega,
sendo considerado um desperdício para os recursos da rede. Por outro lado, o algoritmo, guarda
essa célula para decisões de handover futuras.
4.1.2.1 Cenário de Previsão de Mobilidade
Considera-se o modelo ARIMA e o modelo KF como técnica de previsão de mobilidade

apontada pelo Skip-HoVe. Porém, qualquer outro esquema de previsão de posição pode ser
adotado. O ARIMA e o KF preveem a posição futura do veículo L(xi , yi ,t + 1) com base na
atual L(xi , yi ,t), conforme ilustrado na Figura 10 Nesse sentido, o Skip-HoVe, complementa o
algoritmo de previsão de mobilidade toda vez que uma nova medição chega, levando em conta
que os intervalos entre as medidas que definem a granularidade do filtro. Nos testes apresentados,
foi adotada a granularidade de 1 segundo.
Figura 10 – Medição de Previsão de Mobilidade

Fonte: Autor (2020)
4.1.2.1.1 ARIMA
O Média Móvel Integrada Autorregressiva (AutoRegressive Integrated Moving Average

- ARIMA) é um modelo estatístico que analisa e prevê séries temporais nas quais os dados
processados não são estacionário, pois este modelo pode ser aplicado uma ou mais vezes para
eliminar a não estacionariedade quando for necessário. A estrutura, a variância e a média de
autocorrelação de uma séria temporal estacionária não mudam no decorrer do tempo, logo, ela
não possui tendência. Portanto, a amplitude de suas variações em torno da média é constante.
Sendo assim, no modelo ARIMA os, valores futuros das séries são assumidos como uma
combinação linear de seus valores e médias móveis passados. O ARIMA é descrito como uma
tupla (p, d, q), na qual p corresponde ao número de medições passadas ponderadas na estimativa,
d consiste no número de séries diferenciais que o tornarão estatisticamente estacionário e q
corresponde às número de médias móveis anteriores.
A formulação básica do modelo ARIMA é dada pela Equação 4.9, onde, y são os valores
passados, e são as médias móveis anteriores e q e f são pesos individuais para cada valor
treinados pelo modelo.
yt = q0 + f1 yt 1 + f2 yt 1 + f3 yt 3 + · · · + f p yt p
(4.9)
e0 + q1 et 1 + q2 et 1 + q3 et 3 + · · · + qq et q.
O número de valores e médias móveis passados depende das séries temporais estudadas.
Algumas delas dependem principalmente dos valores passados ponderados e não precisam
médias móveis. O modelo pode ser representado pela Equação 4.9, o que significa que foram
usados cinco termos passados, executando uma diferenciação e não considerando médias móveis
passadas. Outrossim, o ARIMA também é usado para prever uma série temporal de variável
única e, portanto, deve ser realizada uma etapa de treinamento separadamente, destinada às
medições de latitude e longitude. O primeiro passo para a formulação geral do ARIMA consiste
em definir a ordem de diferenciação, isto é, o número de vezes que um valor é subtraído do
próximo fornecido pelo parâmetro d, de acordo com a Equação 4.10. O modelo ARIMA pode ser
usado para a previsão de mobilidade do veículo L(xi , yi ,t + 1). Nesse sentido, deve ser treinado
individualmente, em relação aos veículos e, também, unicamente a cada coordenada (latitude e
longitude).
8
>
>Yt , if d = 0
>
>
>
>
<(Y Yt if d = 1
t 1 ),
yt = (4.10)
>(Yt Yt 1 ) (Yt Yt
>
> 1 2 ), if d = 2
>
>
>
:continuamente •
4.1.2.1.2 Filtro de Kalman
O Filtro de Kalman - (Kalman Filter - KF), possui a finalidade de tentar estimar um

estado xt 2 Rn com base no estado anterior xt 1 , isto é, o filtro precisa apenas do valor do estado
anterior, para estimar o próximo. O estado x em um KF consiste em o vetor que contém um
par de coordenadas geográficas do veículo gt , ou seja, latitude e longitude, em certo momento t
(Exemplo: L(xi , yi ,t)).
Explicitamente, o processo é modelado por uma equação de diferença estocástica, repre-
sentada pela Equação 4.11, onde A é uma matriz n ⇥ n que relaciona o estado anterior ao atual e
w 2 Rn , a fim de estimar o ruído.
xt = Axt 1 + wt 1 . (4.11)
A estimativa leva em conta uma medida dada por Zk , calculada pela Equação 4.12. Então,
ela pode ser pode ser modelada em termos da previsão com um fator de correção H e ruído vk .
Zk = Hxk + vk . (4.12)
Defini-se x̂k como o estado anterior, xk como estado previsto e x̂k como estado seguinte,
sendo que x̂k e x̂k são valores reais do processo. Também, estima-se xk com base na medida Zk .
Os erros anteriores e seguintes são definidos por ek e ek , e calculados pelas Equações 4.13 e
4.14, respectivamente.
ek = xk x̂k . (4.13)
ek = xk x̂k . (4.14)
Ademais, a covariância do estado anterior, é definida com base na Equação 4.15 e

a covariância do estado seguinte pela Equação 4.16, onde o valor esperado do erro é ek t é
multiplicado pela matriz transposta de erros. O objetivo do filtro é minimizar a covariância de
erro Pk .
⇥ ⇤
Pk = E ek ek T . (4.15)
⇥ ⇤
Pk = E ek eTk . (4.16)
Logo, o estado seguinte é expresso como uma combinação linear do estado anterior e um
termo de correção proporcional à diferença entre o valor do estado e o valor medido, conforme a
Equação 4.17. Assim, o valor de x̂k corresponde ao vetor de coordenadas previstas na próxima
medição gt+1 .
x̂k = x̂k + K zk H x̂k . (4.17)
A matriz K n ⇥ m é o ganho que tem como objetivo, minimizar a covariância de erro. É

possível minimizar o erro substituindo a Equação 4.18 na Equação 4.19 e, em seguida, derivando
o resultado. Essas equações são, as fórmulas finais para calcular o ganho do filtro a ser usado na
estimativa.
1
Kk = Pk H T HPkT H T + R . (4.18)
Pk H T
Kk = . (4.19)
HPk H T + R
4.1.2.2 Precisão da Previsão de Mobilidade
A previsão de mobilidade do KF e do ARIMA, foi testada por meio de um conjunto de

dados veiculares, a fim de escolher um deles para fazer parte do algoritmo de handover. Nessa
perspectiva, considera-se um trace de mobilidade veicular real coletado em aproximadamente
500 táxis da cidade de São Francisco (USA)(PIORKOWSKI; SARAFIJANOVIC-DJUKIC;
GROSSGLAUSER, 2009).
O conjunto de dados consiste em medições de dados extraídos de dispositivos GPS de
mais de 500 táxis na área da baía de São Francisco nos Estados Unidos durante um período de
um mês, gerando mais de 10 milhões de amostras. O modelo ARIMA é aplicado nesse conjunto
de dados, considerando dois valores passados e uma média móvel. A série temporal é desviada
duas vezes para se tornar estacionária. Esses parâmetros foram encontrados, através do uso de
um estimador de Grid Search1 , visando o melhor desempenho. 60% dos dados foram usados
para treinamento e 40% para testes.
A Figura 11 mostra o Desvio da Raiz Quadrada da Média - (Root-Mean-Square Deviation
- RMSE)2 para o ARIMA e ao KF, provendo a localização de cada veículo no conjunto de dados.
Analisando os resultados, observa-se que o KF apresenta um erro 85,7% maior que o ARIMA.
Figura 11 – RMSE para o ARIMA e para o filtro Kalman

Fonte: Autor (2020)
O movimento dos veículos tende a ser irregular e não linear na maior parte do tempo,
contudo o KF é mais preciso quando os dados analisados têm natureza linear, e interativa. Nesse
seguimento, o KF precisa de tempo para se ajustar às mudanças de mobilidade em parâmetros
como velocidade e direção, de forma isto é, os ajustes se dão de forma on-line. Por outro lado,
o ARIMA pode prever o padrão de mobilidade com alta precisão, mesmo após ser treinado.
Ele é muito robusto, apesar de possuir dados não lineares. Os resultados do RMSE podem ser
explicados por meio da Figura 12, a qual mostra a longitude do veículo ao longo do tempo.
Ao analisar os resultados, conclui-se que as previsões do ARIMA estão muito mais
próximas dos pontos de dados originais, enquanto que as previsões do KF, em alguns casos,
encontram-se demasiadamente distantes dos pontos de dados originais. Logo, na amostra 30,
o veículo virou para a esquerda ou para direita. O ARIMA consegue prever esse padrão de
mobilidade, enquanto o KF não o detecta.
1 A Grid Search é usada para encontrar os hiperparâmetros ótimos de um modelo que resultam nas previsões mais
"precisas".
2 O RMSE é o desvio da média quadrática da raiz ou o erro quadrático médio da raiz. É uma medida frequentemente
usada das diferenças entre os valores previstos por um modelo ou estimador e os valores observados.
Figura 12 – As previsões de longitude do veículo para o ARIMA e KF.

Fonte: Autor (2020)

Este Capítulo apresentou um algoritmo de handover, que possui diversos critérios para
distribuição de vídeo em cenários de VANET ultradensa, chamado Skip-HoVe. Também foi
abordado detalhadamente o modelo aplicado na rede e seus sistemas, as etapas de medições que
coletam os dados dos veículos e das células disponíveis, assim como a predição de mobilidade,
o monitor de sinal e a QoE e suas etapas de decisões. Assim, conclui-se que este Capítulo foi
embasado no algoritmo Skip-HoVe que incorpora todos os recursos críticos expostos e discutidos,
os quais não haviam sido fornecidos em um algoritmo de handover unificado previamente.
59
5 AVALIAÇÃO DO ALGORÍTIMO SKIP-HOVE
Este descreve a metodologia de avaliação, incluindo a descrição do cenário, os parâmetros

de simulação e as métricas usadas, no sentido de avaliar o desempenho de diferentes algoritmos
de handover, destinados a distribuição de vídeo em um cenário de VANET ultradensa.
5.1 Descrição e metodologia do cenário

O algoritmo Skip HoVe foi implementado na arquitetura do Network simulator (NS),
versão 3.291 e está disponível para download no Github2 . Cabe registrar que na respectiva versão
está implementada a pilha de protocolos LTE para comunicação V2V e V2I. Um cenário de
VANET ultradensa foi considerada na simulação, de acordo com Demarchou (DEMARCHOU;
PSOMAS; KRIKIDIS, 2018) e 3GPP LTE release 13 (ACCESS, 2013), observando uma área
de 2km x 2km com 7 macrocélulas que cobrem todo o cenário até certo ponto e 100 células
pequenas distribuídas por toda área. Os principais parâmetros de simulação são vistos na Tabela
4.
Tabela 4 – Parâmetros de Simulação Aplicados
Detalhes dos Parâmetros usados na Simulação

# Parâmetros Valor
01 Número de veículos [50, 100, 150, 200]
02 Velocidade média dos veículos 43.81 km/h
03 Número de macrocélulas 7
04 Número de células pequenas 100
05 Potência de transmissão das macrocélulas 46 dBm
06 Potência de transmissão das células pequenas 23 dBm
07 Altura das células pequenas 10 Metros
08 Altura das macrocélulas 45 Metros
09 Modelo de perda de propagação Nakagami
10 Tamanho do cenário 2km ⇥ 2km
11 Sequência de vídeo testada Highway
12 Frequência Downlink 2120 (MHz)
13 Frequência Uplink 1930 (MHz)
As macrocélulas possuem uma potência de transmissão de 46dBm, enquanto as células

pequenas, apresentam uma potência de transmissão de 23dBm. A simulação fundamenta-se
através do modelo de propagação Nakagami3 , o qual pode ser adequado a diferentes cenários
urbanos (RUBIO; REIG; CARDONA, 2007). Foram realizadas 33 simulações geradas alea-
1 http://www.nsnam.org/
2 https://github.com/allandoug/
3 Nakagami-m, é utilizado para a derivação da distribuição de probabilidade relacionada gama e direcionada para
meios de radio comunicação.
Capítulo 5. Avaliação do Algorítimo Skip-HoVe 60
toriamente através do gerador de números pseudo-aleatórios do simulador (MRG32k3a)4 . Os

resultados, demonstram os valores com um intervalo de confiança de 95%.
Foi empregado o rastreamento de mobilidade de táxis de São Francisco (PIORKOWSKI;
SARAFIJANOVIC-DJUKIC; GROSSGLAUSER, 2009) para a simulação de mobilidade de
tráfego e veículo, conforme descrito na Seção 4.1.2.2, variando o número de veículos entre 50,
100, 150, e 200 para avaliar a escalabilidade.
Observa-se o cenário real representado pelos dados coletados no trace, ou seja, a área
da Baía de São Francisco, nos EUA, devido à sua relação direta com o mundo real, tal como os
padrões de mobilidade humana. A Figura 13 ilustra o cenário de simulação com diversas células
pequenas ao redor de 7 macrocélulas.
Figura 13 – Amostra do Cenário de Simulação.

Fonte: Autor (2020)
Nesse contexto, a área de cobertura de células pequenas leva a um mosaico de Voronoi5

(BACCELLI; BŁASZCZYSZYN, 2001). Assume-se que pelo menos uma macrocélula esteja
disponível em todos os pontos do cenário, tal como esperado em ambientes de veículos conecta-
dos. Vale-se ressaltar que, um veículo viajando com velocidade média igual a 43km/h cruzou a
área de cobertura de 42,8 células pequenas durante as simulações.
Utilizou-se nas simulações um vídeo, chamado Highway, com diferentes níveis de
complexidade moderada em termos de movimento e de espaço, que pode ser encontrado em
4 O MRG32k3a é um gerador aleatório recursivo de múltiplos de fluxos de dados.
5 Voronoi é um tipo especial de decomposição de um dado espaço, por exemplo, um espaço métrico, determinado
pela distância para uma determinada família de objetos (subconjuntos) no espaço.
um conhecido repositório de vídeo (MONTGOMERY et al., 2020). O vídeo tem duração de 66

segundos codificados com H.264, 30fps é tamanho intermediário de 352 ⇥ 288 pixels e uma taxa
de bits de 210kbps. Todos os vídeos avaliados são transmitidos em um loop. O decodificador,
faz o uso de um método de cópia de quadro como ocultação de erro, substituindo cada quadro
perdido pelo último recebido, a fim de reduzir a perda de quadros e manter a qualidade do vídeo.
As simulações foram executadas com cinco algoritmos de handover diferentes, descritos
seguir:
1. Algoritmo de Handover baseado em SINR: É o mais comum e tradicional. Ele considera

apenas a intensidade do sinal para a decisão de handover. O handover ocorre assim que
houver uma célula de rádio com um valor de intensidade de sinal mais alto que o atual
(KURJENNIEMI; HENTTONEN; KAIKKONEN, 2008);
2. Algoritmo Handover PBGT: Também conhecido como algorítimo de célula mais forte.
Ele, executa uma decisão com base na quantidade de energia, onde o handover é executado
se uma célula vizinha tiver potência recebida superior à da célula servida mais um valor
de interesse. . Tal diferença é mantida ao longo de um TTT previamente definido (3GPP,
2011);
3. Algoritmo de Handover NC-Skipping: Considera a mobilidade para um handover não-

cooperativo (DEMARCHOU; PSOMAS; KRIKIDIS, 2018);
4. Algoritmo de Handover SER: Demonstra informações de QoS e QoE para a decisão de

handover (MEDEIROS et al., 2018b);
5. Algoritmo Skip-HoVe: Argumenta vários critérios para a tomada de decisões. É um

algoritmo de entrega aprimorado baseado em handover, com o objetivo de fornecer
mobilidade perfeita para distribuição de vídeo, sem efeitos ping-pong, como descrito na
no Capítulo 4.
As métricas de QoE superam as limitações das métricas de QoS para avaliação da

qualidade do vídeo, uma vez que as métricas de QoS falham ao capturar aspectos subjetivos do
conteúdo apresentado no vídeo e relacionados à experiência humana (ARGYRIOU et al., 2017).
Desta forma, o nível de qualidade de cada vídeo transmitido é medido através de métricas de QoE
objetivas e subjetivas conhecidas, tal como a SSIM e o MOS, respectivamente. Especificamente, a
SSIM compara a variação entre o vídeo original e a sequência principal em relação à luminância,
ao contraste e à similaridade estrutural. Os valores do SSIM variam de 0 a 1, sendo 0 o pior caso
e 1 o vídeo transmitido com a mesma qualidade que a do vídeo original. Considera-se, ainda, o
uso do VQMT para medir os valores SSIM de cada vídeo transmitido.
A avaliação subjetiva captura todos os detalhes que podem afetar a experiência do
usuário. Nesse contexto, o MOS é uma das métricas mais usadas para avaliação subjetiva, além
de requerer que os avaliadores humanos classifiquem a qualidade geral do vídeo. Além disso,
para a avaliação do MOS, o método de estímulo único é usado seguindo as recomendações
ITU-R BT.500-11, uma vez que se encaixa muito bem em um grande número de aplicativos
multimídia emergentes (ZHENG et al., 2015). Os avaliadores humanos assistem apenas uma vez
ao vídeo e, em seguida, fornecem uma pontuação fazendo o uso da escala de qualidade numérica
de dez graus, tal como apresentado no Capítulo 2.
Ademais, na avaliação subjetiva, 31 observadores avaliaram os vídeos, incluindo estu-
dantes de graduação e pós-graduação, além de funcionários da Universidade Federal do Estado
do Pará. Eles tinham a visão normal e as idades variavam de 18 a 45 anos. Os vídeos distorcidos
foram reproduzidos através de um dispositivo Samsung Galaxy Tab A 8.0 com uma tela de
8 polegadas colocada no banco traseiro do encosto de cabeça de um carro. Os vídeos foram
avaliados para que as pessoas definissem/pontuassem seus valores de MOS durante viagens entre
9h e 18h. O comportamento humano ao avaliar os vídeos, bem como, as distrações causadas pelo
ambiente circundante e, ainda, quaisquer outros fatores psicológicos (subjetivos) relacionados à
psicologia humana estão fora do escopo desta tese (FELICE et al., 2015).
Avaliou-se a eficácia da entrega, tendo em vista que toda entrega é um processo oneroso
para o ponto de vista da infraestrutura. Dessa forma, uma entrega deve ser executada com cuidado
pelo gerenciador, a fim de evitar o desperdício de recursos limitados. Foram consideradas, duas
métricas para avaliar a decisão de handover, quando o mesmo não é necessário. O número
de handovers é vital, para fornecer detalhes sobre os tempos médios em que um algoritmo de
gerenciamento de handover específico, suporta um único usuário móvel, para, assim, alterar
sua célula. Além disso, o efeito ping-pong é uma métrica importante para avaliar handovers
desnecessários, dado que ele acontece quando o gerenciador de entrega aciona o dispositivo
móvel para executar um handover até uma célula. No entanto, alguns segundos depois (4 a 6
segundos), o dispositivo móvel retorna à célula conectada anteriormente executando um segundo
handover.
5.2 Resultados das Simulações

A Figura 14 mostra os resultados da avaliação objetiva da qualidade do vídeo, consi-
derando os valores de SSIM para um vídeo transmitido por diferentes algoritmos de handover
(Skip-HoVe, NC-Skipping, SER, SINR-based, e PGBT). Ao analisar os resultados, pode-se
concluir que os vídeos fornecidos pelo Skip-HoVe têm consistentemente um valor de SSIM
próximo a um, independentemente do número de veículos, o que não é alcançado pelos demais
algoritmos de entrega. Por exemplo, o Skip-HoVe entregou vídeos com SSIM 28%, 26%, 27% e
30% superior à dos algoritmos NC-Skipping, SER, SINR e PGBT, respectivamente. Tal razão se
dá, pelo fato de o Skip-HoVe fornecer decisões de handover sem falhas e de forma confiável em
um cenário de VANET ultradensa.
Para esse fim, o algoritmo Skip-HoVe, executa um mecanismo de handover associado à

previsão de mobilidade e às decisões com reconhecimento de QoS e QoE, o que significa que os
handover são feitos com mais confiabilidade e menos frequência. Nesse sentido, o algoritmo
conseguiu reduzir a taxa de perda de quadros I e o número de handovers entre as células,
conforme mostrado na Figura 14. No entanto, os demais algoritmos de handover não possuem,
acabam por não possuir, ao menos uma, de tais características.
Figura 14 – SSIM para vídeos entregues por diferentes algoritmos de handover
A Figura 15 mostra a avaliação subjetiva da qualidade do vídeo, usando a métrica MOS,

da qualidade de um conjunto de vídeos transmitido por diferentes algoritmos de handover,
disponível publicamente no repositório do YouTube6 .
Analisando os resultados do MOS, conclui-se que o algoritmo Skip-HoVe entregou
vídeos em tempo real com perdas de quadros com qualidade acima de regular (valor MOS de 5
e 4). Ao mesmo tempo, os demais algoritmos de handover entregaram vídeos com perdas de
quadros entre regular e péssimo (valor MOS variando entre 1 e 3).
Isso ocorre, porque cenários de VANET ultradensa acarretam handover frequentes e
efeito ping-pong, aumentando, assim, as perdas de pacotes, especialmente de quadros de vídeo
mais importantes, resultando em um MOS ruim. Nesse contexto, o algoritmo selecionou uma
célula candidata confiável, direcionada a conexão de um veículo e, portanto, baixou o conteúdo
do vídeo considerando várias métricas associadas a uma decisão de entrega baseada em handover.
Por outro lado, os demais algoritmos como o NC-Skipping, o SER, SINR-based e o PGBT não
consideram decisões baseadas em handover eficientemente, junto com informações de QoE e
QoS. Portanto, os resultados do MOS apresentam melhorias significativas no nível de qualidade
do vídeo entregue, utilizando o algoritmo Skip-HoVe, comparado com os dos outros algoritmos
de handover.
A Figura 16, apresenta a taxa de perda de Quadros I dos vídeos entregues pelos algoritmos
de handover considerados, os quais ajudam a explicar os resultados de QoE. A disseminação de
6 Vídeos das avaliações MOS usados na transmissão em VANETs - http://bit.ly/3aorpoG
Figura 15 – MOS para vídeos entregues por diferentes algoritmos de handover
vídeo em tempo real requer baixa perda de quadro, especialmente dos quadros de vídeo mais
importantes, ou seja, quadros I, para que haja a possibilidade de suportar a disseminação de
vídeo com suporte a QoE (ARGYRIOU et al., 2017). A perda de um quadro I causa distorções
graves de vídeo com base na perspectiva do usuário, uma vez que a qualidade do vídeo é
recuperada apenas quando o decodificador recebe um quadro I intacto. Com base nos resultados
da simulação, conclui-se que Skip-HoVe reduziu as perdas de quadros I em aproximadamente
94% em comparação com demais algoritmos de handover O algoritmo transmitiu quadros
prioritários com alta probabilidade de entrega, comparados com os dos outros algoritmos de
handover avaliados, aumentando o nível de qualidade do vídeo. Por outro lado, os demais
algoritmos entregaram quadros I com taxa de perda que varia de 60% a 80%, independentemente
do número de veículos no cenário, fazendo com que o vídeo gaste mais tempo para recuperar a
QoE.
Figura 16 – Taxa de perda de Quadros I para vídeos entregues por diferentes algoritmos de han-
dover
Foram selecionados quadros aleatórios (por exemplo, o 683o quadro) da sequência do

vídeo Highway, possuindo valores de MOS mais altos conforme pode-se notar nas Figuras 17
(b),(d),(e),(f) e (g) e mais baixos representado pelas Figuras 17 (c),(h),(i),(j) e (k) para cada
algorítimo de handover, a fim de demonstrar o impacto da decisão de entrega executada e
fundamentada na perspectiva do usuário, como mostra a representação geral da Figura 17.

Especificamente, o 683o quadro da sequência do vídeo da rodovia é um quadro P
recuperado por uma câmera em um carro transitando em uma rodovia com outro carro preto na
faixa esquerda da mesma, como se observa na Figura 17 (a).
Nos dois casos, vídeos com valores MOS mais altos e mais baixos são apresentados.
Logo, o quadro entregue pelo algoritmo Skip-HoVe tem a mesma qualidade do quadro original
(Figura 17 (b) e Figura 17 (g)), a qual mostra claramente os benefícios do algoritmo Skip-
HoVe para a entrega de vídeo em um cenário de VANET ultradensa. Em contraponto, o 683o
quadro do vídeo com o valor MOS mais alto, transmitido pelos demais algoritmos de handover
apresenta distorções mínimas comparado com o quadro original. Entretanto, o carro preto na
faixa esquerda não aparece, pois esse quadro foi perdido e reconstruído com base no que foi
recebido anteriormente. O algoritmos de handover Skip-HoVe, NC-Skipping, SER, SINR e
PGBT entregaram o vídeo com uma taxa de perda de quadros I de 4,48%, 97,03%, 98,51%,
13,43% e 97,01%, respectivamente.
Por fim, para o vídeo com valor MOS mais baixo, o quadro transmitido pelos algoritmos
de handover NC-Skipping, SER, SINR e PGBT, ficou muito prejudicado, comparando com o
quadro original,
pois ele foi perdido e ficou impossível reconstruí-lo com quadros recebidos anteriormente,
impedindo a visualização com qualidade em sua imagem. Portanto, o vídeo com valor MOS
mais baixo fornecido pelos algoritmos de handover Skip-HoVe, NC-Skipping, SER, SINR e
PGBT apresentou uma taxa de perda de quadros I de 19,4%, 100%, 100%, 16,19% e 100%,
respectivamente.
Observe que, mesmo nos melhores casos, os vídeos geralmente não são classificados com
a melhor pontuação. Isso ocorre porque a resolução do vídeo original já encontra-se limitada.
Como mencionado anteriormente, a ausência de um quadro I, acarreta graves distorções de vídeo,
fundamentadas, assim, na perspectiva do usuário, uma vez que a QoE recupera-se apenas quando
o decodificador recebe um quadro I intacto. Como os quadros I contêm a maior quantidade
de informações para a imagem e, como os vídeos foram reconstruídos usando o método de
cópia de quadro, os algoritmos NC-Skipping, SER e PBGT apenas reconstroem a imagem com
as informações que mudam de um quadro para o outro, diminuindo a QoE. Portanto, pode-se
concluir que o Skip-HoVe apresenta um bom desempenho, visando fornecer vídeos com a
excelente qualidade, comparado com os demais algoritmos de handover analisados.
As Figuras 18 e 19 exibem o resultado da SSIM de cada quadro que compõe as sequências
do vídeo da rodovia transmitidas pelos algoritmos de handover avaliados, ajudando a explicar
os resultados da Figura 17. Ao analisar os resultados, observa-se que o algoritmo Skip-HoVe
forneceu decisões de handover rápidas e confiáveis para os veículos baixarem o vídeo nos dois
casos, isto é, o algoritmo Skip-HoVe entregou quase todos os quadros com SSIM próxima a 1
Figura 17 – Comparativo do 683o quadro do vídeo transmitido por diferentes algoritmos de han-
dover
e acima de 0,8 . Para o vídeo com o valor MOS mais alto, os demais algoritmos de handover
começaram com uma conexão ruim (SSIM < 0,7). Após algumas decisões de handover, esses
algoritmos aumentaram a SSIM para 0,9, porém ela diminuiu posteriormente. Finalmente, os
algoritmos de handover entregaram os quadros com SSIM de 0,3 a 0,7 para o vídeo com o
valor MOS mais baixo. Isso ocorre porque estes algoritmos experimentam muitos handover,
especialmente com o efeito ping-pong que piora a QoE dos vídeos entregues.
Para o gráfico da Figura 18, os algoritmos Skip-HoVe, NC-Skipping, SER, SINR-based
e PGBT tiveram resultados de 25, 7, 35, 25 e 2 em suas handovers, sendo 5, 2, 13, 7 e 0
consideradas handover com o efeito ping-pong, respectivamente. Além disso, os algoritmos
já existentes não consideram várias métricas associadas à uma decisão de entrega baseada em
handover executá-las confiavelmente. Isto posto, observa-se que o algoritmo Skip-HoVe é o
único capaz de fornecer uma experiência perfeita, sem quedas de QoE nos cenários avaliados,
fornecendo os pacotes essenciais e garantindo alta fidelidade à sequência de vídeo original.
A Figura 20 apresenta o número de handovers executados durante a simulação por cada
algoritmo. Observa-se que ao realizar a menor quantidade de handover não é necessariamente a
Figura 18 – Valor MOS - Alto
Figura 19 – Valor MOS - Baixo
melhor abordagem, pois o algorítimo PBGT fornece vídeos com QoE ruim sem quase realizar
handover. Em contrapartida, a técnica de handover empregada pelo NC-Skipping é ineficiente
em fornecer QoE aceitável, sem uma decisão de vários critérios. O SER tem uma decisão de
handover com reconhecimento de QoE, porém, não considera o esquema baseado em handover,
acumulando, assim, em do alto número desse processo. O SINR, por outro lado, efetua menos
handover que Skip-HoVe, mas é altamente suscetível à ocorrência do efeito ping-pong. Curiosa-
mente, isso faz com que o SINR, obtenha resultados semelhantes aos do SER, mostrando, então,
o impacto significativo de handover frequentes, mesmo na decisão baseada em QoE do SER.
Finalmente, pode-se ver que, embora o NC-Skipping e o Skip-HoVe realizem aproximadamente
a mesma quantidade de handover, o NC-Skipping falha ao fornecer níveis aceitáveis de o QoE e
a QoS.
Figura 20 – Número de handover executadas por diferentes algoritmos de handover.
A Figura 21 mostra a taxa de handover com efeito ping-pong, para os algoritmos de

Skip-HoVe, NC-Skipping, SER, SINR-based e PGBT. É essencial destacar que o handover com
o efeito ping-pong, é considerado quando o usuário sai de uma célula e retorna para dentro dela
depois de 4 segundos. Analisando os resultados, conclui-se que o algoritmo Skip-HoVe mantém
a taxa de ping-pong em torno de 2% devido à sua ótima política decisória de conseguir evitar este
efeito. Como mencionado anteriormente, o algoritmo PBGT realiza uma quantidade menor de
handovers e, consequentemente,apresenta menor probabilidade de acontecer o efeito ping-pong
dentro da janela considerada. Em contrapartida,
este efeito acontece mais frequentemente com os algoritmos NC-Skipping, SER e SINR-
based por estes não terem uma barreira transparente contra ele. Mesmo com um mecanismo
de handover, esses algoritmos não estão associados a uma estratégia de múltiplos critérios,
tornando-se suscetíveis ao efeito ping-pong.
A Tabela 5 resume os resultados experimentais obtidos, por cada um dos algoritmos de
handover para o caso de um vídeo mostrado aleatoriamente. Observa-se que, em termos de QoE,
o Skip-HoVe obteve a pontuação MOS mais alta entre todos os algoritmos avaliados, seguido
por SINR-based, PBGT, SER e NC-Skipping, respectivamente. O algoritmo Skip-HoVe executa
decisão baseada em QoE, porém apenas ele suporta as particularidades de redes ultradensas,
tais como a grande quantidade de células. Em média, o Skip-HoVe realizou menos handover,
que os demais algoritmos, com exceção do PBGT, no qual os veículos saíram apenas de uma
macrocélula para outra.
Skip-HoVe NC-Skipping SER SINR-based PBGT

35
30
Ping-Pong Handovers
25
20
15
10
0
Skip-HoVe NC-Skipping SER RSSI-based PBGT
Figura 21 – Taxa de handover com efeito ping-pong por diferentes algoritmos de handover.
Analisando os resultados do algoritmo Skip-HoVe, das 38 conexões possíveis, o algoritmo

realizou apenas 8 handovers, enquanto eram avaliadas para manter uma alta QoE. O NC-Skipping,
efetua quase a mesma quantidade de handover que o Skip-HoVe, porém ele falha em manter
QoE e QoS aceitáveis. No caso do SER, o algoritmo é muito sensível às flutuações na QoE,
executando, portanto, um grande número de desconexões e handover com efeito de ping-pong, e
ainda, uma alta taxa de perda de quadros I. O algoritmo SINR, por outro lado, é muito sensível às
flutuações aleatórias de sinal. Acerca de tal algoritmo, quando um nó está em áreas de cobertura
sobrepostas, os handovers são muito frequentes. Já o algoritmo PBGT é menos sensível às
flutuações e geralmente prefere macrocélulas. No que diz respeito a esse algoritmo, as duas
macrocélulas que o veículo atravessou acionaram uma conexão. Portanto, o algoritmo Skip-HoVe
evita handovers desnecessárias e oferece uma experiência perfeita para os usuários finais.
Tabela 5 – Resumo de resultados para um veículo no cenário.
Número de Ping-Pong Taxa de perda Pequenas Macro

# Algoritmo MOS
Handovers Handovers do Quadro I Células Células
01 Skip-HoVe 8 8 0 5% 38 2
02 NC-Skipping 1 10 3 66% 44 1
03 SER 1 36 21 64% 43 1
04 SINR-based 2 25 13 67% 43 2
05 PBGT 2 2 0 67% 49 2

Este Capítulo discutiu a metodologia de avaliação, na qual foi implementado o algoritmos
Skip-HoVe na arquitetura do simulador NS-3, junto com a versão implementada na pilha de
protocolos LTE para comunicação V2V eV2I. Foi discutida a descrição do cenário de VANET ul-
tradensa representado pelos dados coletados pela fonte trace na área da Baía de São Francisco,nos
EUA, devido à sua relação direta com o mundo real. Um vídeo com níveis de complexidade
moderada (sequência de vídeo Highway), em termos de movimento e complexidade espacial,
foi aplicado nas simulação. Enfim, nas simulações foram utilizados parâmetros e métricas para
avaliar o desempenho de diferentes algoritmos de handover destinados à distribuição de vídeo
em um cenário de VANET ultradensa.
71
6 CONSIDERAÇÕES FINAIS
Este capítulo se baseia na conclusão geral desta Tese e discute as conduções para futuras
pesquisas. O objetivo é destacar as principais contribuições e apontar inúmeras direções possíveis
para prosseguir com a pesquisa. Será exposto primeiro as conclusões da tese na Seção 6.1. Em
seguida, na Seção 6.2, será exibido as diretrizes futuras deste trabalho. Finalmente, na Seção 6.3,
será apresentado a publicação relacionada e a complementar à esta Tese.
6.1 Conclusões Gerais

Nesta pesquisa foi realizada uma abordagem geral sobre um novo algoritmo baseado
em handover, o qual possui vários critérios para distribuição de vídeo em cenários de VANET
ultradensas, chamado Skip-HoVe. Tal algoritmo fornece decisões de handover ininterruptas,
acoplando uma técnica de decisão de entrega com vários critérios para melhorar a QoE das
transmissões de vídeo e reduzir as taxas de efeito ping-pong. Isto posto, o algoritmo Skip-HoVe,
também, considera o modelo ARIMA para previsão de mobilidade do veículo, a PDR como
critério de QoS, uma estimativa híbrida de QoE como parâmetro de QoE e o RSRQ como
parâmetro de rádio.
Logo, acerca da decisão de entrega, o algoritmo Skip-HoVe calcula o nível de qualidade
de cada célula para selecionar uma que seja a mais apropriada para realizar uma conexão com o
veículo, considerando que o AHP atribui diferentes graus de importância no que diz respeito a
cada critério. Sendo assim, por meio dessas abordagens, o algoritmo Skip-HoVe evita handover
desnecessários e oferece uma experiência perfeita para os usuários finais. A análise de avaliação
de desempenho apresentada revelou que o algoritmo Skip-HoVe melhorou a entrega de vídeo em
até 14% na métrica SSIM , comparado com os algoritmos NC-Skipping, SER, SINR-based e
PBGT, e os resultados do MOS mostraram uma avaliação subjetiva até 30% superior, enquanto
mantinha a taxa de efeito ping-pong menor que 2%.
Outrossim, com a finalidade de garantir a disseminação de vídeo com QoE satisfatória
em cenários de VANETs ultradensas, os resultados da simulação mostraram a superioridade
e eficiência do algoritmo Skip-HoVe, comparado com os demais algoritmos analisados. Além
disso, os resultado obtidos através de experimentos em cenários de VANETs demonstram que o
algoritmo de handover Skip-Hove é capaz de oferecer uma solução escalável e leve ao promover a
disseminação inteligente de conteúdo multimídia em tempo real através do uso dos componentes
incorporados a ele, tais como a predição de mobilidade, a QoS, a QoE e os que resultem em
decisões de handover entre células com maior confiabilidade e menor frequência, que é o
principal desafio em redes veiculares ultradensas, respondendo, assim, à questão principal da
pesquisa.
Capítulo 6. Considerações Finais 72
6.2 Trabalhos Futuros

Com relação aos trabalhos futuros, serão realizadas novas avaliações com objetivo de
estender o Skip-HoVe nas seguintes direções:
1. Ampliar a técnica de previsão de mobilidade e integrar o algoritmo de handover para

todos os usuários da rede; além de, analisar e correlacionar os padrões de mobilidade de
vários usuários, a fim de prever o congestionamento da área e executar o descarregamento
eficiente de células e serviços de borda.
2. Avaliar o algoritmo Skip-HoVe com outros formatos de vídeo (HD, FHD, FUHD) aplicados
em redes móveis, tanto para vídeos sob demanda quanto para vídeos em tempo real.
3. Usar outros métodos aplicado à inteligencia artificial (por exemplo, Lógica Fuzzy (difusa
ou nebulosa), Computação Evolutiva, Redes Neurais Artificiais, Teoria do Aprendizado,
Métodos Estatísticos e Algoritmos Genéticos (evolutivos).
4. Usar AHP agregado a outros parâmetros como, por exemplo, tipo de veículo, histórico
de dirigibilidade, velocidade e trajeto do veículo, carga de rede e intensidade do sinal das
BSs.
5. Um aspecto interessante a ser avaliado é o paralelismo do algoritmo Skip-Hove, au-

mentando o seu desempenho em cenários de mobilidade com uma densidade maior de
veículos.
6. Realizar um estudo da variação do tamanho do GoP, da paquetização e do nível de

complexidade em diferentes vídeos.
7. Por fim, projetar soluções integradas nas quais os aplicativos possam se beneficiar do
algoritmo Skip-HoVe e avaliar seu melhor desempenho.
6.3 Trabalhos Acadêmicos Publicados

O principal resultado obtido nesta Tese de Doutorado foi publicado no evento da Com-
puter Networks que é uma revista internacional com cobertura completa de todos os tópicos de
interesse para os envolvidos na área de Redes de Computadores.
• A. Costa, L. Pacheco, D. Rosário, L. Villas, A. Loureiro, S. Sargento e E. Cerqueira,

"Skipping-based Handover Algorithm for Video Distribution Over Ultra-Dense VANET.
Computer Networks1 . Volume 176, 20 July 2020, DOI: 101016.
1 https://doi.org/10.1016/j.comnet.2020.107252
Capítulo 6. Considerações Finais 73
Outro resultado complementar a esta Tese de Doutorado, foi a publicação internacional

no International Journal of Distributed Sensor Networks (IJDSN) que é um periódico indexado
pela Journal Citation Reports (JCR) e revisado por grupos de pesquisadores que se concentram
na pesquisa aplicada e na computação de alto desempenho.
• P. Bezerra, A. Costa, A. Melo, H. Santos, D. Rosário, E. Cerqueira, "A collaborative routing

protocol for video streaming with fog computing in vehicular ad hoc networks.2 "Em
International Journal of Distributed Sensor Networks [IJDSN]. 2019. Volume: 15 issue: 3.
DOI: 101177.
2 https://doi.org/10.1177/1550147719832839
74
REFERÊNCIAS
3GPP. Evolved universal terrestrial radio access (e-utra); radio resource control (rrc); protocol
specification. 3GPP TS 36.331 V9.4.0 (2010-09), Evolved Universal Terrestrial Radio Access
(E-UTRA);Radio Resource Control (RRC);Protocol specification(Release 9), 2011.
ACCESS, E. U. T. R. Study on Small Cell Enhancements for E-UTRA and E-

UTRAN—Higher layer aspects (Release 12),”. [S.l.]: May, 2013.
ALJERI, N.; BOUKERCHE, A. Movement prediction models for vehicular networks: an

empirical analysis. Wireless Networks, Springer, v. 25, n. 4, p. 1505–1518, 2019.
ALJERI, N.; BOUKERCHE, A. A two-tier machine learning-based handover management

scheme for intelligent vehicular networks. Ad Hoc Networks, Elsevier, v. 94, p. 101930, 2019.
ARGYRIOU, A. et al. Video delivery in dense 5g cellular networks. IEEE Network, v. 31, p.
28–34, 2017.
ARSHAD, R. et al. Handover management in 5g and beyond: A topology aware skipping

approach. IEEE Access, IEEE, v. 4, p. 9073–9081, 2016.
ARSHAD, R. et al. Velocity-aware handover management in two-tier cellular networks. IEEE

Transactions on Wireless Communications, IEEE, v. 16, n. 3, p. 1851–1867, 2017.
BACCELLI, F.; BŁASZCZYSZYN, B. On a coverage process ranging from the boolean model
to the poisson–voronoi tessellation with applications to wireless communications. Advances in
Applied Probability, Cambridge University Press, v. 33, n. 2, p. 293–323, 2001.
BEYRANVAND, H. et al. Toward 5g: Fiwi enhanced lte-a hetnets with reliable low-latency
fiber backhaul sharing and wifi offloading. IEEE/ACM Transactions on Networking, IEEE,
v. 25, n. 2, p. 690–707, 2017.
BRUNELLI, M. Introduction to the analytic hierarchy process. [S.l.]: Springer, 2014.
BUI, N. et al. A Survey of Anticipatory Mobile Networking: Context-Based Classification,

Prediction Methodologies, and Optimization Techniques. IEEE Communications Surveys
and Tutorials, v. 19, n. 3, p. 1790–1821, 2017. ISSN 1553877X.
CERQUEIRA, E. et al. Multimedia human-centric networking: Concepts, technologies and

trends. SBC, 2014.
CHEN, J. et al. Qoe-aware intelligent vertical handoff scheme over heterogeneous wireless
access networks. IEEE Access, IEEE, v. 6, p. 38285–38293, 2018.
CHEN, K.-T.; TU, C.-C.; XIAO, W.-C. Oneclick - a framework for measuring network quality
of experience. p. 702–710, 2009.
CHEN, Q.; JIN, Y.; YANG, T. A supervised no-reference qoe assessment model on iptv services.
In: IEEE. 2016 4th International Conference on Cloud Computing and Intelligence
Systems (CCIS). [S.l.], 2016. p. 272–277.
CHO, S.-G. et al. Image quality evaluation: Jpeg 2000 versus intra-only h. 264/avc high profile.
Facta universitatis-series: Electronics and Energetics, v. 20, n. 1, p. 71–83, 2007.
Referências 75
COSTA, A. et al. Skipping-based handover algorithm for video distribution over ultra-dense
vanet. p. 1–9, 2020.
COSTA, A. et al. Qoe-based packet dropper controllers for multimedia streaming in wimax
networks. In: Proceedings of the 6th Latin America Networking Conference. [S.l.: s.n.],
2011. p. 12–19.
DEMARCHOU, E.; PSOMAS, C.; KRIKIDIS, I. Mobility Management in Ultra-Dense
Networks: Handover Skipping Techniques. IEEE Access, IEEE, v. 6, p. 11921–11930, 2018.
ISSN 21693536.
DÍAZ, C. et al. Xlr (pixel loss rate): a lightweight indicator to measure video qoe in ip networks.
IEEE Transactions on Network and Service Management, IEEE, 2020.
FELICE, M. D. et al. A distributed beaconless routing protocol for real-time video dissemination
in multimedia vanets. Computer communications, Elsevier, v. 58, p. 40–52, 2015.
GHAREEB, M.; VIHO, C. Hybrid qoe assessment is well-suited for multiple description coding
video streaming in overlay networks. In: IEEE. 2010 8th Annual Communication Networks
and Services Research Conference. [S.l.], 2010. p. 327–333.
GONG, F. et al. Cross-tier handover decision optimization with stochastic based analytical
results for 5g heterogeneous ultra-dense networks. In: IEEE. IEEE International Conference
on Communications Workshops. [S.l.], 2018. p. 1–6.
GREENGRASS, J.; EVANS, J.; BEGEN, A. C. Not All Packets are Equal, Part 2: The Impact
of Network Packet Loss on Video Quality. IEEE Internet Computing, IEEE, v. 13, n. 2, p.
74–82, 2009.
GUAN, X. et al. Mobility aware partition of mec regions in wireless metropolitan area networks.
In: IEEE. IEEE Conference on Computer Communications Workshops (INFOCOM
Workshop). [S.l.], 2018. p. 1–2.
HUSIĆ, J. B.; BARAKOVIĆ, S.; OSMANOVIĆ, I. Subjective and objective qoe measurement
for h. 265/hevc video streaming over lte. In: SPRINGER. International Symposium on
Innovative and Interdisciplinary Applications of Advanced Technologies. [S.l.], 2019. p.
428–441.
ITU, I.-T. R. G. . Reference guide to quality of experience assessment methodologies,. ITU-T,
2010.
ITU-T, R.; RECOMMEND, I. P. 800. Methods for subjective determination of transmission
quality, 1996.
JI, H. et al. Ultra-reliable and low-latency communications in 5g downlink: Physical layer
aspects. IEEE Wireless Communications, IEEE, v. 25, n. 3, p. 124–130, 2018.
KOTEVSKI, Z.; MITREVSKI, P. Performance assessment of metrics for video quality
estimation. In: Proc. Int. Sci. Conf. Inf. Commun. Energy Syst. Technol.(ICEST). [S.l.:
s.n.], 2010. v. 1, p. 693–696.
KURJENNIEMI, J.; HENTTONEN, T.; KAIKKONEN, J. Suitability of rsrq measurement for
quality based inter-frequency handover in lte. In: IEEE. 2008 IEEE International Symposium
on Wireless Communication Systems. [S.l.], 2008. p. 703–707.
Referências 76
LARRANAGA C, A. et al. The impact of compression in breast malignant tumor images and an
ad hoc compressor proposal. Recent Advances in Information Science, 2016.
LEE, Y. et al. Effects of time-to-trigger parameter on handover performance in son-based lte
systems. In: IEEE. 2010 16th Asia-Pacific Conference on Communications (APCC). [S.l.],
2010. p. 492–496.
LIOTOU, E. et al. Quality of experience management in mobile cellular networks: key issues
and design challenges. IEEE Communications Magazine, IEEE, v. 53, n. 7, p. 145–153, 2015.
LIU, Q. et al. A fuzzy-clustering based approach for madm handover in 5g ultra-dense networks.
Wireless Networks, Springer, p. 1–14, 2019.
LUO, G. et al. Cooperative vehicular content distribution in edge computing assisted 5G-VANET.
China Communications, China Institute of Communications, v. 15, n. 7, p. 1–17, 2018. ISSN
16735447.
MEDEIROS, I. et al. Handover ciente de qualidade de experiência e qualidade de serviço
para transmissão de vídeo em redes heterogêneas. In: SBC. Anais do XXIII Workshop de
Gerência e Operação de Redes e Serviços. [S.l.], 2018.
MEDEIROS, I. et al. Quality of experience and quality of service-aware handover for video
transmission in heterogeneous networks. International Journal of Network Management,
Wiley Online Library, p. e2064, 2018.
MOHAMED, A. et al. Mobility prediction for handover management in cellular networks with
control/data separation. In: IEEE. 2015 IEEE International Conference on Communications
(ICC). [S.l.], 2015. p. 3939–3944.
MOHAMMADNIA, F. et al. Mobile small cells for adaptive ran densification: Preliminary
throughput results. In: IEEE. 2019 IEEE Wireless Communications and Networking
Conference (WCNC). [S.l.], 2019. p. 1–7.
MONTGOMERY, C. et al. Xiph. org video test media (derf’s collection), the xiph open source
community, https://media.xiph.org/video/derf, 1994. fev. 2020.
MURUDKAR, C. V.; GITLIN, R. D. Qoe-driven anomaly detection in self-organizing mobile
networks using machine learning. In: IEEE. 2019 Wireless Telecommunications Symposium
(WTS). [S.l.], 2019. p. 1–5.
NAGIN, K. et al. Estimating client qoe from measured network qos. In: Proceedings of the
12th ACM International Conference on Systems and Storage. [S.l.: s.n.], 2019. p. 188–188.
NDASHIMYE, E. et al. Vehicle-to-infrastructure communication over multi-tier heterogeneous
networks: A survey. Computer networks, Elsevier, v. 112, p. 144–166, 2017.
NIGHTINGALE, J. et al. 5g-qoe: Qoe modelling for ultra-hd video streaming in 5g networks.
IEEE Transactions on Broadcasting, IEEE, v. 64, n. 2, p. 621–634, 2018.
NOIRIE, L. et al. Semantic networking: Flow-based, traffic-aware, and self-managed networking.
Bell Labs Technical Journal, Wiley Online Library, v. 14, n. 2, p. 23–38, 2009.
PACHECO, L. et al. A handover algorithm for video sharing over vehicular networks. In: IEEE.
anais do 9th Latin-American Symposium on Dependable Computing (LADC). [S.l.], 2019.
p. 1–9.
Referências 77
PIORKOWSKI, M.; SARAFIJANOVIC-DJUKIC, N.; GROSSGLAUSER, M. CRAWDAD

dataset epfl/mobility (v. 2009-02-24). 2009. Downloaded from <https://crawdad.org/epfl/
mobility/20090224>.
QUADROS, C. et al. A qoe-aware reinforcement approach to disseminate warning videos on

lte-vanets. In: SBC. Anais do XXXV Simpósio Brasileiro de Redes de Computadores e
Sistemas Distribuídos. [S.l.], 2017.
RECOMMENDATION, G. 1011. reference guide to quality of experience assessment

methodologies. 2013.
ROSÁRIO, D. et al. A qoe handover architecture for converged heterogeneous wireless networks.
Wireless networks, Springer, v. 19, n. 8, p. 2005–2020, 2013.
ROSÁRIO, D. et al. Trends in human-centric multimedia networking scenarios. In: IEEE. 2016
Mediterranean Ad Hoc Networking Workshop (Med-Hoc-Net). [S.l.], 2016. p. 1–5.
RUBIO, L.; REIG, J.; CARDONA, N. Evaluation of nakagami fading behaviour based
on measurements in urban scenarios. AEU-International Journal of Electronics and
Communications, Elsevier, v. 61, n. 2, p. 135–138, 2007.
SAATY, T. L. Analytic hierarchy process. Encyclopedia of Biostatistics, Wiley Online Library,

v. 1, 2005.
SAATY, T. L. Decision making with the analytic hierarchy process. International journal of
services sciences, v. 1, n. 1, p. 83–98, 2008.
SARGENTO, S. et al. Method and apparatus for multi-network communication in vehicular

networks. US Patent US9439121 B2, 2016.
SHAH, S. A. A. et al. 5G for Vehicular Communications. IEEE Communications Magazine,

v. 56, n. 1, p. 111–117, 2018. ISSN 01636804.
SILVA, K. D. C.; BECVAR, Z.; FRANCES, C. R. L. Adaptive hysteresis margin based on fuzzy
logic for handover in mobile networks with dense small cells. IEEE Access, IEEE, v. 6, p.
17178–17189, 2018.
SUNG, M. et al. Realistic sonar image simulation using generative adversarial network.
IFAC-PapersOnLine, Elsevier, v. 52, n. 21, p. 291–296, 2019.
TARTARINI, L. et al. Software-defined handover decision engine for heterogeneous cloud radio
access networks. Computer Communications;, v. 115, p. 21 – 34, 2018. ISSN 0140-3664.
THAKUR, P.; GANPATI, A. Survey on handover techniques in vanets. 2019.
UNION, I. Itu-t recommendation p. 800.1: Mean opinion score (mos) terminology.

International Telecommunication Union, Tech. Rep, 2006.
WANG, T.; WANG, P.; LIU, B. Research on cross-layer routing protocol in vanet under urban
environment. Computer Engineering, n. 11, p. 11, 2017.
XU, X. et al. Delay-Oriented Cross-Tier Handover Optimization in Ultra-Dense Heterogeneous

Networks. IEEE Access, IEEE, v. 7, p. 21769–21776, 2019. ISSN 21693536.
Referências 78
YILMAZ, G. N. Depth perception prediction of 3d video qoe for future internet services. In:
IEEE. 2018 International Conference on Information Networking (ICOIN). [S.l.], 2018. p.
146–149.
ZHANG, D. et al. Aht: Application-based handover triggering for saving energy in cellular
networks. In: IEEE. 2018 15th Annual IEEE International Conference on Sensing,
Communication, and Networking (SECON). [S.l.], 2018. p. 1–9.
ZHENG, K. et al. Quality-of-experience assessment and its application to video services in lte
networks. IEEE Wireless Communications, IEEE, v. 22, n. 1, p. 70–78, 2015.
Apêndices A - Código Desenvolvido
Allan Douglas Bento da Costa
INFORMAÇÕES
O algorítimo Skip-HoVe foi desenvolvido na linguagem GNU Bash é um

interpretador de comandos. o Bash é uma evolução retro-compatível muito
mais interativa do Bourne Shell (sh). Os shells Bourne permitem a execução de
sequências de comandos inseridos diretamente na linha de comandos ("prompt")
ou ainda lidos de arquivos de texto conhecidos como shell scripts. O algoritmo
Skip HoVe foi implementado na arquitetura do Network simulator (NS), versão
3.291 e está disponível para download no Github2 . Cabe registrar que na res-
pectiva versão está implementada a pilha de protocolos LTE para comunicação
V2V e V2I. Um cenário de VANET ultradensa foi considerada na simulação,
juntamente com o pacote 3GPP LTE release 13, observando uma área de 2km
x 2km com 7 macrocélulas que cobrem todo o cenário até certo ponto e 100
células pequenas distribuídas por toda área. Os principais parâmetros de simu-
lação. Abaixo, segue o script de execução das simulações recorrentes durante a
gerações de resultados.
1 Código de Programação em GNU Bash

1 # !/ bin / bash
2 # default values
3 n =1
4 video = " highway "
5 ue_n =60
6 enb_n =100
7
8 dir = $ { PWD ##*/}

9 if [ $dir == " Skip - HoVe " ] ||
10 [ $dir == " NC - Skipping " ] ||
11 [ $dir == " SER " ] ||
12 [ $dir == " SINR - based " ] ||
13 [ $dir == " PGBT " ]
14 then
15 alg = $dir
16 else
17 alg = " Skip - HoVe "
18 fi
19
20 # check if arguments were passed

21 if [ $ # - gt 0 ]
22 then
23 # read command line arguments
24 for i in " $@ "
25 do
26 case $i in
27 -n =*| - - simul - number =*)
28 n = " $ { i #*=} "
29 shift
30 ;;
31 - alg =*| - - algorithm =*)
32 alg = " $ { i #*=} "
33 shift
34 ;;
35 -v =*| - - video =*)
36 video = " $ { i #*=} "
37 shift
38 ;;
39 - uen =*| - - ue - number =*)
40 ue_n = " $ { i #*=} "
41 shift
42 ;;
43 - enbn =*| - - enb - number =*)
44 enb_n = " $ { i #*=} "
45 shift
46 ;;
47 *)
48 ;;
49 esac
50 done
51
52 else
53 # if no arguments , read one by one
54 echo -n " how many times do you wish to run ? "
55 read n
56 echo -n " whats the algorithm used ? "
57 read alg
58 echo -n " Video to be used : "
59 read video
60 fi
61
62 # translate video to id
63 case $video in
64 " highway " )
65 video_id =1;;
66 " container " )
67 video_id =2;;
68 " highway600 " )
69 video_id =3;;
70 " akiyo " )
71 video_id =4;;
72 " masha " )
73 video_id =7;;
74 " babyshark " )
75 video_id =8;;
76 " despacito " )
77 video_id =9;;
78 *)
79 exit 1
80 esac
81
82 # change id in file
83 sed -i " s /$# define video $ [0 -9]/\1 $video_id / g " scratch /
v2x_3gpp_small . cc
84 sed -i " s /$ node_ue = $ [0 -9]\{ ,3\}/\1 $ue_n / g " scratch /
v2x_3gpp_small . cc
85 sed -i " s /$ low_power = $ [0 -9]\{ ,3\}/\1 $enb_n / g " scratch /
v2x_3gpp_small . cc
86
87
88 [ -d $ { alg } _$ { enb_n } ] || mkdir $ { alg } _$ { enb_n }

89
90 for i in $ ( seq 1 $n )
91 do
92 echo " running for seed value $ { i }. "
93 echo " outputing to file : log_$ { alg } _$ { i } "
94
95 echo " Configuring for : " | tee log_$ { alg } _$ { i }

96 echo " n = $ { n } " | tee -a log_$ { alg } _$ { i }
97 echo " video = $ { video } " | tee -a log_$ { alg } _$ { i }
98 echo " ue_n = $ { ue_n } " | tee -a log_$ { alg } _$ { i }
99 echo " enb_n = $ { enb_n } " | tee -a log_$ { alg } _$ { i }
100 echo " alg = $ { alg } " | tee -a log_$ { alg } _$ { i }
101 echo
102
103 # run simulation

104 ./ waf configure >> log_$ { alg } _$ { i } 2 >&1
105 echo " configuration left with status $ {?} "
106 echo
107
108 time ./ waf -- run " scratch / v2x_3gpp_small -- handoverAlg =

$alg -- seedValue = $i " >> log_$ { alg } _$ { i } 2 >&1
109 echo " simulation left with status $ {?} "
110 mkdir -p $ { alg } _$ { enb_n }/ simul$ { i }
111 mv v2x_temp log_$ { alg } _$ { i } $ { alg } _$ { enb_n }/ simul$i
112 done
Listing 1: Código Fonte em GNU Bash
Apêndices B - Código Desenvolvido
Allan Douglas Bento da Costa
INFORMAÇÕES
O algorítimo Skip-HoVe foi desenvolvido na linguagem de programação C,

seu uso é de propósito geral, estruturada, imperativa, procedural, padronizada
pela ISO. O algoritmo Skip HoVe foi implementado na arquitetura do Network
simulator (NS), versão 3.291 e está disponível para download no Github2 . Cabe
registrar que na respectiva versão está implementada a pilha de protocolos LTE
para comunicação V2V e V2I. Um cenário de VANET ultradensa foi conside-
rada na simulação, juntamente com o pacote 3GPP LTE release 13, observando
uma área de 2km x 2km com 7 macrocélulas que cobrem todo o cenário até
certo ponto e 100 células pequenas distribuídas por toda área. Os principais
parâmetros de simulação. Abaixo, segue o principal código desenvolvido (existe
outros) nas simulações recorrentes durante a gerações de resultados.
1 Código do Algorítimo Skip-Hove

1 # include " ns3 / core - module . h "
2 # include " ns3 / network - module . h "
3 # include " ns3 / internet - module . h "
4 # include " ns3 / mobility - module . h "
5 # include " ns3 / applications - module . h "
6 # include " ns3 / config - store - module . h "
7 # include " ns3 / point - to - point - module . h "
8 # include " ns3 / ipv4 - global - routing - helper . h "
9 # include " ns3 / ipv4 - address . h "
10 # include " ns3 / mobility - model . h "
11 // NetAnim & Evalvid
12 # include " ns3 / netanim - module . h "
13 # include " ns3 / evalvid - client - server - helper . h "
14 // Pacotes LTE
15 # include " ns3 / point - to - point - helper . h "
16 # include " ns3 / lte - helper . h "
17 # include " ns3 / epc - helper . h "
18 # include " ns3 / lte - module . h "
19 # include " ns3 / string . h "
20 # include " ns3 / double . h "
21 # include < ns3 / boolean .h >
22 # include < ns3 / enum .h >
23 # include < iomanip >
24 # include < string >
25 # include < fstream >
26 # include < iostream >
27 # include < vector >
28 # include < stdio .h >
29 # include < stdlib .h >
30 # include < memory >
31 # include < typeinfo >
32 # include < math .h >
33 # define PI 3.14159265
34 # define S IM ULA TIO N_ TIM E_ FOR MA T ( s ) Seconds ( s )
35 # define video 1
36
37 # if video == 1
38 # define video_st " sourceTraces / st_highway_cif . st "
39 # define numberOfFrames 2000
40 # define numberOfPackets 2106
41 # define gop 30
42
43 # elif video == 2
44 # define video_st " sourceTraces / s t _ c o n t a i n e r _ c i f _ h 2 6 4 _ 3 0 0 _ 2 0 .
st "
47 # define gop 20
48
50 # define video_st " sourceTraces / st_highway_600_cif "
53 # define gop 28
54
56 # define video_st " sourceTraces / st _ a ki y o _c i f _h 2 6 4_ 3 0 0_ 1 8 "
59 # define gop 18
60
62 # define video_st " sourceTraces / st_football_cif "
65 # define gop 28
66
68 # define video_st " sourceTraces / s t _m o b i l e _ c i f _h 2 6 4 _ 3 0 0 _ 1 8 "
71 # define gop 28
72
73 # endif
74
75 using namespace ns3 ;

76
77 // do not set this variables , for control only
78 double TxRate = 0;
79 unsigned int handNumber = 0;
80 double qosLastValue = 0;
81 double qoeLastValue = 0;
82 int evalvidId = 0;
83
84 // simulation options
85 bool verbose = true ;
86 double simTime = 2; // simlation time
87 int transmissionStart = 7; // transmission time
88
89 // number of user devices

90 const int node_ue = 100;
91
92 // number os cells of each kind

93 const uint16_t enb_HPN = 2;
94 const uint16_t low_power = 100;
95 const uint16_t hot_spot = 0;
96
97 // tranmission power for cells

98 int hpnTxPower = 46;
99 int lpnTxPower = 23;
100 int hpTxPower = 15;
101 const int node_enb = enb_HPN + low_power + hot_spot ;
102
103 // CBR setting

104 bool useCbr = false ;
105 uint16_t n_cbr = useCbr ? enb_HPN + low_power : 0;
106
107 // topology type

108 bool randomCellAlloc = true ; // random uniform
109 bool rowTopology = false ; // aligned
110
111 // control matrix

112 int cell_ue [ enb_HPN + low_power + hot_spot ][ node_ue ];
113
114 // exp average parameter

115 unsigned int exp_mean_window = 3;
116
117 // variables for metrics computation

118 double qoeSum [ enb_HPN + low_power + hot_spot ];
119 double qosSum [ enb_HPN + low_power + hot_spot ];
120 int qosMetricsIterator [ enb_HPN + low_power + hot_spot ];
121 int qoeMetricsIterator [ enb_HPN + low_power + hot_spot ];
122
123 int framePct [ numberOfFrames + 1];

124 std :: string frameTypeGlobal [ numberOfFrames ];
125 int LastReceivedFrame [ node_ue ];
126 bool receivedFrames [ node_ue ][ numberOfPackets ];
127 bool receivedPackets [ node_ue ][ numberOfPackets ];
128 /*
----------------------------------------------------------------------
*/
129
130 N S_ LO G_ C OM PO N EN T_ DE F IN E ( " v2x_3gpp " ) ;

131
132 /* - - - - - - - - - - - - - - - - - - - - - - - - - NOTIFICACOES DE HANDOVER

- - - - - - - - - - - - - - - - - - - - - - */
133 void N o t i f y C o n n e c t i o n E s t a b l i s h e d U e ( std :: string context ,
134 uint64_t imsi ,
135 uint16_t cellid ,
136 uint16_t rnti )
137 {
138 NS_LOG_DEBUG ( Simulator :: Now () . GetSeconds ()
139 << " " << context << " UE IMSI " << imsi
140 << " : connected to CellId " << cellid << "
with RNTI " << rnti ) ;
141
142 std :: stringstream temp_cell_dir ;

143 std :: stringstream ueId ;
144 temp_cell_dir << " ./ v2x_temp / " << cellid ;
145 ueId << temp_cell_dir . str () << " / " << rnti ;
146 if ( mkdir ( temp_cell_dir . str () . c_str () , S_IRWXU | S_IRWXG
| S_IROTH | S_IXOTH ) != 0)
147 {
148 }
149 std :: ofstream outfile ( ueId . str () . c_str () ) ;
150 outfile << imsi << std :: endl ;
151 outfile . close () ;
152
153 cell_ue [ cellid - 1][ imsi - 1] = rnti ;

154 }
155
156 void Noti fyHan doverS tartUe ( std :: string context ,

157 uint64_t imsi ,
159 uint16_t rnti ,
160 uint16_t targetCellId )
161 {
164 << " : previously connected to CellId " <<
cellid << " with RNTI "
165 << rnti << " , doing handover to CellId " <<
targetCellId ) ;
166
167 cell_ue [ cellid - 1][ imsi - 1] = 0;

168
169 std :: stringstream ueId ;

170 ueId << " ./ v2x_temp / " << cellid << " / " << rnti ;
171 remove ( ueId . str () . c_str () ) ;
172
173 ++ handNumber ;
174 }
175
176 void Noti fyHan doverE ndOkUe ( std :: string context ,

177 uint64_t imsi ,
179 uint16_t rnti )
180 {
183 << " : successful handover to CellId " <<
cellid << " with RNTI "
184 << rnti ) ;
185
186 std :: stringstream target_cell_dir ;

187 std :: stringstream newUeId ;
188 target_cell_dir << " ./ v2x_temp / " << cellid ;
189 newUeId << target_cell_dir . str () << " / " << rnti ;
190 if ( mkdir ( target_cell_dir . str () . c_str () , S_IRWXU |
S_IRWXG | S_IROTH | S_IXOTH ) != 0)
191 {
192 }
193 std :: ofstream outfile ( newUeId . str () . c_str () ) ;
194 outfile << imsi << std :: endl ;
196
197 cell_ue [ cellid - 1][ imsi - 1] = rnti ;

198 }
199
200 void N o t i f y C o n n e c t i o n E s t a b l i s h e d E n b ( std :: string context ,

201 uint64_t imsi ,
203 uint16_t rnti )
204 {
206 << " " << context << " eNB CellId " <<
cellid
207 << " : successful connection of UE with IMSI
" << imsi << " RNTI "
208 << rnti ) ;
209 }
210
211 void No ti fyH an dov er Sta rtE nb ( std :: string context ,

212 uint64_t imsi ,
214 uint16_t rnti ,
215 uint16_t targetCellId )
216 {
cellid
219 << " : start handover of UE with IMSI " <<
imsi << " RNTI "
220 << rnti << " to CellId " << targetCellId ) ;
221 }
222
223 void No ti fyH an dov er End OkE nb ( std :: string context ,

224 uint64_t imsi ,
226 uint16_t rnti )
227 {
cellid
230 << " : completed handover of UE with IMSI "
<< imsi << " RNTI "
231 << rnti ) ;
232 }
233
234 void Ar ra yPo si tio nA llo cat or ( Ptr < ListPositionAllocator >
HpnPosition )
235 {
236 int x , y ;
237 int distance = 1000;
238 std :: ofstream outfile ( " v2x_temp / cellsList " , std :: ios ::
out | std :: ios :: trunc ) ;
239
240 if ( randomCellAlloc )
241 {
242 for ( int i = 0; i < enb_HPN + low_power + hot_spot ;
++ i )
243 {
244 x = rand () % 100;
245 y = rand () % 2000;
246 HpnPosition - > Add ( Vector (x , y , 15) ) ;
247 outfile << i + 1 << " " << x << " " << y << std
:: endl ;
248 }
250 return ;
251 }
252
253 else if ( rowTopology )

254 {
255 int x_start = 700;
256 int y_start = 500;
257 for ( int i = 0; i < enb_HPN + low_power + hot_spot ;
++ i )
258 HpnPosition - > Add ( Vector ( x_start + distance * i ,
y_start , 25) ) ;
259 return ;
260 }
261
262 else
263 {
264 int x_start = 1000;
265 int y_start = 1000;
266
267 HpnPosition - > Add ( Vector ( x_start , y_start , 25) ) ;

268
269 for ( double i = 0; i < 2 * PI ; i += PI / 3)

270 {
271 HpnPosition - > Add ( Vector ( x_start + distance * cos
( i ) , y_start + distance * sin ( i ) , 25) ) ;
272 }
273
274 for ( double i = 0; i < 2 * PI ; i += PI / 3)

275 {
( i ) + rand () % 100 + 10 , y_start + distance *
sin ( i ) + rand () % 100 + 10 , 10) ) ;
( i ) + rand () % 100 + 10 , y_start + distance *
sin ( i ) - rand () % 100 + 10 , 10) ) ;
( i ) + rand () % 100 - 10 , y_start + distance *
sin ( i ) + rand () % 100 + 10 , 10) ) ;
( i ) + rand () % 100 - 10 , y_start + distance *
sin ( i ) - rand () % 100 + 10 , 10) ) ;
280 }
281 }
282 }
283
284 void VideoTraceParse ( std :: string m_videoTraceFileName )

285 {
286 std :: ifstream VideoTraceFile ( m_videoTraceFileName . c_str
() , ios :: in ) ;
287 if ( VideoTraceFile . fail () )
288 {
289 NS_FATAL_ERROR ( " >> EvalvidServer : Error while
opening video trace file : "
290 << m_videoTraceFileName . c_str () ) ;
291 return ;
292 }
293
294 uint32_t frameId ;

295 std :: string frameType ;
296 uint32_t frameSize ;
297 uint16_t numOfUdpPackets ;
298 double sendTime ;
299 uint32_t packet = 0;
300
301 while ( VideoTraceFile >> frameId >> frameType >>

frameSize >> numOfUdpPackets >> sendTime )
302 {
303 framePct [ frameId - 1] = packet + 1;
304 frameTypeGlobal [ frameId - 1] = frameType ;
305 packet += numOfUdpPackets ;
306 }
307 }
308
309 std :: string exec ( const char * cmd )

310 {
311 std :: array < char , 128 > buffer ;
312 std :: string result ;
313 std :: shared_ptr < FILE > pipe ( popen ( cmd , " r " ) , pclose ) ;
314 if (! pipe )
315 throw std :: runtime_error ( " popen () failed ! " ) ;
316 while (! feof ( pipe . get () ) )
317 {
318 if ( fgets ( buffer . data () , 128 , pipe . get () ) != nullptr
)
319 result += buffer . data () ;
320 }
321 return result ;
322 }
323
324 /* ----- C R I A O ARQUIVO COM QOS ’S -------- */

325 void WriteMetrics ()
326 {
327 NS_LOG_DEBUG ( Simulator :: Now () . GetSeconds () << " Segundos
... " ) ;
328 NS_LOG_DEBUG ( " Realizados " << handNumber << " Handover " )
;
329 for ( int i = 0; i < node_enb ; ++ i )
330 {
331 for ( int u = 0; u < node_ue ; ++ u )
332 if ( cell_ue [ i ][ u ])
333 {
334 std :: stringstream rdTrace ;
335 rdTrace << " v2x_temp / rd_a01_ " << u ;
336 std :: ifstream rdFile ( rdTrace . str () ) ;
337 if (! rdFile )
338 {
339 NS_LOG_DEBUG ( " NO FILE TO BE READ " << ’\ n
’) ;
340 return ;
341 }
342 double rdTime ;
343 std :: string id ;
344 int rdPacketId ;
345 string a ;
346 int b ;
347
348 int lastPacket = 0;

349 int counter ;
350 int npackets ;
351
352 while ( rdFile >> rdTime >> id >> rdPacketId

>> a >> b )
353 {
354 receivedPackets [ u ][ rdPacketId - 1] =
true ;
355 lastPacket = rdPacketId ;
356 }
357
358 /* -------- QOS METRIC CALCULATION - - - - - - - - */

359 int nReceived = 0;
360 for ( int j = lastPacket - 60; j <=
lastPacket ; ++ j )
361 {
362 if ( receivedPackets [ u ][ j ])
363 ++ nReceived ;
364 }
365 if ( lastPacket >= 60)
366 {
367 * NS_LOG_INFO ( " Taxa de recebimento , node
" << u << " : "
368 << (( float ) nReceived - 1) / 60) ;*/
369 / NS_LOG_INFO ( " Recebidos " << nReceived
<< " pacotes . " ) ;
370 stringstream qosFilename ;
371 double valorAtualQos = 0;
372 qosFilename << " ./ v2x_temp / qosTorre " <<
i + 1;
373 ifstream qosInFile ( qosFilename . str () ) ;
374 while ( qosInFile >> valorAtualQos )
375 {
376 }
377 ofstream qosOutFile ( qosFilename . str () ,
378 std :: ofstream :: out |
std :: ofstream ::
trunc ) ;
379
380 // C L C U L O DA M D I A EXPONENCIAL
381 qosOutFile << 2 * ((( float ) nReceived -
1) / 60 - valorAtualQos ) / (
exp_mean_window + 1) + valorAtualQos ;
382 NS_LOG_DEBUG ( " NODE " << u << " QOS
ESTIMADO " << 2 * ((( float ) nReceived
- 1) / 60 - valorAtualQos ) / (
exp_mean_window + 1) + valorAtualQos )
;
383
384 CALCULO DE QOS POR M D I A SIMPLES

385 qosSum [ i ] += (( float ) nReceived - 1) /
60;
386 qosMetricsIterator [ i ]++;
387 qosOutFile << qosSum [ i ] /
qosMetricsIterator [ i ];
388 NS_LOG_DEBUG ( " NODE " << u << " QOS
ESTIMADO " << qosSum [ i ] /
qosMetricsIterator [ i ]) ;
389 }
390
391 /** - - - - - - - - - - - - - - - - - - - - - - - - - */
392 /* ----- QOE METRIC CALCULATION - - - - - - - - - - */
393 /* - - - - - - - - - - - - - - - - - - - - - - - - - - */
394
395 framePct [ numberOfFrames ] = numberOfPackets +

1;
396 for ( int j = 0; j < numberOfFrames ; ++ j )
397 {
398 npackets = framePct [ j + 1] - framePct [ j
];
399 counter = 0;
400 if ( framePct [ j ] > lastPacket )
401 {
402 continue ;
403 }
404
405 for ( int k = framePct [ j ]; k < framePct [ j

+ 1]; ++ k )
406 if ( receivedPackets [ u ][ k - 1])
407 {
408 ++ counter ;
409 }
410
411 if ( npackets == counter )

412 {
413 receivedFrames [ u ][ j ] = true ;
414 LastReceivedFrame [ u ] = j + 1;
415 }
416 }
417
418 int lastGop = 0;

419 int IReceived = 0;
420 int ITotal = 0;
421 double ILoss = 0;
422
423 int PReceived = 0;

424 int PTotal = 0;
425 double PLoss = 0;
426
427 int BReceived = 0;

428 int BTotal = 0;
429 double BLoss = 0;
430
431 for ( int j = 0; j < LastReceivedFrame [ u ] /

20; j ++)
432 ++ lastGop ;
433
434 if ( lastGop != 0)
435 {
436 for ( int j = 20 * ( lastGop - 1) ; j <
lastGop * 20 - 1; ++ j )
437 {
438 if ( frameTypeGlobal [ j ]. find ( " I " ) !=
std :: string :: npos ||
frameTypeGlobal [ j ]. find ( " H " ) !=
std :: string :: npos )
439 ++ ITotal ;
440 else if ( frameTypeGlobal [ j ]. find ( " P "
) != std :: string :: npos )
441 ++ PTotal ;
442 else if ( frameTypeGlobal [ j ]. find ( " B "
) != std :: string :: npos )
443 ++ BTotal ;
444
445 if ( receivedFrames [ u ][ j ])
446 {
447 if ( frameTypeGlobal [ j ]. find ( " I " )
!= std :: string :: npos ||
frameTypeGlobal [ j ]. find ( " H " )
!= std :: string :: npos )
448 ++ IReceived ;
449 else if ( frameTypeGlobal [ j ]. find
( " P " ) != std :: string :: npos )
450 ++ PReceived ;
451 else if ( frameTypeGlobal [ j ]. find
( " B " ) != std :: string :: npos )
452 ++ BReceived ;
453 }
454 }
455 ILoss = ITotal != 0 ? (( double ) ITotal -
( double ) IReceived ) * 100 / ( double )
ITotal : 0;
456 PLoss = PTotal != 0 ? (( double ) PTotal -
( double ) PReceived ) * 100 / ( double )
PTotal : 0;
457 BLoss = BTotal != 0 ? (( double ) BTotal -
( double ) BReceived ) * 100 / ( double )
BTotal : 0;
458
459 std :: stringstream cmd ;

460 std :: stringstream qoeFileName ;
461 std :: string qoeResult ;
462
463 qoeFileName << " ./ v2x_temp / qoeTorre " <<

i + 1;
464 double valorAtualQoe = 0;
465 ifstream qoeInFile ( qoeFileName . str () ) ;
466 while ( qoeInFile >> valorAtualQoe )
467 {
468 }
469 // ESTE ARQUIVO C O N T M O VALOR DA
LTIMA M D I A CALCULADA
470 ofstream qoeOutFile ( qoeFileName . str () ,
471 std :: ofstream :: out |
std :: ofstream ::
trunc ) ;
472
473 cmd << " python2 .7 ia . py " << ILoss << "
" << PLoss << " " << BLoss
474 << " " << gop << " 2 >/ dev / null " ;
475
476 // C L C U L O DA M D I A EXPONENCIAL E
ESCRITA NO ARQUIVO
477 qoeOutFile << 2 * ( stod ( exec ( cmd . str () .
c_str () ) ) - valorAtualQoe ) / (
exp_mean_window + 1) + valorAtualQoe ;
478 NS_LOG_INFO ( " NODE " << u << " QOE
ESTIMADO " << 2 * ( stod ( exec ( cmd . str
() . c_str () ) ) - valorAtualQoe ) / (
exp_mean_window + 1) + valorAtualQoe )
;
479 qoeOutFile . close () ;
480
481 C L C U L O POR M D I A SIMPLES

482 qoeSum [ i ] += stod ( exec ( cmd . str () . c_str
() ) ) ;
483 qoeMetricsIterator [ i ]++;
484 qoeOutFile << qoeSum [ i ] /
qoeMetricsIterator [ i ];
485
486 NS_LOG_INFO ( " NODE " << u << " QOE

ESTIMADO " << qoeSum [ i ] /
qoeMetricsIterator [ i ]) ;
487 }
488 }
489 }
490 NS_LOG_INFO ( " \ n \ n \ n \ n " ) ;
491 return ;
492 }
493
494 void requestStream ( Ptr < Node > remoteHost , NodeContainer

ueNodes , Ipv4Address remoteHostAddr , double simTime ,
double start )
495 {
496 for ( uint32_t i = 0; i < ueNodes . GetN () ; ++ i )
497 {
498 string video_trans = video_st ;
499 int startTime = rand () % 10 + transmissionStart ;
500 NS_LOG_UNCOND ( " Node " << i << " requesting video at
" << startTime << " \ n " ) ;
501 std :: stringstream sdTrace ;
502 std :: stringstream rdTrace ;
503 std :: stringstream rdWindow ;
504 sdTrace << " v2x_temp / sd_a01_ " << evalvidId ;
505 rdTrace << " v2x_temp / rd_a01_ " << evalvidId ;
506 evalvidId ++;
507
508 double stop = simTime ;

509 uint16_t m_port = 2000 * evalvidId + 2000; // Para
alcan ar o n ZERO quando i = 0
510
511 // Servidor de v d e o
512 EvalvidServerHelper server ( m_port ) ;
513 server . SetAttribute ( " SenderTraceFilename " ,
StringValue ( video_trans ) ) ;
514 server . SetAttribute ( " SenderDumpFilename " ,
StringValue ( sdTrace . str () ) ) ;
515 server . SetAttribute ( " PacketPayload " , UintegerValue
(512) ) ;
516 ApplicationContainer apps = server . Install (
remoteHost ) ;
517 apps . Start ( Seconds (1) ) ;
518 apps . Stop ( Seconds ( stop ) ) ;
519
520 // Clientes do v d e o
521 EvalvidClientHelper client ( remoteHostAddr , m_port ) ;
522 client . SetAttribute ( " ReceiverDumpFilename " ,
StringValue ( rdTrace . str () ) ) ;
523 apps = client . Install ( ueNodes . Get ( i ) ) ;
524 apps . Start ( Seconds ( startTime ) ) ;
525 apps . Stop ( Seconds ( stop ) ) ;
526
527 Ptr < Ipv4 > ipv4 = ueNodes . Get ( i ) -> GetObject < Ipv4 >() ;
528 }
529 }
530
531 int main ( int argc , char * argv [])

532 {
533
534 if ( mkdir ( " ./ v2x_temp " , S_IRWXU | S_IRWXG | S_IROTH |

S_IXOTH ) != 0)
535 {
536 }
537 system ( " exec rm - rf v2x_temp /* " ) ;
538
539 for ( int u = 0; u < node_ue ; ++ u )

540 {
541 for ( int i = 0; i < numberOfPackets ; ++ i )
542 receivedPackets [ u ][ i ] = false ;
543
544 for ( int i = 0; i < numberOfFrames ; ++ i )

545 receivedFrames [ u ][ i ] = false ;
546 }
547
548 int seedValue = 1;

549 std :: string handoverAlg = " hove " ;
550 CommandLine cmm ;
551
552 cmm . AddValue ( " seedValue " , " random seed value . " ,
seedValue ) ;
553 cmm . AddValue ( " handoverAlg " , " Handover algorith in use . " ,
handoverAlg ) ;
554 cmm . AddValue ( " verbose " , " lte stats verbose . " , verbose ) ;
555 cmm . Parse ( argc , argv ) ;
556 RngSeedManager :: SetSeed ( seedValue + 10000) ; // valor de
seed para g e r a o de n m e r o s a l e a t r i o s
557 srand ( seedValue ) ;
558
559 double interPacketInterval = 1;

560 VideoTraceParse ( video_st ) ;
561
562 LogComponentEnable ( " v2x_3gpp " , LOG_LEVEL_DEBUG ) ;

563 LogComponentEnable ( " v2x_3gpp " , LOG_LEVEL_INFO ) ;
564 LogComponentEnable ( " EvalvidClient " , LOG_LEVEL_INFO ) ;
565 if ( verbose )
566 {
567 LogComponentEnable ( " LteEnbRrc " , LOG_LEVEL_ALL ) ;
568 LogComponentEnable ( " LteUeRrc " , LOG_LEVEL_ALL ) ;
569 LogComponentEnable ( " LteUePhy " , LOG_LEVEL_ALL ) ;
570 LogComponentEnable ( " LteEnbPhy " , LOG_LEVEL_ALL ) ;
571 LogComponentEnable ( " HoveH andov erAlgo rithm " ,
LOG_LEVEL_INFO ) ;
572 LogComponentEnable ( " HoveH andov erAlgo rithm " ,
LOG_LEVEL_DEBUG ) ;
573 }
574
575 uint16_t node_remote = 1; // HOST_REMOTO

576 for ( double t = transmissionStart ; t < simTime ; t += 1)
577 Simulator :: Schedule ( Seconds ( t ) , & WriteMetrics ) ;
578
579 ConfigStore inputConfig ;

580 inputConfig . ConfigureDefaults () ;
581
582 /* ---- LTE MODULE ----- */

583 Ptr < LteHelper > lteHelper = CreateObject < LteHelper >() ;
584 Ptr < PointToPointEpcHelper > epcHelper = CreateObject <
PointToPointEpcHelper >() ;
585 // EPC helper
586 Ptr < Node > pgw = epcHelper - > GetPgwNode () ;
587 lteHelper - > SetEpcHelper ( epcHelper ) ;
588
589 // ***** C O N F I G U R A O LTE ******//

590
591 // bandwidth in resource blocks

592 Config :: SetDefault ( " ns3 :: LteEnbNetDevice :: DlBandwidth " ,
UintegerValue (25) ) ;
593 Config :: SetDefault ( " ns3 :: LteEnbNetDevice :: UlBandwidth " ,
594
595 // ctrl and data channel models

596 Config :: SetDefault ( " ns3 :: LteSpectrumPhy ::
Ctr lError ModelE nable d " , BooleanValue ( true ) ) ;
597
598 // transmission mode ( SISO [0] , MIMO [1])

599 Config :: SetDefault ( " ns3 :: LteEnbRrc ::
D ef au lt T ra ns m is si on M od e " ,
600 UintegerValue (1) ) ;
601 // path loss model
602 lteHelper - > SetAttribute ( " PathlossModel " ,
603 StringValue ( " ns3 ::
NakagamiPropagationLossModel "
));
604 // UL and DL frequencies
605 lteHelper - > SetE nbDevi ceAttr ibute ( " DlEarfcn " ,
606 lteHelper - > SetE nbDevi ceAttr ibute ( " UlEarfcn " ,
607 lteHelper - > SetSchedulerType ( " ns3 :: PssFfMacScheduler " ) ;
608 // the maximum number of UE selected by TD scheduler
609 lteHelper - > SetS chedul erAttr ibute ( " nMux " , UintegerValue
(1) ) ;
610 // PF scheduler type in PSS
611 lteHelper - > SetS chedul erAttr ibute ( " PssFdSchedulerType " ,
StringValue ( " CoItA " ) ) ;
612
613 // RRC model

614 Config :: SetDefault ( " ns3 :: LteHelper :: UseIdealRrc " ,
BooleanValue ( true ) ) ;
615
616 // Antenna parameters

617 lteHelper - > Se tE nbA nte nn aMo de lTy pe ( " ns3 ::
CosineAntennaModel " ) ;
618 lteHelper - > S e t E n b A n t e n n a M o d e l A t t r i b u t e ( " Orientation " ,
DoubleValue (0) ) ;
619 lteHelper - > S e t E n b A n t e n n a M o d e l A t t r i b u t e ( " Beamwidth " ,
DoubleValue (60) ) ;
620 lteHelper - > S e t E n b A n t e n n a M o d e l A t t r i b u t e ( " MaxGain " ,
DoubleValue (0.0) ) ;
621
622 // Handover algorithm selection

623 if ( handoverAlg == " hove " )
624 {
625 lteHelper - > S e t Ha n d ov e r Al g o ri t h mT y p e ( " ns3 ::
Hov eHando verAlg orith m " ) ;
626 lteHelper - > S e t H a n d o v e r A l g o r i t h m A t t r i b u t e ( "
NumberOfUEs " , UintegerValue ( node_ue ) ) ;
627 }
628
629 else if ( handoverAlg == " skip " )

630 {
S k i p p i ng H a n d o v e r A lg o r i t h m " ) ;
633 }
634
635 else if ( handoverAlg == " ser " )

636 {
SerHandoverAlgorithm " ) ;
639 }
640
641 else if ( handoverAlg == " qoe " )

QoeHandoverAlgorithm " ) ;
643
644 else if ( handoverAlg == " noop " )

NoO pHando verAlg orith m " ) ;
646
647 else if ( handoverAlg == " a3 " )

648 {
A 3R sr pH a nd ov e rA lg or i th m " ) ;
650 lteHelper - > S e t H a n d o v e r A l g o r i t h m A t t r i b u t e ( " Hysteresis
" , DoubleValue (3.0) ) ;
TimeToTrigger " ,
652 TimeValue ( MilliSeconds (256) ) ) ;
653 }
654
655 else if ( handoverAlg == " a2a4 " )

656 {
A 2 A 4 R s rq H a n d o v e r A lg o r i t h m " ) ;
ServingCellThreshold " ,
NeighbourCellOffset " ,
662 }
663
664 else
665 {
666 NS_LOG_ERROR ( " Invalid handover algorithm option . " ) ;
667 }
668
669 // - - - - - - - - - - - - - C r i a o do RemoteHost
670 // Cria um simples RemoteHost
671 NodeContainer remoteHostContainer ;
672 remoteHostContainer . Create ( node_remote ) ;
673 Ptr < Node > remoteHost = remoteHostContainer . Get (0) ;
674
675 // Pilha de Internet

676 InternetStackHelper internet ;
677 internet . Install ( remoteHost ) ;
678
679 // Cria link Internet

680 PointToPointHelper p2ph ;
681 p2ph . SetDeviceAttribute ( " DataRate " , DataRateValue (
DataRate ( " 100 Gb / s " ) ) ) ;
682 p2ph . SetDeviceAttribute ( " Mtu " , UintegerValue (1400) ) ;
683 p2ph . SetChannelAttribute ( " Delay " , TimeValue ( Seconds
(0.010) ) ) ;
684 NetDeviceContainer internetDevices = p2ph . Install ( pgw ,
remoteHost ) ;
685
686 // Determina e n d e r e o ip para o Link

687 Ipv4AddressHelper ipv4h ;
688 ipv4h . SetBase ( " 10.1.0.0 " , " 255.255.0.0 " ) ;
689 Ip v4 Int er fac eCo nt ain er internetIpIfaces ;
690 internetIpIfaces = ipv4h . Assign ( internetDevices ) ;
691
692 // interface 0 localhost e interface 1 dispositivo

p2p
693 Ipv4Address remoteHostAddr = internetIpIfaces . GetAddress
(1) ;
694 I pv 4S ta t ic Ro u ti ng He l pe r ipv4RoutingHelper ;
695 Ptr < Ipv4StaticRouting > r e mo te Ho s tS ta ti c Ro ut in g =
ipv4RoutingHelper . GetStaticRouting ( remoteHost - >
GetObject < Ipv4 >() ) ;
696 remoteHostStaticRouting - > AddNetworkRouteTo ( Ipv4Address ( "
7.0.0.0 " ) ,
697 Ipv4Mask ( " 255.0.0.0 " ) , 1) ;
698
699 NodeContainer nodes_ue_nc ;

700 nodes_ue_nc . Create ( node_ue ) ;
701
702 NodeContainer cbr_nodes ;

703 cbr_nodes . Create ( n_cbr ) ;
704
705 NodeContainer enbNodes ;

706 enbNodes . Create ( enb_HPN + low_power + hot_spot ) ;
707
708 internet . Install ( nodes_ue_nc ) ;

709 internet . Install ( cbr_nodes ) ;
710
711 /* ----- P O S I O DAS TORRES - - - - - - */

712 Ptr < ListPositionAllocator > HpnPosition = CreateObject <
ListPositionAllocator >() ;
713 Ar ra yPo si tio nAl lo cat or ( HpnPosition ) ;
714
715 MobilityHelper remoteHostMobility ;

716 remoteHostMobility . SetMobilityModel ( " ns3 ::
ConstantPositionMobilityModel ");
717 remoteHostMobility . Install ( remoteHost ) ;
718 remoteHostMobility . Install ( pgw ) ;
719
720 /* ----- MONILIDADE DAS TORRES ----- */

721
722 MobilityHelper mobilityEnb ;

723 mobilityEnb . SetMobilityModel ( " ns3 ::
724 mobilityEnb . SetPositionAllocator ( HpnPosition ) ;
725 mobilityEnb . Install ( enbNodes ) ;
726
727 MobilityHelper mobilityCbr ;

728 mobilityEnb . SetMobilityModel ( " ns3 ::
729 mobilityEnb . SetPositionAllocator ( HpnPosition ) ;
730 mobilityEnb . Install ( cbr_nodes ) ;
731
732 Ns2MobilityHelper ue_mobil = Ns2MobilityHelper ( " mobil /

SanFrancisco . tcl " ) ;
733 MobilityHelper ueMobility ;
734 MobilityHelper enbMobility ;
735
736 ue_mobil . Install ( nodes_ue_nc . Begin () , nodes_ue_nc . End () )

;
737
738 // - - - - - - - - - - - - - Instala LTE Devices para cada grupo de

n s
739 NetDeviceContainer enbLteDevs ;
740 enbLteDevs = lteHelper - > InstallEnbDevice ( enbNodes ) ;
741 NetDeviceContainer pedLteDevs ;
742 NetDeviceContainer carLteDevs ;
743 carLteDevs = lteHelper - > InstallUeDevice ( nodes_ue_nc ) ;
744 NetDeviceContainer cbrLteDevs ;
745 cbrLteDevs = lteHelper - > InstallUeDevice ( cbr_nodes ) ;
746
747 /* - - - - - - - - - - - - - - - - - - - - - - - - - */
748
749 Ip v4 Int er fac eCo nt ain er pedIpIface ;

750 pedIpIface = epcHelper - > AssignUeIpv4Address (
NetDeviceContainer ( pedLteDevs ) ) ;
751 Ip v4 Int er fac eCo nt ain er carIpIface ;
752 carIpIface = epcHelper - > AssignUeIpv4Address (
NetDeviceContainer ( carLteDevs ) ) ;
753 Ip v4 Int er fac eCo nt ain er cbrIpFace ;
754 cbrIpFace = epcHelper - > AssignUeIpv4Address (
NetDeviceContainer ( cbrLteDevs ) ) ;
755
756 for ( uint32_t u = 0; u < nodes_ue_nc . GetN () ; ++ u )

757 {
758 Ptr < Node > ueNode = nodes_ue_nc . Get ( u ) ;
759 Ptr < Ipv4StaticRouting > ueStaticRouting =
ipv4RoutingHelper . GetStaticRouting ( ueNode - >
760 ueStaticRouting - > SetDefaultRoute ( epcHelper - >
G e t U e D e f a u l t G a t e w a y A d d r e s s () ,
761 1) ;
762 // Simulator :: Schedule ( Seconds (0.0) , & showPosition ,
ueNode , 1.0) ;
763 }
764
765 /* - -- --- --- -- C O N F I G U R A O DE CBR - - - - - - - - - - */

766 uint16_t cbrPort = 3000;
767 ApplicationContainer clientApps ;
768 ApplicationContainer serverApps ;
769
770 // - - - - - - - - - - - - - DEFINIR GATEWAY - - - - - - - - - -

771 for ( uint32_t u = 0; u < cbr_nodes . GetN () ; ++ u )
772 {
773 Ptr < Node > ueNode = cbr_nodes . Get ( u ) ;
774 Ptr < Ipv4StaticRouting > ueStaticRouting =
ipv4RoutingHelper . GetStaticRouting ( ueNode - >
775 ueStaticRouting - > SetDefaultRoute ( epcHelper - >
G e t U e D e f a u l t G a t e w a y A d d r e s s () ,
776 1) ;
777
778 Ptr < Ipv4 > ipv4 = cbr_nodes . Get ( u ) -> GetObject < Ipv4 >()
;
779 Ipv4InterfaceAddress iaddr = ipv4 - > GetAddress (1 , 0) ;
780 Ipv4Address addri = iaddr . GetLocal () ;
781 PacketSinkHelper packetSinkHelper (
782 " ns3 :: UdpSocketFactory " ,
783 InetSocketAddress ( Ipv4Address :: GetAny () , cbrPort
));
784 serverApps . Add ( packetSinkHelper . Install ( cbr_nodes .
Get ( u ) ) ) ;
785 serverApps . Start ( Seconds (20) ) ;
786
787 int load = 1024;

788 UdpClientHelper client ( addri , cbrPort ) ;
789 client . SetAttribute ( " Interval " ,
790 TimeValue ( MilliSeconds (
interPacketInterval ) ) ) ;
791 client . SetAttribute ( " MaxPackets " , UintegerValue
(100000000) ) ;
792 client . SetAttribute ( " PacketSize " , UintegerValue ( load
));
793 NS_LOG_INFO ( " C l u l a " << u + 1 << " com cbr de " <<
load << " bytes " << std :: endl ) ;
794
795 clientApps . Add ( client . Install ( remoteHost ) ) ;

796
797 clientApps . Start ( Seconds (20) ) ;

798 }
799
800 /* ---- POTENCIA DE TRASMISSAO - - - - - - - - */

801 Ptr < LteEnbPhy > enb0Phy ;
802
803 // todo : set different bandwidth for individual cells

804 for ( int i = 0; ( unsigned ) i < enbLteDevs . GetN () ; i ++)
805 {
806 enb0Phy = enbLteDevs . Get ( i ) -> GetObject <
LteEnbNetDevice >() -> GetPhy () ;
807 if ( i < enb_HPN )
808 {
809 enb0Phy - > SetTxPower ( hpnTxPower ) ;
810 }
811 else if ( i < enb_HPN + low_power )
812 {
813 enb0Phy - > SetTxPower ( lpnTxPower ) ;
814 }
815 else if ( i < enb_HPN + low_power + hot_spot )
816 {
817 enb0Phy - > SetTxPower ( lpnTxPower ) ;
818 }
819 }
820
821 // ----- Anexa as UEs na eNodeB

822
823 lteHelper - > Attach ( carLteDevs ) ;

824 lteHelper - > AttachToClosestEnb ( cbrLteDevs , enbLteDevs ) ;
825 lteHelper - > AddX2Interface ( enbNodes ) ;
826
827 NS_LOG_INFO ( " Create Applications . " ) ;

828
829 // I n c i o T r a n s m i s s o de V d e o
830 // Rodar a p l i c a o EvalVid
831 requestStream ( remoteHost , nodes_ue_nc , remoteHostAddr ,
simTime , transmissionStart ) ;
832
833 /* - - - - - - - - - - - - - - - - NETANIM - - - - - - - - - - - */
834 AnimationInterface anim ( " v2x_temp / LTEnormal_v2x . xml " ) ;
835 // Cor e D e s c r i o para eNb
836 for ( uint32_t i = 0; i < enbNodes . GetN () ; ++ i )
837 {
838 anim . Upd ateNod eDescr iptio n ( enbNodes . Get ( i ) , " eNb " ) ;
839 anim . UpdateNodeColor ( enbNodes . Get ( i ) , 0 , 255 , 0) ;
840 }
841 for ( uint32_t i = 0; i < nodes_ue_nc . GetN () ; ++ i )
842 {
843 anim . Upd ateNod eDescr iptio n ( nodes_ue_nc . Get ( i ) , " UE
Carro " ) ;
844 anim . UpdateNodeColor ( nodes_ue_nc . Get ( i ) , 255 , 0 , 0) ;
845 }
846 for ( uint32_t i = 0; i < cbr_nodes . GetN () ; ++ i )
847 {
848 anim . Upd ateNod eDescr iptio n ( cbr_nodes . Get ( i ) , " CBR " ) ;
849 anim . UpdateNodeColor ( cbr_nodes . Get ( i ) , 0 , 255 , 0) ;
850 }
851 anim . Upd ateNod eDescr iptio n ( remoteHost , " RH " ) ;
852 anim . UpdateNodeColor ( remoteHost , 0 , 255 , 255) ;
853
854 Simulator :: Stop ( S IMU LAT IO N_T IM E_F OR MAT ( simTime ) ) ;

855
856 /* ------ N O T I F I C A E S DE HANDOVER E SINAL - - - - - */

857 Config :: Connect ( " / NodeList /*/ DeviceList /*/ LteUeRrc /
Con nectio nEstab lishe d " ,
858 MakeCallback (&
NotifyConnectionEstablishedUe ));
HandoverStart " ,
860 MakeCallback (& Notify Hando verSta rtUe ) ) ;
HandoverEndOk " ,
862 MakeCallback (& Notify Hando verEnd OkUe ) ) ;
863
864 // lteHelper - > EnableTraces () ;

865
866 Simulator :: Run () ;

867 Simulator :: Destroy () ;
868
869 return EXIT_SUCCESS ;

870 }
Listing 1: Código Fonte do Algorítimo Skip-Hove escrito na linguagem C

012 - Allan Douglas Bento Da Costa - 2020

Enviado por

Direitos autorais:

Formatos disponíveis

012 - Allan Douglas Bento Da Costa - 2020

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

012 - Allan Douglas Bento Da Costa - 2020

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO PARÁ

INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS

ALLAN DOUGLAS BENTO DA COSTA

ALGORITMO DE GESTÃO DE MOBILIDADE PARA

ALLAN DOUGLAS BENTO DA COSTA

ALGORITMO DE GESTÃO DE MOBILIDADE PARA

Tese apresentada ao Programa de Pós-

C837a Costa, Allan Douglas Bento

Orientador(a): Prof. Dr. Eduardo Coelho Cerqueira

1. VANETs. 2. Handover. 3. Predição de Mobilidade. 4.

Powered by TCPDF (www.tcpdf.org)

ALLAN DOUGLAS BENTO DA COSTA

ALGORITMO DE GESTÃO DE MOBILIDADE PARA DISSEMINAÇÃO DE

Tese de Doutorado apresentada ao Programa de Pós-Graduação em Ciência da Computação

Prof. Dr. Eduardo Coelho Cerqueira

Prof. Dr. Denis Lima do Rosário

Prof. Dr. André Figueira Riker

Prof. Dr. Helder May Nunes da Silva Oliveira

Profa. Dra. Thaís Lira Tavares dos Santos

ALGORITMO DE GESTÃO DE MOBILIDADE

An Efficient Handover Algorithm for

AHP Analytic Hierarchy Process

ARIMA AutoRegressive Integrated Moving Average

CSH Service Chanel

CCH Control Channel

DSRC Dedicated Short-Range Comunication

DCT Discrete Cosine Transform

ELP Electronic License Plate

EPC Envolved Packet Core

EDR Event Data Recorder

FAHP Fuzzy Analytical Hierarchical Process

GPS Global Positioning System

GoP Group of Pictures

HVS Human Visual System

H-UDN Heterogeneous Ultra-Dense Network

ITS Intelligent Transportation System

LTE Long Term Evolution

LLC Logic Link Control

MIMO Multiple-input multiple-output

MM Wave Millimeter Wave

MIMO Multiple-input multiple-output

MANET Mobile ad hoc network

MAC Media Access Control

MIB Management Information Base

MSE Mean Squared Error

MIH Media Independent Handover

MADM Multiple Attributes Decision Algorithms

PoA Point of Attachment

PSOBUs Public Safety OBUs

PSNR Peak Signal to Noise Ratio

PDR Packet Delivery Rate

QoS Quality of Service

QoE Quality of Experience

RSS Received Signal Strength

RSSI Received Signal Strength Indicator

RSU Road Side Units

RMA Resource Manager Applications

RSRQ Reference Signal Received Quality

RMSD Root-Mean-Square Deviation