1.

REDES
MVILES
AD
HOC
En
el
presente
captulo
se
introducen
las
nociones
bsicas
sobre
las
redes
mviles
ad
hoc.
En
primer
lugar,
se
hace
la
distincin
entre
los
dos
modos
de
operacin
de
las
redes
inalmbricas,
el
modo
infraestructura
y
el
modo
ad
hoc.
Luego,
se
presenta
una
definicin
sobre
las
MANET
y
se
describen
algunas
de
sus
caractersticas
y
aplicaciones.
Finalmente,
se
exponen
las
diferentes
topologas
y
los
esquemas
de
enrutamiento
diseados
para
este
tipo
de
redes.
1.1
REDES
INALMBRICAS
Las
redes
inalmbricas
pueden
dividirse
en
dos
categoras:
las
redes
inalmbricas
basadas
en
infraestructura
preestablecida
y
las
redes
ad
hoc.
1.1.1
Modo
infraestructura.
Las
redes
inalmbricas
basadas
en
infraestructura
preestablecida
se
basan
en
conexiones
de
un
salto
a
una
red
que
emplea
el
cableado,
como
Internet
o
una
estacin
base.
Entre
las
redes
inalmbricas
actuales
basadas
en
el
modo
infraestructura
se
encuentran:
las
redes
celulares,
wireless
LAN
y
los
sistemas
satelitales.
Figura
1.
Combinacin
de
cable
y
wireless
LAN.
Fuente:
LANSECURE.
Lansecure
individuelle
Lsungen
fr
Ihr
Unternehmen.
[En
lnea]
Colonia,
Alemania:
Lansecure-Ihr
kompetenter
Service-Partner,
23
Dic.
2004.
<http://www.lansecure.de/Produkte/flex.htm>
[consulta:
2
Sep:
2005].
1.1.2
Modo
ad
hoc.
En
las
redes
que
funcionan
bajo
el
modo
ad
hoc
los
nodos
se
pueden
mover
de
forma
libre
y
no
dependen
de
un
control
central
establecido.
Un
nodo
puede
establecer
un
enlace
inalmbrico
con
otro
nodo,
si
este
se
encuentra
dentro
de
su
rango
de
transmisin.
De
lo
contrario,
debe
existir
una
ruta
formada
por
nodos
intermediarios
que
faciliten
la
transmisin
de
los
datos
o
la
informacin.
En
este
tipo
de
redes,
la
movilidad
es
un
factor
determinante
para
el
diseo
de
los
algoritmos
de
control
de
la
red.
Figura
2.
Wireless
LAN
comunicacin
punto
a
punto.
Fuente:
Ibid.
1.2
DEFINICIN
Una
red
mvil
ad
hoc
(MANET)
es
una
red
inalmbrica
formada
por
nodos
mviles
que
se
interconectan
entre
s
a
travs
de
enlaces
inalmbricos
de
comunicacin,
los
cuales
pueden
ser
de
uno
o
de
mltiples
saltos.
Estas
redes
se
establecen
sin
una
infraestructura
predefinida
y
no
requieren
de
un
control
centralizado.
La
forma
bsica
como
opera
una
red
mvil
ad
hoc
se
ilustra
mediante
la
Figura
3.
El
nodo
A
se
puede
comunicar
directamente
a
travs
de
un
solo
salto
con
el
nodo
B,
el
nodo
C
y
el
nodo
D.
Para
que
A
pueda
comunicarse
con
el
nodo
E,
el
nodo
C
debe
actuar
como
intermediario
entre
A
y
E,
transmitiendo
la
informacin
entre
ellos.
Por
lo
tanto
la
comunicacin
entre
los
nodos
A
y
E
se
basa
en
una
comunicacin
de
mltiples
saltos.
Figura
3.
Ejemplo
de
una
red
mvil
ad
hoc.
1.3
HISTORIA
La
idea
original
de
las
MANET
tuvo
origen
a
principios
de
los
aos
70.
En
ese
entonces
las
MANET
eran
conocidas
como
redes
de
radio-paquete
llamadas
PRNET
(Packet
Radio
Networks).
La
agencia
conocida
como
Defense
Advanced
Research
Projects
Agency
(DARPA),
se
encarg
de
dar
patrocinio
a
las
MANET
originales.
En
los
aos
80,
el
proyecto
militar
conocido
como
SURAN
(Survivable
Radio
Systems)
realiz
una
implementacin
mejorada
de
las
redes
ad
hoc.
El
progreso
en
el
desarrollo
de
la
microelectrnica,
la
computacin
distribuida,
los
diseos
y
la
manufactura
de
circuitos
VLSI
y
la
criptografa,
entre
otros,
ha
brindado
la
posibilidad
de
integrar
dispositivos
de
nodos
y
de
redes
en
una
nica
unidad
denominada
Nodo
ad
hoc.
Una
red
ad
hoc
es
la
interconexin
inalmbrica
de
estos
nodos.
En
1994,
DARPA
inici
un
programa
conocido
como
GloMo
(Global
Mobile
Information
Systems)
el
cual
fue
diseado
para
brindar
a
usuarios
mviles
con
dispositivos
inalmbricos,
los
mismos
beneficios
de
conectividad
que
provee
Internet,
en
cualquier
lugar
y
en
cualquier
momento.
En
1997,
se
estableci
un
grupo
de
trabajo
(WG)
sobre
MANET
perteneciente
a
la
IETF.
Una
de
las
importantes
tareas
que
tiene
este
grupo
de
trabajo
es
la
estandarizacin
de
protocolos
de
enrutamiento
para
las
redes
mviles
ad
hoc.
Hoy
en
da
los
dispositivos
inalmbricos
son
cada
vez
ms
pequeos,
menos
costosos
y
ms
modernos,
por
lo
tanto
se
busca
mantener
su
conectividad
a
bajos
precios.
Una
posible
forma
de
lograrlo
es
mediante
el
establecimiento
de
las
redes
mviles
ad
hoc.
Por
esta
razn,
el
foco
de
atencin
de
los
estudios
actuales
es
el
de
reunir
diferentes
esquemas
para
el
control
de
las
MANET
y
adems
presentar
un
estndar
nico
para
las
aplicaciones
futuras
que
hagan
uso
de
estas
redes.
1.4
CARACTERSTICAS
El
propsito
de
las
redes
mviles
ad
hoc
es
el
de
apoyar
operaciones
robustas
y
eficientes,
incorporando
un
enrutamiento
funcional
en
los
nodos
mviles.
Debido
a
que
las
MANET
se
pueden
construir
espontneamente
sin
necesidad
de
una
infraestructura
existente,
estas
redes
presentan
restricciones
especiales
que
se
deben
considerar
para
el
diseo
de
soluciones.
A
continuacin
se
describen
algunas
caractersticas:
1.4.1
Topologa
dinmica.
Debido
a
que
los
nodos
de
una
red
mvil
ad
hoc
son
libres
de
moverse
arbitrariamente,
la
topologa
de
la
red
(la
cual
es
tpicamente
multi-hop)
puede
cambiar
rpida
y
aleatoriamente
en
tiempos
impredecibles.
Este
comportamiento
dinmico
dificulta
el
establecimiento
de
la
conectividad
en
la
red,
la
cual
se
debe
mantener
para
permitir
que
los
servicios
de
comunicacin
operen
sin
interrupciones.
Este
aspecto
es
de
gran
influencia
para
el
diseo
de
los
protocolos
de
enrutamiento.
1.4.2
Operacin
en
forma
distribuida.
El
trmino
distribuido
hace
referencia
a
que
en
una
MANET,
normalmente
los
nodos
tienen
un
conocimiento
local
sobre
su
entorno.
Es
decir,
cada
nodo
slo
conoce
la
informacin
sobre
los
nodos
vecinos
que
se
encuentran
dentro
de
su
radio
de
transmisin
y
no
tiene
un
conocimiento
global
de
la
red.
1.4.3
Ancho
de
banda
limitado.
El
ancho
de
banda
disponible
en
MANET
es
menor,
comparado
con
el
ancho
de
banda
disponible
en
las
redes
de
infraestructura
preestablecida.
1.4.4
Fluctuacin
de
los
enlaces.
El
efecto
de
una
alta
rata
de
error
de
bits,
es
decir,
la
transmisin
de
informacin
errada,
es
ms
significativo
en
una
red
mvil
ad
hoc
de
mltiples
saltos,
ya
que
el
agregado
de
todos
los
errores
en
los
enlaces
afecta
significativamente
la
calidad
de
la
informacin
recibida.
1.4.5
Operacin
de
energa
limitada.
Los
nodos
en
una
MANET
requieren
de
una
batera
para
obtener
la
energa
que
asegure
su
funcionamiento.
Por
lo
tanto
la
energa
es
uno
de
los
recursos
que
se
busca
optimizar
con
el
fin
de
limitar
el
consumo
de
la
potencia.
1.5
APLICACIONES
Las
MANET
constituyen
una
tecnologa
ideal
para
el
establecimiento
instantneo
de
la
comunicacin
entre
nodos
que
son
mviles
y
en
lugares
en
donde
no
es
posible
construir
un
backbone
de
comunicaciones
debido
a
inconvenientes
econmicos
o
a
la
falta
de
tiempo
para
la
construccin
de
la
infraestructura
requerida.
Esta
tecnologa
es
especialmente
til
en
escenarios
que
requieren
de
estrategias
rpidas
y
eficientes
de
comunicacin
como
son
las
operaciones
militares
o
las
operaciones
de
rescate
en
caso
por
ejemplo
de
incendios,
terremotos
o
inundaciones.
Las
MANET
tambin
se
pueden
emplear
para
extender
la
cobertura
de
las
redes
inalmbricas
actuales.
Figura
4.
Ejemplo
de
una
red
ad
hoc
aplicada
en
situaciones
militares.
Fuente:
WALI
Moutie,
KAHOUL
Houssan.
Wireless
Ad
Hoc
Networking.
[pdf]
Francia
:
Universit
de
Versailles
Saint-Quentin-en-Yvelines,
revisado
6
Feb.
2003.
<http://dessr2m.adm-eu.uvsq.fr/portes2003/Ad-Hoc_presentation.pdf>
[Consulta:
Abr:
2005].
Las
redes
ad
hoc
se
pueden
formar
utilizando
diversas
tecnologas
o
protocolos
existentes
que
permiten
el
establecimiento
de
las
comunicaciones
inalmbricas.
Actualmente
Bluetooth,
las
redes
inalmbricas
de
rea
personal
(wireless
personal
area
networks,
PAN),
IEEE802.11,
las
redes
inalmbricas
de
rea
local,
HIPERLAN/2
y
las
redes
IHDN
(in-
house
digital
networks),
son
estndares
de
comunicacin
con
capacidad
ad
hoc.
1.6
TOPOLOGAS
La
topologa
de
una
red
mvil
ad
hoc
juega
un
papel
muy
importante
en
el
desempeo
de
los
algoritmos
de
control
empleados
en
la
red
para
los
propsitos
de
sincronizacin
de
las
transmisiones,
el
enrutamiento
y
para
realizar
broadcasting.
En
las
MANET
se
pueden
distinguir
dos
tipos
de
topologas
fundamentales:
la
topologa
plana
y
la
topologa
jerrquica.
1.6.1
Topologa
plana.
En
este
tipo
de
topologa
la
red
no
presenta
jerarquas
y
todos
los
nodos
presentan
funciones
iguales
en
cuanto
al
enrutamiento.
Las
topologas
planas
en
las
redes
ad
hoc
funcionan
adecuadamente
cuando
las
redes
son
de
un
tamao
relativamente
pequeo.
En
este
caso
el
enrutamiento
se
puede
llevar
a
cabo
de
una
manera
ptima
y
el
consumo
de
potencia
es
bajo.
Sin
embargo,
una
topologa
plana
no
es
escalable
a
medida
que
las
redes
se
hacen
ms
grandes.
En
este
tipo
de
topologas
la
tabla
de
enrutamiento
es
proporcional
al
nmero
total
de
nodos
presentes
en
la
red.
Por
lo
tanto,
si
las
redes
se
hacen
ms
grandes
las
transmisiones
requerirn
un
mayor
ancho
de
banda
y
las
tablas
de
enrutamiento
se
tendrn
que
intercambiar
con
mayor
frecuencia
entre
los
nodos,
con
el
fin
de
mantener
la
informacin
sobre
el
enrutamiento
actualizada
a
medida
que
ocurren
cambios
topolgicos
en
la
red.
Figura
5.
Arquitectura
plana.
1.6.2
Topologa
jerrquica.
Debido
a
que
el
propsito
de
las
MANET
es
el
de
manejar
un
gran
nmero
de
nodos,
una
topologa
plana
no
resulta
tan
ptima
a
la
hora
de
crear
esquemas
de
enrutamiento
apropiados
y
asegurar
la
escalabilidad.
Por
esta
razn
se
implementa
una
arquitectura
jerrquica
la
cual
divide
la
red
en
conjuntos
de
nodos
en
los
cuales
cada
nodo
tiene
conocimiento
de
sus
vecinos.
A
estos
conjuntos
de
nodos
se
les
conoce
como
clusters.
El
establecimiento
de
una
topologa
jerrquica
en
MANET
reduce
significativamente
las
tablas
de
enrutamiento
ya
que
un
nodo
slo
necesita
tener
conocimiento
de
la
informacin
sobre
el
enrutamiento
de
su
propio
cluster
y
no
de
la
red
completa.
Es
decir,
este
tipo
de
topologa
facilita
el
manejo
del
trfico
de
la
red
ya
que
permite
el
enrutamiento
al
nivel
interior
del
cluster
(intracluster)
y
al
nivel
exterior
del
cluster
(intercluster).
La
idea
es
que
al
crear
clusters
de
nodos
en
cada
uno
se
seleccione
un
nodo
que
acte
como
lder
de
su
cluster.
A
este
nodo
se
le
conoce
como
clusterhead.
Los
clusterheads
son
nodos
que
tienen
la
responsabilidad
de
transmitir
los
paquetes
de
todos
los
nodos
que
se
encuentren
dentro
de
su
cluster,
a
travs
de
la
red.
En
la
Figura
6
se
presenta
el
esquema
de
una
topologa
jerrquica.
Figura
6.
Forma
de
llevar
a
cabo
el
enrutamiento
en
una
topologa
jerrquica.
La
asignacin
de
nodos
mviles
a
los
clusters
debe
ser
un
proceso
dinmico
el
cual
se
debe
adaptar
a
la
movilidad
de
los
nodos.
Por
consiguiente,
es
necesario
disear
un
algoritmo
de
clustering
que
defina
los
criterios
necesarios
para
construir
los
clusters.
1.7
ESQUEMAS
DE
ENRUTAMIENTO
En
las
redes
mviles
ad
hoc
los
esquemas
de
enrutamiento
se
clasifican
en
cuatro
grupos
importantes:
flooding,
enrutamiento
proactivo,
enrutamiento
reactivo
y
enrutamiento
hbrido.
1.7.1
Flooding.
Es
un
proceso
distribuido
en
el
cual
un
nodo
transmite
un
paquete
de
informacin
a
todos
sus
vecinos
y
estos
a
su
vez
transmiten
el
paquete
a
sus
vecinos
respectivos,
permitiendo
que
el
paquete
se
propague
por
toda
la
red.
Este
tipo
de
enrutamiento
no
requiere
conocimiento
sobre
la
topologa
de
la
red.
Los
paquetes
se
transmiten
por
broadcast
a
todos
los
destinos
con
la
expectativa
de
que
alcancen
eventualmente
su
destino
final.
Bajo
condiciones
de
poco
trfico,
flooding
es
un
mtodo
robusto.
Sin
embargo,
genera
una
excesiva
cantidad
de
trfico
en
redes
grandes
ya
que
no
se
toma
en
cuenta
el
conocimiento
sobre
la
topologa
de
la
red.
Adems
es
difcil
lograr
confiabilidad
con
el
flooding
cuando
la
topologa
es
altamente
dinmica.
Este
esquema
de
enrutamiento
tambin
desperdicia
una
gran
porcin
del
ancho
de
banda
disponible.
1.7.2
Enrutamiento
proactivo.
La
idea
del
enrutamiento
proactivo
es
la
de
distribuir
la
informacin
peridicamente
a
travs
de
la
red
con
el
objetivo
de
calcular
previamente
todos
los
caminos
posibles.
Cuando
ocurre
un
cambio
en
la
red,
las
actualizaciones
se
propagan
por
la
red
con
el
fin
de
mantener
las
tablas
de
enrutamiento
actualizadas.
Por
lo
tanto,
se
hace
una
evaluacin
continua
de
las
rutas
entre
los
nodos.
Sin
embargo,
se
pueden
generar
sobrecargas
en
la
red
afectando
la
utilizacin
del
ancho
de
banda,
el
throughput
y
el
uso
de
la
energa.
En
una
topologa
esttica
este
esquema
de
enrutamiento
puede
funcionar
de
manera
adecuada.
Sin
embargo,
en
redes
grandes
y
altamente
dinmicas
no
presenta
un
buen
manejo
de
la
escalabilidad.
1.7.3
Enrutamiento
reactivo.
Se
basa
en
obtener
los
caminos
entre
los
nodos
evaluando
la
ruta
cada
vez
que
sea
necesario.
Cuando
un
nodo
necesita
encontrar
una
ruta
a
un
nodo
destino
debe
iniciar
un
proceso
de
descubrimiento
de
ruta.
Una
vez
se
halla
la
ruta
adecuada,
esta
se
mantiene
hasta
que
el
destino
se
vuelve
inaccesible
o
la
ruta
ya
no
es
requerida.
Esto
limita
el
nmero
total
de
destinos
para
el
cual
la
informacin
del
enrutamiento
se
mantiene
y
por
consiguiente
se
reduce
el
tamao
de
las
tablas
de
enrutamiento.
Sin
embargo,
en
este
esquema
la
calidad
de
las
rutas
es
menor
en
comparacin
con
el
enrutamiento
proactivo
y
existe
un
retardo
significativo
durante
el
proceso
de
descubrimiento
de
rutas.
1.7.4
Enrutamiento
hbrido.
Este
esquema,
tambin
conocido
como
enrutamiento
jerrquico,
es
el
ms
conveniente
para
el
desarrollo
de
algoritmos
de
enrutamiento
eficientes
en
MANET
ya
que
se
ha
observado
que
logra
niveles
adecuados
de
desempeo
en
redes
de
gran
tamao.
Para
que
se
pueda
llevar
a
cabo
el
enrutamiento
hbrido,
se
debe
establecer
en
la
red
una
topologa
jerrquica
en
donde
se
formen
clusters
de
manera
dinmica.
En
el
enrutamiento
hbrido
se
lleva
a
cabo
de
forma
simultnea
el
enrutamiento
intracluster
e
intercluster.
El
enrutamiento
proactivo
se
aplica
para
la
comunicacin
a
nivel
del
cluster
y
el
enrutamiento
reactivo
se
utiliza
para
la
comunicacin
entre
los
diferentes
clusters.
2.
CLUSTERING
En
el
captulo
1,
se
plante
la
necesidad
de
establecer
una
topologa
jerrquica
en
las
MANET
con
el
fin
de
mejorar
su
desempeo.
Para
lograr
este
objetivo
es
necesario
disear
algoritmos
de
clustering
que
permitan
organizar
dinmicamente
una
MANET
en
particiones
conocidas
como
clusters.
En
este
captulo
se
presenta
un
estudio
sobre
los
algoritmos
de
clustering
diseados
hasta
el
momento
para
MANET
y
se
introducen
algunos
conceptos
necesarios
para
la
comprensin
de
este
tema
como
son
la
teora
de
grafos,
los
conjuntos
dominantes
y
los
papeles
que
cumple
cada
nodo
en
una
MANET
organizada
mediante
clusters.
2.1
DEFINICIN
Clustering
es
un
procedimiento
en
el
cual
se
clasifican
datos
en
diferentes
grupos,
segn
una
medida
de
similitud
determinada.
A
los
diferentes
grupos
obtenidos
se
les
conoce
como
clusters.
Los
procesos
de
clustering
realizan
una
particin
sobre
un
gran
conjunto
de
datos
llevndolos
a
componentes
ms
pequeas.
La
labor
de
agrupar
nodos
en
clusters
de
acuerdo
a
un
criterio
especfico,
es
similar
a
lo
que
se
realiza
usualmente
en
el
marco
de
trabajo
del
anlisis
de
datos.
La
clasificacin
de
datos
se
prctica
en
muchas
disciplinas
del
mbito
cientfico.
Es
importante
sealar
la
diferencia
entre
la
clasificacin
de
datos
supervisada
y
la
clasificacin
de
datos
no
supervisada:

Clasificacin
de
datos
supervisada.
En
la
clasificacin
de
datos
supervisada,
se
conoce
de
antemano
los
valores
de
la
membresa
o
la
pertenencia
de
un
conjunto
de
objetos
a
los
diferentes
grupos
establecidos.
Lo
que
se
busca
es
desarrollar
mecanismos
adecuados
para
clasificar
nuevos
objetos
de
acuerdo
a
los
datos
que
ya
se
encuentran
clasificados.

Clasificacin
de
datos
no
supervisada.
En
la
clasificacin
de
datos
no
supervisada,
el
valor
de
la
membresa
que
tienen
los
objetos
en
los
distintos
grupos
no
se
conoce
previamente.
Por
lo
tanto,
los
grupos
se
forman
de
acuerdo
a
un
criterio
que
determina
el
grado
de
similitud
entre
los
objetos.
Los
objetos
con
alto
grado
de
similitud
establecen
un
mismo
grupo.
Se
debe
tratar
que
los
objetos
pertenecientes
a
distintos
grupos
sean
en
lo
posible,
lo
ms
diferentes
entre
s.
La
clasificacin
de
datos
no
supervisada
se
conoce
tambin
como
clustering.
Los
procesos
de
clustering
se
emplean
para
el
anlisis
y
la
clasificacin
de
patrones,
en
la
exploracin
de
datos
(data
mining),
la
recuperacin
de
documentos
y
la
segmentacin
de
imgenes.
1
En
el
caso
de
las
MANET,
una
manera
fcil
de
abordar
el
mantenimiento
de
estas
redes
es
mediante
un
proceso
de
clustering.
Los
algoritmos
que
agrupan
los
nodos
en
una
red
mvil
ad
hoc
corresponden
precisamente
a
los
algoritmos
de
clasificacin
de
datos
no
supervisados
ya
que
la
pertenencia
de
los
nodos
a
los
grupos,
no
se
encuentra
definida
previamente.
Al
conjunto
de
nodos
que
forman
un
grupo
se
le
conoce
como
cluster
y
este
se
forma
mediante
un
conjunto
de
nodos
que
satisfacen
una
propiedad
especfica.
Esto
se
ilustra
en
la
Figura
7.
1
CASTRILLON,
Jernimo;
GIRALDO,
Daniel;
PEA
Jorge,
Aprendizaje
por
refuerzo
en
espacios
continuos
para
la
evasin
de
obstculos
en
un
robot
mvil.
Medelln,
2004.
300
p.
Tesis
de
Grado
(Ingeniero
Electrnico).
UPB.
Facultad
de
Ingeniera
Elctrica
y
Electrnica.
Figura
7.
Ejemplo
de
una
red
agrupada
en
clusters.
2.2
ALGORITMOS
DINMICOS
DE
CLUSTERING
En
una
MANET
no
se
puede
lograr
la
disposicin
de
clusters
de
forma
offline
como
sucede
en
las
redes
con
infraestructura
preestablecida.
Por
lo
tanto,
se
han
desarrollado
recientemente
algoritmos
de
clustering
dinmicos
que
tienen
en
cuenta
el
carcter
dinmico
de
un
sistema.
La
dinmica
de
un
sistema
depende
de
los
objetos
o
de
los
clusters.
De
acuerdo
a
esto,
se
pueden
presentar
cuatro
escenarios.2
.
Objetos
estticos
y
una
estructura
de
clusters
esttica.
.
Objetos
estticos
y
una
estructura
de
clusters
dinmica.
.
Objetos
dinmicos
y
una
estructura
de
clusters
esttica.
.
Objetos
dinmicos
y
una
estructura
de
clusters
dinmica.
2
HABETHA,
J.
y
WALKE,
B.
Fuzzy
rule-based
mobility
and
load
management
for
self-organizing
wireless
networks.
En:
International
Journal
of
Wireless
Information
Networks.
Holanda.
Vol.
9,
No.2.
(Abr,
2002);
p.
119.
Para
el
anlisis
de
datos
dinmicos
se
estudian
los
tres
ltimos
escenarios.
El
cuarto
escenario
es
el
que
aborda
el
problema
de
clustering
en
redes
mviles
ad
hoc.
2.3
IMPORTANCIA
DE
LA
IMPLEMENTACIN
DE
PROCESOS
DE
CLUSTERING
EN
MANET
Una
MANET
se
organiza
dinmicamente
en
clusters
para
mantener
una
topologa
efectiva,
relativamente
estable
y
para
mejorar
su
desempeo.
2.3.1
Funcin
de
los
algoritmos
de
clustering.
Los
algoritmos
de
clustering
se
encargan
de
presentarle
al
algoritmo
de
enrutamiento
una
topologa
lgica
de
la
red.
El
algoritmo
de
clustering
tambin
acepta
una
realimentacin
del
algoritmo
de
enrutamiento
con
el
fin
de
ajustar
la
topologa
lgica
presentada3.
En
la
figura
8
se
puede
apreciar
esta
relacin.
Figura
8.
Relacin
entre
el
algoritmo
de
clustering
y
el
protocolo
de
enrutamiento
en
MANET
3
MCDONALD,
A.B.
y
ZNATI,
T.F.
A
mobility-based
framework
for
adaptive
clustering
in
wireless
Ad
Hoc
networks.
En:
IEEE
Journal
on
Selected
Areas
in
Communications.
New
York,
USA.
Vol.
17.
(Ago,
1999);
p.
1466.

Mtricas
utilizadas
en
los
algoritmos
de
clustering.
El
establecimiento
de
clusters
en
MANET
presenta
varias
ventajas
para
la
capa
de
acceso
al
medio
(MAC)
y
para
la
capa
de
red.
Para
el
caso
de
la
capa
MAC,
los
procesos
de
clustering
mejoran
el
desempeo
de
algunas
mtricas
que
se
describen
a
continuacin:
-Reuso
del
espacio
(spatial
reuse).
Esta
mtrica
establece
el
nmero
de
conexiones
permitidas
en
una
regin
dada.
Una
red
organizada
mediante
clusters
promueve
el
re-uso
del
espacio
y
por
lo
tanto
se
mejora
la
capacidad
del
sistema.
-Distribucin
del
ancho
de
banda.
Entre
los
usuarios
disponibles,
la
distribucin
del
ancho
de
banda
debe
ser
proporcional
a
las
caractersticas
de
trfico
de
cada
uno
de
los
usuarios.
Efectuar
clustering
mejora
esta
propiedad
ya
que
se
disminuye
el
trfico
de
la
red.
-Throughput.
Se
refiere
a
la
fraccin
de
la
capacidad
del
canal
empleado
en
la
transmisin
de
datos.
El
establecimiento
de
clusters
mejora
el
desempeo
de
esta
mtrica.
-La
escalabilidad.
Es
la
habilidad
que
tiene
la
capa
MAC
de
mantener
un
buen
desempeo
de
la
red
cuando
sus
factores
limitantes
como
el
trfico
o
la
movilidad
se
incrementan
debido
a
un
crecimiento
en
el
nmero
de
usuarios.
La
necesidad
de
almacenar
los
detalles
completos
del
enrutamiento
en
una
gran
topologa
de
red,
tiene
consecuencias
en
la
escalabilidad.
La
jerarqua
plana
adoptada
por
muchos
de
los
protocolos
de
enrutamiento
en
MANET,
no
es
capaz
de
soportar
la
funcin
de
enrutamiento
de
manera
eficiente.
Este
hecho
se
debe
a
que
las
tablas
de
enrutamiento
crecen
de
forma
significativa
si
cada
nodo
tiene
una
vista
completa
de
la
topologa
de
la
red.
Una
de
las
razones
principales
por
las
cuales
se
proponen
algoritmos
de
clustering
en
redes
mviles
ad
hoc,
es
para
manejar
las
consecuencias
de
la
escalabilidad.
Efectuar
clustering
permite
que
una
red
ad
hoc
de
gran
tamao
sea
escalable
mediante
la
implementacin
de
una
topologa
jerrquica
en
la
red.
Por
otro
lado,
el
establecimiento
de
clusters
permite
mejorar
el
desempeo
de
la
capa
de
red
ya
que
el
enrutamiento
se
optimiza
mediante
la
reduccin
de
las
tablas
de
enrutamiento
y
la
disminucin
del
nmero
de
transmisiones
necesarias
durante
el
envo
de
las
actualizaciones,
al
ocurrir
un
cambio
topolgico
en
la
red.
Al
implementar
un
proceso
de
clustering
en
MANET,
la
distribucin
de
la
informacin
topolgica
de
la
red
se
simplifica
ya
que
el
nmero
de
nodos
de
un
cluster
es
menor
al
nmero
total
de
nodos
presentes
en
la
red.
Por
lo
tanto,
cada
nodo
slo
debe
almacenar
una
fraccin
de
la
informacin
total
de
la
red
referente
al
enrutamiento.
Aparte
de
lograr
que
una
red
de
gran
tamao
parezca
ms
pequea,
los
procesos
de
clustering
logran
que
una
topologa
altamente
dinmica
parezca
menos
dinmica.4
Este
hecho
minimiza
la
prdida
de
los
enlaces
y
la
de
los
paquetes.
2.3.2
Formacin
de
clusters
en
las
redes
mviles
ad
hoc.
En
la
mayora
de
los
algoritmos
de
clustering
propuestos
se
establecen
tres
tipos
de
nodos:
.
Clusterheads
.
Nodos
Gateway
.
Nodos
ordinarios

Clusterheads.
La
funcin
principal
de
un
clusterhead
es
la
de
calcular
las
rutas
para
mensajes
de
larga
distancia
y
enviar
paquetes
entre
los
clusters.
Un
paquete
proveniente
de
un
nodo
es
transmitido
en
primera
instancia
a
su
clusterhead
respectivo.
Si
el
destinatario
se
encuentra
localizado
en
el
mismo
cluster,
el
clusterhead
simplemente
le
entrega
el
paquete
al
nodo
destino.
Si
el
destinatario
del
paquete
se
encuentra
localizado
en
un
cluster
diferente,
el
clusterhead
enva
el
paquete
a
travs
del
backbone
formado
por
los
clusterheads
de
la
red,
hasta
ser
recibido
por
el
clusterhead
del
nodo
destino.
Este
clusterhead
se
encarga
de
remitir
el
paquete
al
destinatario
respectivo.
4
Ibid.,
p.
1466.
El
concepto
de
clusterheads
es
anlogo
al
concepto
de
estaciones
base
en
las
redes
celulares
actuales.
Tanto
los
clusterheads
como
las
estaciones
base
actan
como
coordinadores
locales
que
facilitan
la
disponibilidad
del
canal
y
realizan
un
control
del
consumo
de
la
potencia.
Sin
embargo,
la
diferencia
entre
un
clusterhead
y
una
estacin
base
convencional
radica
principalmente
en
que
los
clusterheads
no
tienen
implementado
un
hardware
especial,
son
seleccionados
entre
el
conjunto
de
nodos
presentes
en
la
red
y
presentan
un
comportamiento
dinmico
y
mvil.
Por
esta
razn
el
proceso
de
seleccin
de
los
clusterheads
debe
considerar
para
dicho
papel,
aquellos
nodos
con
alto
grado
de
estabilidad
relativa
con
el
fin
de
evitar
la
frecuente
reconfiguracin
de
los
clusterheads
en
la
red.

Nodos
gateway.
Los
nodos
gateway
son
aquellos
nodos
que
no
son
clusterheads
y
se
encuentran
localizados
en
la
periferia
de
un
cluster.
Este
tipo
de
nodos
se
llaman
gateways
porque
son
capaces
de
escuchar
las
transmisiones
de
un
nodo
que
pertenece
a
un
cluster
distinto
del
suyo.
Para
que
esto
ocurra,
un
nodo
gateway
debe
tener
por
lo
menos
un
nodo
vecino
que
sea
miembro
de
otro
cluster
diferente.

Nodos
ordinarios.
Los
nodos
ordinarios
son
los
miembros
de
un
cluster
que
no
son
adyacentes
a
ningn
otro
cluster.
En
la
Figura
9
se
puede
apreciar
los
papeles
de
cada
uno
de
los
nodos
descritos
anteriormente,
en
una
red
ad
hoc
dividida
en
clusters.
Figura
9.
Estructura
de
una
red
ad
hoc
formada
por
clusters.
Para
establecer
un
backbone
de
comunicacin
en
una
red
mvil
ad
hoc,
los
clusterheads
se
conectan
directamente
entre
s
o
por
medio
de
nodos
gateway.
El
backbone
permite
simplificar
funciones
tales
como
el
acceso
al
canal,
la
utilizacin
del
ancho
de
banda
y
el
control
sobre
el
consumo
de
la
potencia.
En
la
figura
10
se
aprecia
una
MANET
dividida
en
clusters
y
el
backbone
de
comunicacin
formado
por
los
clusterheads.
Figura
10.
Backbone
formado
en
una
MANET.
2.3.3
Propiedades
deseables
en
un
algoritmo
de
clustering.
Las
siguientes
son
propiedades
deseables
que
debe
cumplir
un
algoritmo
de
clustering:
-El
algoritmo
debe
ejecutarse
en
tiempo
real.
-Un
buen
algoritmo
de
clustering
debe
preservar
su
estructura
el
mayor
tiempo
posible
mientras
los
nodos
se
mueven.
Por
lo
tanto,
los
clusters
formados
deben
presentar
una
estabilidad
mnima
para
que
la
configuracin
de
la
red
no
cambie
drsticamente.
-Se
debe
evitar
que
el
conjunto
de
clusterheads
seleccionados
cambie
con
mucha
regularidad.
El
frecuente
clculo
de
los
clusterheads
y
el
frecuente
intercambio
de
informacin
entre
los
nodos
de
la
red
hacen
que
el
procesamiento
computacional
sea
excesivo.
-Se
debe
balancear
el
nmero
de
clusterheads
de
la
red.
Un
nmero
pequeo
de
clusterheads
implica
una
sobrecarga
para
estos
ya
que
sus
clusters
respectivos
tendrn
un
gran
nmero
de
nodos.
Sin
embargo,
un
nmero
grande
de
clusterheads
hace
que
el
nmero
de
saltos
para
que
un
paquete
pueda
ser
transportado
desde
el
origen
hasta
el
destino,
sea
muy
grande
dado
que
el
paquete
debe
atravesar
un
gran
nmero
de
clusterheads.
Esto
implica
una
gran
latencia
en
la
red,
un
mayor
consumo
de
batera
y
un
mayor
procesamiento
de
informacin
en
cada
nodo.
-El
tamao
de
los
clusters
no
debe
ser
tan
grande
como
para
sobrecargar
a
los
clusterheads
ni
tan
pequeo
como
para
que
los
clusterheads
se
mantengan
desocupados
durante
la
mayor
parte
del
tiempo.
-El
algoritmo
debe
ser
distribuido,
es
decir
se
debe
llevar
a
cabo
de
una
forma
no
centralizada.
-A
todos
los
nodos
de
la
red
se
les
debe
asignar
un
cluster.
-El
algoritmo
debe
funcionar
sin
un
set
de
entrenamiento
preestablecido.
-Es
deseable
que
el
algoritmo
sea
adaptativo
para
que
los
nodos
puedan
reaccionar
frente
a
los
cambios
topolgicos
de
la
red.
2.4
TEORA
DE
GRAFOS5
5
ROSEN,
Kenneth
H.
Matemtica
discreta
y
sus
aplicaciones.
5ed.
Madrid:
Mcgraw-Hill,
2004.
p.
(Laboratorios
AT&T,
Middletown,
Nueva
Jersey,
USA).
La
teora
de
grafos
constituye
un
elemento
de
estudio
en
reas
como
matemticas
y
ciencias
computacionales.
Usualmente
las
redes
mviles
ad
hoc
se
representan
mediante
grafos.
A
continuacin
se
introducirn
algunos
conceptos
fundamentales
de
la
teora
de
grafos.
2.4.1
Conceptos
preliminares.
Los
grafos
son
estructuras
discretas
que
constan
de
vrtices
y
de
aristas
las
cuales
conectan
entre
s
los
vrtices.
Se
representan
comnmente
por
medio
de
un
conjunto
de
puntos
correspondientes
a
los
vrtices
o
a
los
nodos,
los
cuales
se
unen
por
medio
de
lneas
correspondientes
a
las
aristas
o
a
los
enlaces.
En
la
figura
11
se
puede
apreciar
un
grafo
con
5
vrtices
y
6
aristas.
Segn
la
aplicacin,
los
grafos
pueden
ser
dirigidos
o
no
dirigidos.
Figura
11.
Ejemplo
de
un
grafo
con
5
vrtices
y
6
aristas.

Grafos
dirigidos.
Un
grafo
dirigido
denotado
G
=
(V,
E)
consta
de
un
conjunto
V
de
vrtices
y
de
un
conjunto
E
de
aristas
que
son
pares
ordenados
de
elementos
de
V.
E
es
un
conjunto
de
enlaces
dirigidos
que
se
denotan
por
medio
de
flechas.
Una
red
informtica
con
lneas
telefnicas
unidireccionales
se
puede
representar
mediante
este
tipo
de
grafos.
Figura
12.
Grafo
dirigido.

Grafos
no
dirigidos.
Un
grafo
no
dirigido
se
denota
por
G
y
consiste
en
un
par
ordenado
G=
(V,E),
donde
V
corresponde
a
un
conjunto
de
vrtices
o
de
nodos
y
E
corresponde
a
un
conjunto
de
pares
no
ordenados
de
elementos
distintos
de
V.
A
estos
pares
se
les
llama
aristas.
A
los
vrtices
que
pertenecen
a
un
enlace
se
les
llama
ends
o
endpoints
del
enlace.
Las
redes
informticas
con
lneas
bidireccionales
se
pueden
representar
mediante
los
grafos
no
dirigidos.
Figura
13.
Grafo
no
dirigido.
Una
MANET
puede
ser
representada
mediante
un
grafo
no
dirigido
G
=
(V,E)
donde,
V
corresponde
al
conjunto
de
nodos
mviles
inalmbricos
y
E
corresponde
al
conjunto
de
enlaces
entre
estos
nodos
asumiendo
que
todos
tienen
el
mismo
rango
de
transmisin
R.
Dos
nodos
se
consideran
vecinos
si
y
solo
si
la
distancia
geogrfica
entre
ellos
es
menor
a
R.
Los
nodos
se
comunican
mediante
enlaces
bidireccionales.
27
Vecindario. Dos vrtices u y v de un grafo no dirigido G son adyacentes (o vecinos
) en
G, si {u,v} es una arista de G, es decir si existe un enlace entre ellos dos. Si
e = {u, v} se
dice que la arista e conecta a u y a v. En la figura 11 los vrtices 2 y 3 son ady
acentes. El
conjunto de vecinos, denominado vecindario abierto NG(v) para un vrtice v en un g
rafo G,
comprende todos los vrtices adyacentes a v pero no incluye a v. Por otro lado, un

vecindario cerrado denotado como NG[v], se presenta cuando v es incluido dentro
del
conjunto de vecinos.
En las redes ad hoc, el vecindario correspondiente a un nodo v se define como:
N[v] = .
v' V,v' v
{v'| dist(v,v') txrange}
. .
<
Ec. 1. Definicin de vecindario cerrado
donde txrange corresponde al rango de transmisin del vrtice v.
Distancia y dimetro. En un grafo no dirigido G = (V, E) las distancia entre dos n
odos,
u y v, denotada por d (u,v), corresponde al nmero de enlaces que unidos forman el
camino
ms corto entre esos dos nodos. El dimetro de un grafo no dirigido G se define como
:
diam(G) = max { d(u, v) : u, v . V }
Ec. 2. Dimetro en un grafo no dirigido
Por lo tanto el dimetro de un grafo es la mxima distancia entre cualquier par de n
odos.
Cuando cada nodo dentro de un cluster se encuentra a un salto de los otros nodos
, se dice
que cada cluster es de dimetro 1.
Subgrafos. Hay casos en que slo se requiere parte de un grafo para dar solucin a u
n
problema en particular. Cuando un grafo representa una red en su totalidad, se p
ueden
eliminar algunos vrtices salvo los que son de inters particular, y se pueden supri
mir todas
las
aristas
que
son
incidentes
con
algunos
de
los
vrtices
descartados.
Al
grafo
ms
pequeo
que
se
obtiene
se
le
conoce
como
subgrafo
del
grafo
original.
El
subgrafo
de
un
grafo
G
es
un
grafo
en
el
cual
los
conjuntos
de
vrtices
y
enlaces
pertenecen
tambin
a
G.
La
definicin
formal
de
subgrafo
se
describe
a
continuacin:
Definicin.
Un
subgrafo
de
un
grafo
G
=
(V,
E)
es
un
grafo
H
=
(W,
F)
con
W.
V
y
F.
E.
Figura
14.
Grafo
G.
Figura
15.
Subgrafo
de
G.
Un
subgrafo
H
de
un
grafo
G
corresponde
a
un
grafo
inducido
si
para
cada
par
de
vrtices
x
y
y
de
H,
xy
es
un
enlace
de
H
si
y
solo
si
xy
es
un
enlace
de
G.
Por
lo
tanto,
H
es
un
grafo
inducido
de
G,
si
contiene
casi
todos
los
enlaces
que
aparecen
en
G
para
un
mismo
conjunto
de
vrtices
dado.

Caminos.
Un
camino
es
una
secuencia
de
aristas
que
comienza
en
un
vrtice
del
grafo
y
recorre
ciertas
aristas
del
grafo
siempre
conectando
pares
de
vrtices
adyacentes.
Un
camino
es
simple
si
no
contiene
la
misma
arista
ms
de
una
vez.
Definicin:
Sea
n
un
entero
no
negativo
y
sea
G
un
grafo
no
dirigido.
Un
camino
de
longitud
n
del
vrtice
u
al
vrtice
v
en
G,
es
una
secuencia
de
n
aristas
a1,
a2,,
an
de
G
tal
que
f(a1)
=
{x0,
x1},
f(a2)
=
{x1,x2},
,
f(an)
=
{xn-1,
xn},
donde
x0
=
u
y
xn
=
v.
Para
un
grafo
simple
este
camino
se
denota
por
su
secuencia
de
vrtices
x0,
x1,
,
xn.
En
la
figura
14
a,
c,
b,
d
es
un
camino
simple
de
longitud
3
formado
por
las
aristas
{a,c},{c,b}
y
{b,
d}.
El
camino
d,
c,
a,
b,
d,
c
tiene
longitud
4
pero
no
es
simple
ya
que
contiene
dos
veces
la
arista
{d,
c}.
2.4.2
Conjuntos
dominantes.
Casi
todas
las
tcnicas
de
clustering
para
las
redes
mviles
ad
hoc
se
basan
en
el
concepto
de
conjuntos
dominantes.
Los
algoritmos
de
clustering
distribuidos
se
disean
para
encontrar
conjuntos
dominantes
de
pequeo
tamao.
El
objetivo
de
encontrar
conjuntos
dominantes
es
que
los
miembros
de
este
conjunto
sean
los
clusterheads.
El
problema
de
encontrar
un
conjunto
mnimo
dominante
se
plantea
en
el
contexto
de
las
redes
de
comunicaciones,
con
el
fin
de
encontrar
un
mnimo
nmero
de
transmisores
que
permitan
que
las
dems
estaciones
estn
en
el
rango
de
alcance
de
al
menos
uno
de
los
transmisores
seleccionados.
Sin
embargo
la
labor
de
encontrar
un
conjunto
mnimo
dominante
es
un
problema
de
tipo
NP-hard,
es
decir,
un
problema
en
el
cual
no
existe
solucin
conocida
en
tiempo
polinomial.
Dado
que
en
una
red
ad
hoc
es
muy
complicado
obtener
el
conocimiento
completo
sobre
la
topologa
de
la
red,
se
plantean
diversas
heursticas
que
tratan
de
encontrar
un
conjunto
mnimo
dominante
en
un
nmero
polinomial
de
pasos.
Un
conjunto
dominante
de
un
grafo
G
=
(V,E)
se
define
como
un
subconjunto
de
vrtices
S
.
V,
donde
cada
vrtice
v
.
V
se
encuentra
en
S,
o
es
adyacente
a
un
vrtice
perteneciente
a
S.
Se
dice
que
un
vrtice
perteneciente
a
S
se
domina
a
s
mismo
y
a
los
vrtices
que
se
encuentren
adyacentes
a
l.
Esta
restriccin
impuesta
al
conjunto
dominante
puede
asegurar
que
los
clusterheads
se
encuentren
relativamente
cerca
uno
del
otro,
posibilitando
as
el
enrutamiento
de
paquetes
entre
los
clusters.
En
la
Figura
16
el
conjunto
de
nodos
dominantes
corresponde
a
los
puntos
negros.
Figura
16.
Conjunto
de
nodos
dominantes.
Fuente:
CHEN,
Y.
P.;
LIESTMAN,
A.
L.
y
LIU,
J.
Clustering
Algorithms
for
Ad
Hoc
Wireless
Networks.
[pdf].
CA,
USA:
Nova
Science
Publishers,
revisado
2004.
<http://www.cs.sfu.ca/~jcliu/Papers/chapter-adhoc.pdf>.
[Consulta:
5
Ago:
2005].
Un
conjunto
dominante
puede
ser
a
su
vez
independiente,
conexo
o
dbilmente
conexo:
-Conjuntos
dominantes
independientes.
Un
conjunto
dominante
independiente
consiste
en
una
coleccin
de
vrtices
en
la
cual
dos
vrtices
no
pueden
ser
adyacentes,
es
decir
no
pueden
estar
conectados
por
un
enlace.
Muchas
tcnicas
de
clustering
como
Lowest-ID
heuristic,
Highest-degree
heuristic
y
DMAC,
las
cuales
se
describirn
posteriormente
en
el
captulo,
establecen
conjuntos
dominantes
independientes
en
las
redes
mviles
ad
hoc.
Sin
embargo,
la
formacin
de
conjuntos
dominantes
independientes
puede
causar
un
efecto
en
las
redes
conocido
como
la
reaccin
en
cadena
(chain
reaction)
ante
los
cambios
topolgicos.
Esto
sucede
cuando
al
presentarse
adyacencia
entre
dos
clusterheads,
uno
de
los
dos
clusterheads
debe
renunciar
a
su
papel
ya
que
la
condicin
de
independencia
en
los
conjuntos
dominantes
impone
que
no
deben
haber
dos
clusterheads
que
sean
vecinos.
Lo
anterior
puede
originar
que
se
propaguen
a
travs
de
toda
la
red,
otros
cambios
en
la
configuracin
de
los
clusterheads.
-Conjuntos
dominantes
conexos.
Un
conjunto
dominante
conexo
(CDS:
connected
dominating
set)
se
presenta
cuando
el
subgrafo
inducido
por
el
conjunto
dominante
est
conectado.
Un
conjunto
dominante
conexo
ayuda
a
mejorar
el
enrutamiento
en
una
red
ad
hoc.
Sin
embargo
la
restriccin
de
conectividad
origina
un
nmero
de
clusters
relativamente
grande.
Los
conjuntos
dominantes
conexos
se
pueden
formar
por
medio
de
clusterheads
y
por
medio
de
nodos
gateway.
En
la
figura
17
se
ilustra
un
conjunto
dominante
conexo
correspondiente
a
los
puntos
negros
unidos
por
las
lneas
oscuras.
Figura
17.
Conjunto
dominante
conexo.
Fuente:
Ibid.
-Conjuntos
dominantes
dbilmente
conexos.
El
nmero
de
clusters
en
una
red
se
puede
reducir
relajando
la
condicin
de
conectividad.
Para
ello
se
introduce
el
concepto
de
conjunto
dominante
dbilmente
conexo
(WCDS:
weakly
connected
dominating
set).
El
subgrafo
dbilmente
conexo
inducido
por
un
conjunto
dominante
S
corresponde
al
grafo
G
=
(V,
E)
en
el
cual
cada
arista
en
E
tiene
al
menos
un
punto
de
terminacin
en
S.
El
conjunto
S
es
un
conjunto
dominante
dbilmente
conexo
de
G
si
S
es
dominante
y
G
se
encuentra
conectado6
.
Varios
autores
sugieren
que
el
concepto
de
los
conjuntos
dominantes
dbilmente
conexos,
es
el
ms
adecuado
para
ser
aplicado
a
las
redes
mviles
ad
hoc
ya
que
se
establecen
un
menor
nmero
de
clusters.
6
ALZOUBI,
K.M.;
PENG-JUN,
W.
y
FRIEDER,
O.
Weakly-connected
dominating
sets
and
sparse
spanners
in
wireless
ad
hoc
networks.
En:
International
Conference
on
Distributed
Computing
Systems
(23:2003)
Proceedings.
Providence,
Rhode
Island,
USA:
IEEE,
2003.
p.
96.
En
la
Figura
18
los
vrtices
1
y
2
forman
el
conjunto
dominante
dbilmente
conexo
y
las
aristas
negras
conforman
el
subgrafo
inducido
dbilmente
conexo.
Figura
18.
Conjunto
dominante
dbilmente
conexo
y
subgrafo
inducido
dbilmente
conexo.
Fuente:
Ibid.,
p.96.
2.5.
DESCRIPCIN
DE
ALGUNAS
TCNICAS
DE
CLUSTERING
En
esta
seccin
se
describe
el
funcionamiento
de
ocho
tcnicas
de
clustering
planteadas
en
CHATTERJEE,
M.;
DAS,
S.K.
y
TURGUT,
D.
WCA:
A
Weighted
clustering
algorithm
for
mobile
ad
hoc
diversos
trabajos:
Lowest-ID7
,
Highest-degree8
,
k-CONID9
,
(a,
t)10
,
Max-Min,
11
MobDhop,
DMAC12
13
y
WCA14
.
7
networks.
En:
Cluster
Computing.
Tucson,
USA.
Vol.
5.
(2002);
p.193.
8
Ibid.,
p.193.
9
NOCETTI,
F.G.;
GONZALEZ,
J.S.
y
STOJMENOVIC,
I.
Connectivity
Based
k-hop
clustering
in
wireless
networks.
En:
Telecommunication
Systems.
Holanda.
Vol.
22,
N.o
1-4.
(2003);
p.
205.
10
MCDONALD
y
ZNATI,
Op.
Cit,
p.
1466.
11
AMIS,
A.D.;
PRAKASH,
R.
;
VUONG,
T.H.P.
y
HUYNH,
D.T.
Max-Min
D-Cluster
Formation
in
Wireless
Ad
Hoc
Networks.
En:
Conference
on
Computer
Communications
(INFOCOM).
Proceedings.
TelAviv,
Israel:
IEEE,
2000.
Vol
1.
p.32.
2.5.1.
Lowest-ID
y
Highest-degree,
Los
algoritmos
conocidos
como
Lowest-ID
y
Highest-
degree
son
dos
de
los
primeros
algoritmos
ms
populares
que
se
disearon
para
la
formacin
de
clusters
en
redes
ad
hoc.
Muchos
de
los
trabajos
sobre
clustering
que
se
plantean
actualmente
toman
estos
dos
algoritmos
como
referencia
para
evaluar
el
desempeo
de
los
algoritmos
diseados.
Tanto
Lowest-ID
como
Highest-degree
se
basan
en
los
conjuntos
dominantes
independientes.
Ambos
algoritmos
utilizan
pesos
y
se
dice
que
son
localizados
ya
que
cada
nodo
solo
necesita
conocer
la
informacin
de
los
vecinos
que
se
encuentran
a
una
distancia
de
un
salto.
A
continuacin
se
describe
el
funcionamiento
de
cada
uno:

Lowest-ID.
A
cada
nodo
perteneciente
a
la
red
se
le
asigna
un
identificador
denotado
como
ID.
Cada
nodo
realiza
un
broadcast
de
su
ID
a
sus
vecinos
directos
y
luego
compara
su
propio
ID
con
el
de
sus
vecinos.
Un
nodo
decide
convertirse
en
clusterhead
si
tiene
el
menor
ID
entre
los
IDs
de
sus
vecinos.
Un
nodo
que
se
puede
comunicar
con
dos
o
ms
clusterheads
se
convierte
en
un
nodo
gateway.
De
lo
contrario
el
nodo
simplemente
es
un
nodo
ordinario.
En
la
figura
19
se
ilustra
una
red
a
la
que
se
le
aplica
el
algoritmo
de
Lowest-ID.
Se
puede
observar
que
no
hay
clusterheads
(cuadrados
negros)
directamente
conectados
ya
que
el
algoritmo
establece
un
conjunto
dominante
independiente.
Los
nodos
ordinarios
corresponden
a
los
crculos
blancos
y
los
nodos
gateway
a
los
crculos
negros.
12
SEAH,
W.K.G.
Mobility-based
d-hop
clustering
algorithm
for
mobile
ad
hoc
networks.
En:
Wireless
Communications
and
Networking
Conference.
Atlanta,
Georgia,
USA:
IEEE,
2004.
Vol.
4,
No
21-25.
p.
2359.
13
BASAGNI,
S.
Distributed
clustering
for
ad
hoc
networks.
En:
Int.
Symp.
On
Parallel
Architectures,
Algorithms,
and
Networks.
Proceedings.
Fremantle,
Australia
:
1999.
p.
310.
14
CHATTERJEE,
DAS
y
TURGUT,
Op.
Cit.,
p.
193.
Figura
19.
Ejemplo
de
formacin
de
clusters
mediante
Lowest-ID.
Fuente:
GERLA,
M.
y
TSAI,
J.
Multicluster,
mobile,
multimedia
radio
network.
En:
Wireless
networks.
Hingham,
MA,
USA.
Vol
1.
(Mar,
1995);
p.
255.

Highest-degree.
Este
algoritmo
tambin
es
conocido
como
Highest-connectivity.
Se
basa
precisamente
en
la
conectividad
que
tiene
un
nodo
con
sus
vecinos
directos.
Cada
nodo
hace
un
broadcast
peridico
del
estado
de
su
conectividad
a
todos
sus
vecinos.
Un
nodo
decide
convertirse
en
clusterhead
o
en
nodo
ordinario,
comparando
el
grado
de
conectividad
de
sus
vecinos
con
el
suyo.
Si
un
nodo
tiene
el
valor
ms
grande
de
conectividad
en
un
vecindario
es
elegido
como
clusterhead.
Lowest-ID
y
Highest-degree
presentan
algunas
desventajas
que
tienen
que
ver
con
la
configuracin
de
clusters
inestables.
En
el
caso
de
Lowest-ID,
un
nodo
que
sea
altamente
mvil
y
tenga
el
menor
ID
entre
sus
vecinos
puede
ser
elegido
como
clusterhead.
Esto
puede
ocasionar
una
frecuente
reconfiguracin
de
la
red
y
cambios
de
clusterheads
no
deseables,
lo
cual
produce
un
excesivo
intercambio
de
informacin
entre
los
nodos.
Esto
se
puede
minimizar
seleccionando
un
clusterhead
que
se
mantenga
en
un
mismo
cluster
por
un
largo
tiempo.
2.5.2
k-hop
CONID.
La
tcnica
de
clustering
k-CONID
(k-hop
connectivity
ID)
combina
dos
algoritmos
de
clustering,
Lowest-ID
y
Highest-degree,
en
uno
solo.
Para
realizar
la
seleccin
de
los
clusterheads
se
considera
como
primer
criterio
la
conectividad
y
como
segundo
criterio
el
ID
de
valor
ms
pequeo.
Cuando
se
utiliza
solamente
la
conectividad
de
los
nodos
como
criterio
de
seleccin
de
clusterheads,
se
originan
muchos
empates
entre
los
nodos.
Por
otro
lado
usar
solamente
el
criterio
del
ID
de
valor
ms
pequeo
genera
ms
clusters
de
los
requeridos.
El
propsito
de
k-CONID
es
el
de
minimizar
el
nmero
de
clusters
formados
en
la
red
y
de
esta
manera
obtener
conjuntos
dominantes
de
menor
tamao.
En
el
algoritmo
de
k-CONID
los
clusters
se
forman
mediante
la
seleccin
de
un
clusterhead
y
todos
los
nodos
que
se
encuentren
a
una
distancia
de
k-saltos
de
este.
Por
lo
tanto,
los
vecinos
de
un
nodo
se
pueden
localizar
a
una
distancia
de
al
menos
k-saltos.
A
cada
nodo
en
la
red
se
le
asigna
un
par
conocido
como
prioridad
del
clusterhead
y
denotado
como
did
=
(d,
ID).
El
valor
de
d
equivale
a
la
conectividad
d
de
un
nodo
y
el
valor
ID
es
el
identificador
del
nodo.
Un
nodo
es
elegido
como
clusterhead
si
posee
el
valor
ms
grande
de
conectividad.
En
caso
de
igual
conectividad,
la
prioridad
que
tiene
un
nodo
para
convertirse
en
clusterhead
depende
de
si
tiene
el
ID
ms
pequeo.
Un
nodo
realiza
un
broadcast
de
su
decisin
tomada
respecto
a
su
estado
cuando
todos
sus
vecinos
de
k-saltos
que
tengan
prioridades
de
clusterhead
de
valor
ms
grande,
lo
hayan
hecho.
El
algoritmo
funciona
de
la
siguiente
manera:

Inicialmente,
los
nodos
con
los
valores
de
prioridad
de
clusterhead
ms
grandes
entre
sus
vecinos
de
k-saltos,
deciden
crear
clusters
en
los
cuales
sern
clusterheads.
Estos
nodos
realizan
un
broadcast
de
su
decisin
a
sus
vecinos
de
k-saltos.

Un
nodo
puede
decidir
formar
parte
de
un
cluster
en
el
cual
el
clusterhead
es
su
vecino
de
k-saltos
con
el
valor
ms
grande
de
did,
y
realiza
un
broadcast
manifestando
su
decisin.
Sin
embargo,
tambin
puede
ocurrir
que
todos
los
vecinos
de
un
nodo
con
el
valor
de
did
ms
grande
ya
hayan
realizado
un
broadcast
manifestando
su
decisin
y
ninguno
se
haya
declarado
clusterhead.
En
este
caso
el
nodo
decide
crear
su
propio
cluster
y
su
did
se
convierte
en
el
ID
de
su
cluster.

A
pesar
de
que
cada
nodo
solo
determina
su
pertenencia
a
un
solo
cluster,
los
clusters
se
pueden
superponer.
Esto
significa
que
un
nodo
puede
llegar
a
pertenecer
a
todos
los
clusters
en
los
cuales
su
clusterhead
se
encuentre
a
k-saltos
de
distancia
del
nodo.
Los
nodos
que
pertenecen
a
ms
de
un
solo
cluster
se
convierten
en
nodos
gateway.
2.5.3
(a,
t)
cluster
framework.
El
algoritmo
de
clustering
(a,
t)
utiliza
un
modelo
de
probabilidad
para
determinar
la
disponibilidad
de
los
caminos
entre
los
nodos
de
una
red
ad
hoc.
(a,
t)
es
un
algoritmo
distribuido
asincrnico
en
el
cual
los
nodos
se
organizan
en
clusters
de
una
forma
dinmica.
Los
autores
de
(a,
t)
pretenden
dar
con
esta
tcnica
de
clustering,
soporte
a
un
esquema
de
enrutamiento
hbrido
y
adaptativo
el
cual
pueda
desempearse
de
una
manera
ms
ptima
cuando
las
ratas
de
movilidad
sean
bajas
y
de
una
manera
ms
eficiente
cuando
las
ratas
de
movilidad
sean
altas.
El
propsito
de
formar
clusters
de
acuerdo
a
la
movilidad
de
los
nodos,
es
el
de
balancear
de
manera
adaptativa
el
enrutamiento
proactivo
y
reactivo.
En
el
algoritmo
de
(a,
t)
los
caminos
se
evalan
mediante
dos
parmetros
del
sistema,
a
y
t.
a
establece
un
lmite
inferior
a
la
probabilidad
de
que
en
un
cluster
dado,
un
camino
se
mantendr
disponible
por
un
tiempo
t.
La
funcin
de
a
es
la
de
controlar
la
estabilidad
del
cluster
mientras
que
la
funcin
de
t
es
la
de
controlar
el
tamao
de
un
cluster,
dado
un
cierto
nivel
de
estabilidad.
Esta
tcnica
de
clustering
establece
un
criterio
denominado
criterio
(a,
t),
para
formar
clusters
de
nodos
en
un
red
ad
hoc.
El
criterio
(a,
t)
se
satisface
si
existe
por
lo
menos
una
probabilidad
a
durante
un
periodo
de
tiempo
t
de
que
los
caminos
internos
de
un
cluster
se
encuentren
disponibles
para
que
los
nodos
de
un
mismo
cluster
sean
mutuamente
alcanzables.
Debido
a
que
la
disponibilidad
de
los
caminos
es
un
proceso
aleatorio,
la
movilidad
de
los
nodos
que
se
encuentren
en
un
cierto
camino
determina
el
grado
de
disponibilidad
que
este
camino
pueda
presentar.
Por
lo
tanto
el
algoritmo
de
clustering
(a,
t)
predice
la
movilidad
de
un
nodo
con
el
fin
de
organizar
la
red
en
clusters.
El
algoritmo
est
diseado
para
tomar
acciones
apropiadas
ante
cambios
topolgicos
ya
que
un
cambio
topolgico
requiere
que
los
nodos
reevalen
el
criterio
(a,
t).
Las
acciones
tomadas
por
el
algoritmo
de
clustering
(a,
t)
dependen
de
la
informacin
brindada
por
los
protocolos
de
la
capa
de
red
y
de
la
capa
de
interfaz
de
red.
A
cada
nodo
de
la
red
se
le
asigna
un
nmero
identificador
del
cluster
CID
(cluster
identifier
number).
Cada
nodo
hace
uso
a
su
vez
de
un
timer
conocido
como
a
timer
el
cual
determina
el
mximo
tiempo
t
para
el
cual
un
nodo
puede
garantizar
la
disponibilidad
de
un
camino
a
cada
cluster
destino
con
una
probabilidad
mayor
o
igual
a
a.
La
documentacin
que
se
presenta
sobre
(a,
t)
expone
el
pseudo
cdigo
para
cinco
eventos
que
pueden
producir
cambios
topolgicos
en
las
MANET
organizadas
mediante
clusters.
Estos
eventos
se
describen
a
continuacin:
-Activacin
de
un
nodo:
Cuando
un
nodo
de
la
red
se
activa,
inicializa
su
CID
a
un
valor
predefinido
para
indicar
que
no
se
encuentra
unido
a
un
cluster.
El
propsito
de
un
nodo
activado
es
el
de
descubrir
nodos
adyacentes
y
unirse
a
su
cluster.
Para
ello
el
nodo
activado
identifica
primero
los
CIDs
de
sus
vecinos
y
luego
evala
la
disponibilidad
del
enlace
asociada
con
cada
vecino
de
acuerdo
a
la
informacin
obtenida
sobre
la
movilidad.
Los
vecinos
le
transmiten
al
nodo
activado
la
informacin
topolgica
completa
sobre
el
cluster
y
este
determina
si
todos
los
nodos
en
ese
cluster
presentan
disponibilidad
(a,
t).
El
nodo
se
une
al
cluster
si
este
cumple
con
el
criterio
(a,
t).
Un
nodo
activado
establece
su
membresa
a
un
cluster,
igualando
el
valor
de
su
CID
al
valor
del
CID
del
cluster
al
cual
se
va
a
unir.
De
esta
forma
el
protocolo
de
enrutamiento
adiciona
automticamente
el
nodo
activado
a
las
tablas
de
enrutamiento
de
los
otros
miembros
del
cluster
para
convertirlo
en
un
nuevo
destino.
Un
nodo
activado
que
sea
incapaz
de
unirse
a
un
cluster,
forma
su
propio
cluster
y
su
a
timer
se
ajusta
al
valor
del
parmetro
t
del
sistema
con
el
fin
de
tratar
nuevamente
de
unirse
a
un
cluster.
-Activacin
de
un
enlace:
Cuando
un
nodo
se
encuentra
dentro
de
un
cluster
y
detecta
la
activacin
de
un
enlace,
la
topologa
del
cluster
simplemente
se
actualiza.
Por
otro
lado,
cuando
un
nodo
que
an
no
se
ha
unido
a
un
cluster
detecta
la
activacin
de
un
enlace,
este
intenta
unirse
a
un
cluster
de
nuevo.
Para
ello,
el
nodo
reset
su
CID
ponindolo
en
un
estado
que
indica
que
no
se
encuentra
unido
a
un
cluster.
-Falla
de
un
enlace:
Si
un
nodo
detecta
la
falla
de
un
enlace
debe
determinar
si
ha
perdido
caminos
(a,
t)
con
respecto
a
los
destinos
en
el
cluster.
Si
un
destino
se
ha
vuelto
inaccesible,
el
nodo
lo
elimina
de
su
tabla
de
enrutamiento
y
no
lo
sigue
teniendo
en
cuenta
para
el
clculo
de
los
caminos
(a,
t).
Por
otro
lado,
un
nodo
abandona
voluntariamente
su
cluster
cuando
detecta
que
los
nodos
de
ste
permanecen
conectados
pero
no
se
encuentran
disponibles
para
l
segn
el
criterio
(a,
t).
-Expiracin
del
a
timer:
Cuando
se
expira
el
a
timer
las
acciones
que
toma
un
nodo
son
las
mismas
que
cuando
detecta
la
falla
de
un
enlace
o
la
desactivacin
de
un
nodo.
La
nica
diferencia
es
que
la
expiracin
del
a
timer
permite
que
un
nodo
que
an
no
pertenece
a
un
cluster,
intente
de
nuevo
unirse
a
uno.
-Desactivacin
de
un
nodo:
Este
evento
puede
ser
causado
por
la
desactivacin
voluntaria
de
un
nodo,
una
falla
imprevista,
la
desconexin
de
un
cluster
o
el
abandono
voluntario
de
un
nodo
de
su
cluster.
En
general,
un
nodo
desactivado
no
se
encuentra
disponible
para
los
nodos
restantes
de
un
cluster.
La
tcnica
de
clustering
(a,
t)
caracteriza
la
probabilidad
de
disponibilidad
de
un
enlace
o
de
un
camino
en
funcin
del
modelo
de
movilidad
conocido
como
random
walk.
Un
enlace
se
considera
como
un
enlace
activo
entre
dos
nodos
mviles
en
un
tiempo
t1+t0
(t1>t0)
si
en
el
tiempo
t0
existe
un
enlace
activo
entre
ellos.
De
acuerdo
a
Sivavakeesar15,
la
tcnica
de
clustering
(a,
t)
posee
una
ambigedad
en
cuanto
a
que
tan
grande
debe
ser
t1
y
adems
no
considera
los
eventos
que
puedan
suceder
en
el
intervalo
t1+t0.
Si
este
intervalo
dura
poco,
los
clusters
formados
no
resultan
ser
tan
efectivos.
Si
este
intervalo
es
muy
grande,
el
algoritmo
toma
mucho
tiempo
para
converger.
2.5.4
Max-min.
En
muchos
trabajos
realizados
sobre
clustering,
la
seleccin
del
clusterhead
se
hace
de
forma
que
ningn
nodo
pueda
estar
a
ms
de
un
salto
de
su
propio
clusterhead.
La
gran
desventaja
sugerida
por
Amis16
de
que
los
nodos
se
encuentren
a
un
salto
de
su
clusterhead,
es
que
esto
genera
un
gran
nmero
de
clusterheads
en
la
red
causando
un
problema
de
congestin.
Por
lo
tanto,
en
la
heurstica
planteada
como
Max-
Min
los
clusters
se
construyen
de
forma
que
los
nodos
se
puedan
encontrar
a
d
saltos
de
su
propio
clusterhead.
El
objetivo
principal
de
Max-Min
es
que
se
seleccionen
mltiples
lderes
en
una
red
ad
hoc
que
contenga
cientos
de
nodos
y
que
con
los
clusterheads
seleccionados
se
forme
un
conjunto
dominante
mnimo
de
d
saltos.
En
esta
heurstica,
d
se
define
como
el
mximo
nmero
de
saltos
al
cual
se
puede
encontrar
un
nodo
lejos
del
clusterhead
ms
cercano
(d
=1).
D
es
un
valor
que
se
le
asigna
a
la
heurstica
permitiendo
de
esta
forma
el
control
sobre
el
nmero
de
clusterheads
a
ser
elegidos.
Los
nodos
participan
en
el
algoritmo
de
seleccin
del
clusterhead
en
base
a
su
ID.
La
heurstica
de
Max-Min
se
ejecuta
por
un
nmero
de
2d
rondas
en
las
cuales
se
intercambia
la
informacin
entre
los
nodos
de
la
red.
Durante
su
ejecucin
se
llevan
a
cabo
cuatro
etapas:
1.
Intercambio
de
los
ids
ms
grandes.
2.
Intercambio
de
los
ids
ms
pequeos.
15
SIVAVAKEESAR,
S.
y
PAVLOU,
G.
A
Prediction-Based
Clustering
Algorithm
to
achieve
Quality
of
Service
in
Multihop
Ad
Hoc
Networks.
En:
Proc.
of
the
London
Communications
Symposium
(LCS).
Londres,
UK.
(Sep,
2002);
p.
157.
16
AMIS,
PRAKASH,
VUONG
y
HUYNH.
Op.
Cit.,
p.32.
3.
Seleccin
de
los
clusterheads.
4.
Conexin
de
los
clusters
formados.
Cada
nodo
posee
dos
arreglos
denominados
WINNER
y
SENDER.
El
primer
arreglo
corresponde
al
ID
del
nodo
ganador
para
una
ronda
en
particular.
El
segundo
arreglo
hace
referencia
al
nodo
que
envi
el
id
ganador
para
esa
ronda
particular.
Una
vez
se
selecciona
el
clusterhead,
SENDER
ayuda
a
determinar
el
camino
de
regreso
ms
corto
desde
un
nodo
hacia
el
clusterhead.
Al
comienzo
del
algoritmo
cada
nodo
tiene
un
valor
de
WINNER
igual
a
su
propio
ID.
El
algoritmo
inicia
2d
rondas
de
flooding.
De
esta
forma
se
lleva
a
cabo
el
intercambio
de
ids
entre
los
nodos.
En
las
primeras
d
rondas
se
realiza
un
procedimiento
denominado
Floodmax
y
en
las
segundas
d
rondas
se
realiza
un
procedimiento
denominado
Floodmin.
Cada
uno
de
los
nodos
de
la
red
almacena
el
valor
de
WINNER
para
cada
ronda
de
flooding.
Durante
el
procedimiento
de
Floodmax
cada
nodo
realiza
un
broadcast
de
su
valor
de
WINNER
a
todos
los
vecinos
que
se
encuentren
a
un
salto.
Por
cada
ronda
d
de
Floodmax
un
nodo
determina
el
nuevo
valor
para
su
arreglo
WINNER
como
el
valor
ms
grande
entre
los
WINNER
recibidos
y
su
propio
valor
de
WINNER.
El
procedimiento
de
Floodmin
procede
a
Floodmax
y
comienza
con
los
valores
que
existen
en
cada
nodo
despus
de
las
primeras
d
rondas
de
Floodmax.
Para
este
caso,
en
cada
ronda
d
un
nodo
selecciona
como
su
nuevo
valor
de
WINNER
al
valor
ms
pequeo
entre
los
valores
recibidos
de
WINNER
y
su
propio
valor.
Floodmin
permite
que
los
nodos
con
ids
ms
pequeos
se
tomen
en
cuenta.
El
criterio
de
seleccin
del
clusterhead
se
basa
en
las
entradas
almacenadas
en
cada
nodo
despus
de
las
2d
rondas
de
flooding.
Este
criterio
sigue
tres
reglas:
1.
Un
nodo
se
puede
declarar
a
s
mismo
como
clusterhead
si
despus
de
las
2d
rondas
de
flooding
a
recibido
su
id
original.
Si
esta
regla
no
se
cumple
se
sigue
la
segunda
regla.
2.
Cada
nodo
debe
buscar
lo
que
se
denomina
node
pairs.
Un
node
pair
se
define
como
el
valor
del
id
que
haya
resultado
como
WINNER
al
menos
una
vez
en
las
primeras
d
rondas
de
Floodmax
y
tambin
en
las
segundas
d
rondas
de
Floodmin.
Una
vez
un
nodo
detecta
todos
los
node
pairs,
escoge
el
node
pair
de
mnimo
valor
como
clusterhead.
Por
lo
tanto,
el
nodo
con
el
id
de
mnimo
valor
que
aparezca
en
las
dos
etapas
de
flooding,
es
escogido
como
clusterhead.
Si
un
nodo
no
identifica
ningn
node
pair
se
sigue
la
tercera
regla.
3.
En
este
caso
un
nodo
selecciona
el
nodo
con
el
mximo
valor
de
id
de
las
primeras
d
rondas
de
flooding
como
su
clusterhead.
Los
nodos
gateway
son
seleccionados
porque
tienen
la
tarea
de
comunicar
a
sus
clusterheads
cuales
nodos
son
miembros
de
su
cluster.
Para
esto,
cada
nodo
realiza
un
broadcast
informando
a
sus
vecinos
el
clusterhead
que
ha
seleccionado.
Un
nodo
determina
si
es
un
nodo
gateway,
si
tiene
nodos
vecinos
con
diferente
seleccin
de
clusterhead.
Despus
de
que
un
nodo
ha
identificado
que
es
un
nodo
gateway,
le
enva
a
su
clusterhead
informacin
sobre
el
valor
de
su
id
y
sobre
quienes
son
todos
sus
nodos
gateway
vecinos
y
los
clusterhead
asociados
a
estos
nodos.
El
arreglo
SENDER
es
usado
para
decidir
quien
es
el
prximo
al
que
se
le
enva
el
contenido
de
esta
informacin.
De
esta
manera
un
clusterhead
puede
crear
una
base
de
datos
sobre
cada
uno
de
los
nodos
de
su
cluster.
Esta
heurstica
maximiza
el
nmero
de
nodos
gateway
con
el
fin
de
crear
un
backbone
formado
por
mltiples
caminos
entre
clusterheads
vecinos.
De
esta
forma
se
puede
facilitar
el
trfico
de
la
red.
Seah17
argumenta
que
a
pesar
de
que
Max-Min
permite
control
y
flexibilidad
en
la
determinacin
de
la
densidad
de
los
clusterheads,
esta
implementacin
no
tiene
en
cuenta
el
patrn
de
movilidad
de
los
nodos.
Tener
en
cuenta
los
patrones
de
movilidad
de
los
nodos
puede
mejorar
la
estabilidad
de
los
clusters
formados.
Por
otro
lado,
una
gran
desventaja
17
SEAH,
Op.
Cit.,
p.
2359.
de
Max-Min
es
que
es
ineficiente
porque
involucra
procesos
de
flooding
para
la
seleccin
de
los
clusterheads18
.
En
la
figura
20
se
muestra
una
red
ad
hoc
en
donde
los
nodos
se
agrupan
de
acuerdo
al
algoritmo
de
clustering
Max-Min.
Figura
20.
Formacin
de
clusters
en
una
red
de
25
nodos
con
d
=
3.
Fuente:
AMIS,
PRAKASH,
VUONG
y
HUYNH.
Op.
Cit.,
p.32.
2.5.5
MobDhop.
Los
autores
proponen
un
algoritmo
de
clustering
que
divide
la
red
ad
hoc
en
clusters
de
d
saltos
en
base
a
una
mtrica
de
movilidad.
El
algoritmo
de
clustering
distribuido
es
llamado
MobDhop.
El
propsito
de
este
esquema
es
formar
clusters
estables
con
el
fin
de
establecer
en
la
red
una
arquitectura
para
el
enrutamiento.
El
objetivo
de
formar
clusters
de
d
saltos
es
el
de
hacer
que
el
dimetro
de
los
clusters
sea
ms
flexible.
MobDhop
se
basa
en
la
mtrica
de
movilidad
presentada
por
Basu19
y
el
dimetro
de
los
clusters
se
adapta
de
acuerdo
a
la
movilidad
de
los
nodos.
Al
igual
que
18
BAO,
L.
y
GARCIA-LUNA-ACEVES,
J.J.
Topology
management
in
ad
hoc
networks.
En:
International
symposium
on
mobile
ad
hoc
networking
&
computing.
(4
:
2003)
Proceedings.
Annapolis,
MD,
USA:
ACM,
2003.
Vol.9.
p.129.
19
BASU,
P.;
KHAN,
N.
y
LITTLE,
T.D.C.
A
mobility
based
metric
for
clustering
in
mobile
ad
hoc
networks.
En:
International
Conference
on
Distributed
Computing
Systems.
(21:2001)
Proceedings.
Phoenix,
Arizona,
USA:
IEEE
Computer
Society,
2001.
p.
413.
Max-Min,
MobDhop
se
basa
en
el
mtodo
de
d-clustering,
en
el
cual
los
nodos
pertenecientes
a
un
cluster
se
pueden
encontrar
a
d
saltos
del
clusterhead.
MobDHop
busca
que
el
intercambio
de
informacin
sea
mnimo
durante
la
formacin
de
clusters
y
durante
los
cambios
de
clusterheads.
Este
algoritmo
de
clustering
asume
que
cada
nodo
puede
medir
la
potencia
de
las
seales
que
recibe.
De
esta
forma,
un
nodo
puede
determinar
la
cercana
con
sus
nodos
vecinos.
En
el
algoritmo,
dos
nodos
se
consideran
cercanos,
si
las
seales
recibidas
por
ellos
tienen
un
valor
grande
de
potencia.
El
algoritmo
de
MobDhop
requiere
del
clculo
de
cinco
trminos:
la
distancia
estimada
entre
nodos,
la
movilidad
relativa
entre
nodos,
la
variacin
de
la
distancia
estimada
a
travs
del
tiempo,
la
estabilidad
local,
y
la
distancia
media
estimada.
Estos
trminos
se
describen
a
continuacin:

La
distancia
estimada
entre
el
nodo
A
y
el
nodo
B
est
dada
por:
k
E[DAB]
=
PR
Ec.
3.
distancia
estimada
entre
2
nodos
donde
k
es
una
constante
y
PR
es
la
potencia
de
la
seal.

La
movilidad
relativa
se
determina
midiendo
la
potencia
de
la
seal
de
paquetes
sucesivos.
Esta
medida
corresponde
a
la
diferencia
entre
la
distancia
estimada
de
un
nodo
con
respecto
a
otro
en
dos
instantes
de
tiempo
sucesivos.
Este
parmetro
indica
si
dos
nodos
se
alejan
el
uno
del
otro
o
si
se
aproximan
entre
s.

La
distancia
fsica
entre
dos
nodos
no
es
una
medida
precisa
de
la
cercana
entre
ellos.
Si
a
un
nodo
se
le
gasta
la
batera,
transmite
paquetes
a
una
potencia
baja
y
por
lo
tanto
se
considera
como
un
nodo
distanciado
de
un
vecino
que
se
puede
encontrar
fsicamente
cerca
de
l.
Por
lo
tanto,
en
vez
de
calcular
la
distancia
fsica
entre
dos
nodos
se
calcula
la
variacin
de
las
distancias
estimadas
entre
ellos.
Esta
mtrica
presenta
una
medida
de
la
fluctuacin
de
la
potencia
de
la
seal
recibida.
La
potencia
de
la
seal
recibida
se
puede
medir
mediante
mensajes
peridicos
de
Hello
los
cuales
son
proporcionados
por
el
algoritmo
de
enrutamiento.

La
estabilidad
local
representa
el
grado
de
estabilidad
de
un
nodo
respecto
a
sus
vecinos.
Cuando
un
nodo
ingresa
en
la
red
puede
convertirse
en
clusterhead,
en
nodo
ordinario
o
en
nodo
gateway.
La
estabilidad
local
se
calcula
con
el
fin
de
seleccionar
algunos
nodos
como
clusterhead.
Un
nodo
puede
volverse
clusterhead
si
es
el
nodo
ms
estable
de
su
vecindario.
Por
lo
tanto
el
clusterhead
ser
el
nodo
con
el
menor
valor
de
estabilidad
local
entre
sus
vecinos.

La
distancia
media
estimada
indica
la
distancia
media
de
cada
vecino
al
clusterhead
seleccionado
en
el
cluster.
MobDhop
se
ejecuta
en
tres
etapas:
-Etapa
de
descubrimiento:
Inicialmente
MobDhop
forma
clusters
de
dos
saltos
que
no
se
sobreponen
entre
s.
Al
comienzo
cada
nodo
realiza
un
broadcast
de
mensajes
de
Hello
en
el
que
se
incluye
el
valor
de
la
estabilidad
local
de
cada
nodo,
el
cual
es
inicializado
como
infinito
al
principio
del
proceso.
Cada
nodo
calcula
la
distancia
estimada
a
sus
vecinos
midiendo
la
potencia
de
la
seal
de
los
mensajes
de
Hello
recibidos.
Luego
de
recibir
por
lo
menos
dos
mensajes
de
Hello,
un
nodo
calcula
su
movilidad
relativa
respecto
a
sus
vecinos.
Tras
un
periodo
de
descubrimiento
en
el
cual
los
nodos
adquieren
un
conocimiento
completo
de
sus
vecindarios,
cada
nodo
calcula
el
valor
de
su
estabilidad
local
y
lo
transmite
mediante
un
broadcast.
Esto
se
realiza
con
el
fin
de
que
cada
nodo
compare
su
valor
de
estabilidad
local
con
la
de
sus
vecinos.
El
nodo
que
tenga
el
menor
valor
de
estabilidad
local
entre
sus
vecinos
es
elegido
como
clusterhead.
El
valor
de
estabilidad
local
del
clusterhead
se
convierte
en
el
valor
de
la
estabilidad
grupal.
Luego
el
clusterhead
realiza
el
clculo
de
la
distancia
media
estimada
respecto
a
sus
vecinos
de
un
salto.
-Etapa
de
fusin:
Los
clusters
de
dos
saltos
establecidos
en
la
etapa
de
descubrimiento
son
expandidos
mediante
un
proceso
de
fusin.
El
proceso
de
fusin
puede
ser
iniciado
por
un
nodo
que
an
no
es
miembro
de
algn
cluster,
el
cual
hace
una
peticin
para
poder
unirse
a
sus
clusters
vecinos.
Este
proceso
tambin
se
puede
llevar
a
cabo
cuando
dos
nodos
gateway
que
son
vecinos
hacen
la
peticin
de
fusionar
sus
clusters
respectivos.
-Etapa
de
mantenimiento:
La
etapa
de
mantenimiento
de
los
clusters
se
lleva
a
cabo
cuando
ocurre
un
cambio
topolgico
en
la
red.
Un
cambio
topolgico
puede
ocurrir
cuando
un
nodo
ingresa
en
la
red.
Este
nodo
comienza
un
proceso
de
fusin
calculando
la
movilidad
relativa
estimada
y
la
variacin
de
la
distancia
a
travs
del
tiempo
con
cada
vecino.
El
nodo
selecciona
el
vecino
con
el
menor
valor
de
variacin
de
distancia
a
travs
del
tiempo,
para
unirse
a
su
cluster.
Otro
caso
que
genera
un
cambio
topolgico,
es
cuando
un
clusterhead
abandona
la
red.
En
este
caso,
sus
nodos
vecinos
ms
inmediatos
comienzan
el
proceso
de
descubrimiento
para
que
un
nuevo
clusterhead
pueda
ser
seleccionado.
Sin
embargo,
los
miembros
de
un
cluster
que
se
encuentren
por
lo
menos
a
dos
saltos
de
su
viejo
clusterhead
pueden
decidir
unirse
a
un
cluster
vecino
si
logran
fusionarse
a
l.
2.5.6
DMAC.
El
autor
de
este
algoritmo
de
clustering,
Stefano
Basagni,
presenta
dos
tcnicas
de
formacin
de
clusters:
el
primero
consiste
en
un
algoritmo
de
clustering
distribuido
DCA
(distributed
clustering
algorithm)
y
el
segundo
se
trata
de
un
algoritmo
de
clustering
distribuido
que
se
adapta
a
la
movilidad
DMAC
(distributed
mobility-adaptive
clustering).
El
algoritmo
DCA
es
ms
apropiado
para
redes
ad
hoc
que
presentan
baja
movilidad,
es
decir
redes
que
son
casi-estticas.
DMAC
en
cambio,
es
un
algoritmo
ms
conveniente
para
lidiar
con
redes
que
presentan
un
alto
grado
de
movilidad.
DMAC
es
un
algoritmo
distribuido
que
agrupa
a
los
nodos
de
una
red
mvil
ad
hoc
en
clusters
conformados
por
un
clusterhead
y
unos
nodos
ordinarios.
Los
clusterheads
se
seleccionan
de
acuerdo
a
un
criterio
basado
en
pesos
que
depende
de
parmetros
de
movilidad
relacionados
con
cada
nodo.
DMAC
busca
contrarrestar
una
desventaja
que
presentan
muchos
algoritmos
de
clustering.
Muchas
tcnicas
de
clustering
asumen
comnmente
que
durante
el
tiempo
de
inicio
del
algoritmo
los
nodos
no
se
mueven
mientras
se
lleva
a
cabo
el
proceso
de
formacin
de
clusters.
La
mayora
de
los
algoritmos
de
clustering
eliminan
la
suposicin
sobre
la
inmovilidad
de
los
nodos,
slo
despus
de
que
la
red
se
haya
dividido
en
clusters.
Luego,
tratan
de
preservar
la
topologa
del
cluster
teniendo
en
cuenta
la
movilidad
de
los
nodos.
En
aplicaciones
reales
de
las
redes
ad
hoc,
esta
suposicin
no
se
puede
realizar
ya
que
no
se
puede
pronosticar
el
comportamiento
de
los
nodos
ante
su
propia
movilidad.
Por
lo
tanto
una
caracterstica
importante
de
DMAC
es
que
tiene
en
cuenta
el
movimiento
de
los
nodos
inclusive
durante
el
tiempo
inicial
del
proceso
de
clustering.
DMAC
presenta
adems
adaptabilidad
respecto
a
los
cambios
topolgicos
de
la
red.
Estos
cambios
pueden
deberse
a
la
movilidad
de
los
nodos,
o
a
la
aparicin
o
desaparicin
de
un
nodo
en
la
red.
Durante
la
ejecucin
del
algoritmo
se
asume
que
cada
nodo
tiene
un
peso
(un
nmero
real
=
0)
y
un
ID
(identificador
nico
de
cada
nodo)
asociado.
El
peso
de
cada
nodo
representa
los
parmetros
de
movilidad.
Un
nodo
determina
su
propio
papel
en
la
red,
ya
sea
para
convertirse
en
clusterhead
o
para
ser
un
nodo
ordinario.
Para
ello,
el
nodo
se
basa
en
el
conocimiento
de
los
vecinos
que
se
encuentren
a
un
salto
de
s
mismo.
Un
nodo
puede
convertirse
en
clusterhead
si
tiene
el
peso
de
mayor
valor
entre
sus
vecinos.
Si
este
no
es
el
caso,
el
nodo
se
une
a
un
clusterhead
vecino.
El
autor
de
DMAC
define
tres
propiedades
importantes
que
debe
cumplir
un
algoritmo
de
clustering:
1.
Cada
uno
de
los
nodos
ordinarios
debe
tener
por
lo
menos
un
clusterhead
como
vecino.
2.
Cada
nodo
ordinario
debe
afiliarse
con
el
clusterhead
vecino
de
mayor
peso.
3.
Dos
clusterheads
no
pueden
ser
vecinos.
Todos
los
nodos
que
ejecutan
el
algoritmo
de
DMAC
tienen
conocimiento
de
su
propio
ID
y
el
valor
de
su
propio
peso
as
como
el
ID
se
sus
vecinos
y
el
valor
del
peso
de
sus
vecinos.
A
excepcin
de
la
fase
inicial
del
algoritmo,
DMAC
es
un
algoritmo
basado
en
el
envo
de
mensajes.
Dos
tipos
de
mensajes
son
empleados:
Cuando
un
nodo
quiere
unirse
a
un
cluster
enva
un
mensaje
denominado
JOIN
y
si
decide
convertirse
en
clusterhead
enva
un
mensaje
denominado
CH.
Un
nodo
decide
su
propio
papel
en
la
red
una
vez
sus
vecinos
de
mayor
peso
lo
han
decidido.
Durante
la
ejecucin
de
DMAC
se
llevan
a
cabo
cinco
procedimientos
en
cada
nodo,
los
cuales
son:
1.
Rutina
de
inicializacin
para
el
proceso
de
formacin
de
clusters.
2.
Procedimiento
por
falla
de
un
enlace.
3.
Procedimiento
para
el
establecimiento
de
un
nuevo
enlace.
4.
Procedimiento
tras
la
recepcin
de
un
mensaje
CH.
5.
Procedimiento
tras
la
recepcin
de
un
mensaje
JOIN.
Todos
los
nodos
empiezan
la
ejecucin
del
algoritmo
mediante
la
rutina
de
inicio.
Los
nodos
con
el
mayor
peso
entre
sus
vecinos
envan
un
mensaje
CH.
Los
nodos
restantes
simplemente
esperan
a
recibir
un
mensaje.
Luego,
un
nodo
realiza
uno
de
dos
posibles
procedimientos
dependiendo
del
mensaje
que
reciba,
un
mensaje
tipo
CH
o
uno
tipo
JOIN.
Al
recibir
un
mensaje
CH,
un
nodo
chequea
si
se
afilia
o
no
al
clusterhead
que
le
envi
este
mensaje.
Por
otro
lado,
cuando
un
clusterhead
recibe
un
mensaje
JOIN
verifica
si
el
nodo
que
le
manda
este
mensaje
se
va
a
unir
a
su
cluster
o
a
otro
diferente.
Si
un
nodo
ordinario
recibe
un
mensaje
JOIN
de
su
propio
clusterhead,
significa
que
ese
clusterhead
ha
renunciado
a
su
papel.
La
adaptabilidad
de
este
algoritmo
se
hace
posible
ya
que
se
permite
que
cada
nodo
reaccione
ante
la
falla
de
un
enlace
o
ante
la
presencia
de
un
nuevo
enlace
con
otro
nodo.
Si
falla
un
enlace
entre
un
clusterhead
y
uno
de
sus
miembros
del
cluster,
la
membresa
del
nodo
en
el
cluster
se
remueve
y
este
nodo
debe
determinar
un
nuevo
papel.
Cuando
un
nodo
detecta
la
presencia
de
un
nuevo
vecino,
se
realiza
el
procedimiento
para
establecer
un
nuevo
enlace
entre
estos
dos
nodos.
En
este
caso,
el
nodo
que
detecta
el
nuevo
enlace
determina
si
el
nuevo
vecino
es
clusterhead
y
si
tiene
un
peso
mayor
al
de
su
propio
clusterhead.
Si
esto
sucede,
el
nodo
se
une
al
nuevo
vecino.
Si
el
nodo
que
detecta
el
nuevo
enlace
es
un
clusterhead,
este
deber
renunciar
a
su
papel
si
el
nuevo
clusterhead
tiene
un
peso
mayor
al
suyo.
Figura
21.
Formacin
de
clusters
en
una
red
ad
hoc
empleando
DMAC.
Fuente:
PREHOFER,
C.
y
BETTSTETTER,
C.
Self
organization
in
communication
networks:
Principles
and
design
paradigms.
En:
IEEE
Communications
Magazine.
Dallas,
Texas,
USA.
Vol
43.
Issue
7.
(Jul,
2005);
p.
78.
En
la
figura
21
los
crculos
corresponden
a
nodos
ordinarios
y
los
cuadrados
son
los
clusterheads.
Los
nodos
del
mismo
color
pertenecen
a
un
mismo
cluster.
De
acuerdo
a
Bettstetter20
en
comparacin
con
otros
algoritmos
de
clustering,
DMAC
presenta
menor
complejidad.
El
algoritmo
puede
reaccionar
de
forma
rpida
ante
los
cambios
topolgicos
porque
cada
nodo
solo
necesita
tener
conocimiento
sobre
los
vecinos
que
se
encuentran
a
un
salto
de
s
mismo.
2.5.7
WCA.
WCA
(Weighted
Clustering
Algorithm)
es
un
algoritmo
de
clustering
distribuido
basado
en
valores
de
pesos.
Este
algoritmo
selecciona
los
clusterheads
considerando
aspectos
relacionados
con
la
eficiencia
de
las
componentes
funcionales
del
sistema.
Por
lo
tanto,
con
el
fin
de
optimizar
el
consumo
de
la
batera,
el
balanceo
de
la
carga
y
las
funciones
de
la
capa
MAC,
un
nodo
es
escogido
como
clusterhead
de
acuerdo
a
los
siguientes
aspectos:
1.
El
nmero
de
nodos
que
un
solo
clusterhead
puede
manejar
(balanceo
de
carga).
2.
La
movilidad.
3.
La
potencia
de
la
transmisin.
4.
El
consumo
de
la
batera.
WCA
es
un
algoritmo
no
peridico
y
se
ejecuta
el
menor
nmero
de
veces
posibles
con
el
fin
de
evitar
congestin
en
la
comunicacin.
Por
esta
razn,
el
proceso
de
seleccin
de
los
clusterheads
slo
se
realiza
cuando
ocurre
un
cambio
topolgico
debido
a
la
movilidad
de
los
nodos
y
cuando
el
conjunto
dominante
establecido
es
incapaz
de
cubrir
todos
los
nodos
de
la
red.
Para
asegurar
que
los
clusterheads
no
se
sobrecarguen,
se
establece
un
lmite
predefinido
el
cual
especifica
el
nmero
de
nodos
que
cada
clusterhead
puede
manejar
idealmente.
Este
parmetro
corresponde
a
d.
En
WCA
se
eligen
los
clusterheads
de
acuerdo
al
valor
del
peso
asociado
a
cada
nodo.
El
peso
asociado
a
un
nodo
v
est
definido
por:
20
BETTSTETTER,
C.
The
Cluster
Density
of
a
Distributed
Clustering
Algorithm
in
Ad
Hoc
Networks.
En:
International
Conference
on
Communications.
Proceedings.
Paris,
France:
IEEE,
2004.
50
Wv = w1;v + w2Dv + w3Mv + w4Pv
Ec. 4. Frmula para calcular Wv
El nodo con el mnimo peso es elegido como clusterhead. Los factores de peso se
seleccionan de forma que w1 + w2 + w3 + w4 = 1. Adicionalmente, dos clusterheads
no
pueden ser vecinos inmediatos.
Los parmetros del peso asociado a cada nodo se explican a continuacin:
Mv: Es la medida de la movilidad. Se calcula de acuerdo a la siguiente frmula:
Mv = S - + -
=
- -
T
t 1
2
t t 1
2
(Xt Xt 1) (Y Y )
T
1
Ec. 5. Frmula para calcular Mv
De donde (Xt, Yt) y (Xt-1, Yt-1) corresponden a las coordenadas del nodo v en el

tiempo t y (t-1) respectivamente. Lo que se calcula es la suma de las velocidade
s
promedio para cada nodo despus de un tiempo T. Es deseable que un clusterhead
presente poca movilidad.
;v: Se define como el grado de diferencia de un nodo. Para encontrar este valor
se
calcula primero el grado de un nodo. Para un nodo v el grado corresponde a dv. E
ste
parmetro se calcula como la suma de los vecinos de v, los cuales deben cumplir
con la condicin de estar dentro de su rango de transmisin. La frmula matemtica
para el clculo de dv es:
dv =| N(v)| = S <
v'.V,v'.V
{dist(v, v' ) tx range}
Ec. 6. Frmula para calcular el grado dv
donde
N(v)
es
el
vecindario
del
nodo
v.
;v
se
calcula
con
el
objetivo
de
asegurar
el
balanceo
de
la
carga.
Para
un
nodo
v,
;v
est
dado
por:
;v
=
|dv
-
d|
Ec.
7.
Frmula
para
calcular
el
grado
;v
Este
parmetro
permite
que
el
desempeo
de
las
tareas
asociadas
a
la
capa
MAC
sea
ms
eficiente
ya
que
es
deseable
que
un
clusterhead
maneje
una
cantidad
razonable
de
nodos
en
su
cluster.

Dv:
Se
define
como
la
suma
de
las
distancias
desde
un
nodo
dado
hasta
todos
sus
vecinos.
Se
calcula
como:
Dv
=
.
{dist(v,
v'
)}
v'.N(v)
Ec.
8.
Frmula
para
calcular
Dv
Dv
se
encuentra
relacionado
con
el consumo
de
la
energa.
Este
factor
es
importante
ya
que
se
puede
lograr
el establecimiento
de
una
mejor
conexin
entre
el
clusterhead
y
sus
vecinos
cuando
las
distancias
son
ms
cortas
entre
s.
Esto
se
debe
principalmente
a
que
a
mayores
distancias,
la
seal
de
comunicacin
se
va
atenuando.
Por
lo
tanto,
las
comunicaciones
de
larga
distancia
requieren
ms
energa.

Pv: Corresponde
al tiempo
acumulado
que
lleva
un
nodo
siendo
clusterhead.
Este
parmetro
es
una
medida
de
la
batera
que
ha
sido
consumida.
Un
clusterhead
consume
ms
batera
que
un
nodo
ordinario
ya
que
tiene
responsabilidades
extras.
El
algoritmo
de
seleccin
del clusterhead
se
termina
una
vez
todos
los
nodos
decidan
su
papel,
ya
sea
como
clusterheads
o
como
miembros
de
un
clusterhead.
Cuando
un
nodo
queda
elegido
como
clusterhead
no
se
le
permite
a
l ni
a
sus
vecinos
participar
ms
en
el
algoritmo
de
seleccin.
3
AMBIENTE
DE
SIMULACIN
En
este
capitulo
se
presenta
una
descripcin
de
unas
caractersticas
preliminares
para
el
desarrollo
del ambiente
de
simulacin.
Primero
se
presentan
los
conceptos
bsicos
de
modelos
de
movilidad
y
se
profundiza
en
los
ms
relevantes
para
el trabajo
realizado.
Se
explican
tambin
las
seales
de
beaconing
y
su
funcin.
Por
ultimo
se
aclara
el concepto
de
algoritmos
centralizados
y
distribuidos.
3.1
MODELOS
DE
MOVILIDAD
En
todas
las
investigaciones
hechas
acerca
de
las
redes
ad
hoc
se
busca
incrementar
la
eficiencia
de
la
red
pero
con
el
mnimo
overhead
posible.
Se
puede
pensar
que
con
una
adecuada
topologa
de
la
red
el proceso
de
enrutamiento
de
los
paquetes
puede
mejorar
categricamente,
ya
que
por
muy
bueno
que
sea
determinado
protocolo
de
enrutamiento
si la
topologa
de
dicha
red
es
muy
poco
eficiente
se
creara
un
cuello
de
botella.
Para
que
los
nodos
tengan
una
topologa
que
le
permita
mayor
eficiencia
estos
deben
tener
cierta
informacin
acerca
de
sus
vecinos,
es
decir,
los
nodos
cercanos
a
su
ubicacin
y
teniendo
en
cuenta
que
la
red
que
se
analiza
es
una
red
mvil entonces
se
puede
decir
que
la
topologa
de
la
red
esta
cambiando
constantemente.
La
caracterizacin
de
la
movilidad
de
los
nodos
de
la
red
no
solo
es
importante
para
un
futuro
proceso
de
enrutamiento,
sino
tambin
para
generar
situaciones
de
movimiento
aleatorio
y
para
esto
se
debe
tener
en
cuenta
que
se
puede
considerar
movimientos
de
nodos
individuales
y
grupos
de
nodos.
Ahora
considerando
la
importancia
de
la
movilidad
de
los
nodos
en
las
investigaciones
de
las
redes
mviles
ad
hoc
se
presentan
los
patrones
de
movilidad
que
van
desde
los
totalmente
aleatorios
hasta
los
altamente
predecibles
y
se
clasifican
en
3
patrones:
Deterministcos
(movimiento
altamente
predecible),
Semi-deterministicos
(movimiento
no
tan
predecible
como
el anterior)
y
aleatorio.
La
clasificacin
se
muestra
en
la
figura
22
21
Figura
22.
Esquema
de
modelos
de
movilidad.
Para
las
redes
ad
hoc
el
patrn
de
movilidad
mas
comnmente
usado
es
el
aleatorio,
por
lo
tanto
se
va
a
hacer
nfasis
en
este
tipo
de
movimiento
Browniano.
3.1.1
Patrones
de
movilidad
aleatorios.
Cuando
se
considera
un
movimiento
aleatorio
como
el
mostrado
en
la
figura
23
se
puede
observar
que
su
movimiento
futuro
es
totalmente
independiente
de
su
posicin
en
el pasado
y
esta
aleatoriedad
hace
que
el movimiento
sea
impredecible.
21
CAMP,
T.;
BOLENG,
J.
y
DAVIES,
V.
A
survey
of
mobility
models
for
ad
hoc
network
research.
En:
Wireless
Communications
of
Mobile
Computing
(WCMC):
Special
issue
on
Mobile
Ad
Hoc
Networking:
Research,
Trends
and
Applications.
Michigan,
USA.
Vol.
2,
N.o
5.
(2002);
p.
483.
Figura
23.
Un
nodo
con
movimiento
aleatorio.
Esta
caracterstica
de
alta
aleatoriedad
e
independencia
en
el
movimiento
de
los
nodos
es
muy
importante
para
la
simulacin
completa
de
un
protocolo
para
redes
ad
hoc
(como
se
haba
mencionado
anteriormente),
pues
es
imperativo
el uso
de
un
modelo
de
movilidad
que
represente
sin
errores
(o
con
un
error
aceptable)
la
movilidad
de
los
nodos
que
eventualmente
utilizaran
el protocolo
establecido.
Solo
en
este
tipo
de
escenarios
es
posible
determinar
si el protocolo
propuesto
va
a
ser
til cuando
sea
implementado
o
no.
Un
modelo
de
movilidad
debe
ser
una
representacin
lo
mas
real
posible
de
los
movimientos
de
los
nodos
de
la
simulacin,
es
decir,
deben
ocurrir
cambios
en
la
velocidad
y
en
la
direccin
con
espacios
de
tiempo
razonables,
no
seria
una
situacin
deseable
que
los
nodos
viajaran
en
lnea
recta
a
velocidades
constantes
durante
todo
el transcurso
de
la
simulacin
porque
los
nodos
reales
no
viajaran
de
manera
tan
estricta.
Los
dos
primeros
modelos
de
movilidad
presentados
a
continuacin
son
los
ms
utilizados
por
los
investigadores,
por
lo
tanto
se
profundizar
ms
en
ellos.
Los
diferentes
tipos
de
modelos
de
movilidad
son:
1.
Random
walk
mobitily
model
(incluyendo
sus
derivaciones): Un
modelo
de
movilidad
simple
basado
en
direcciones
y
velocidades
aleatorias
2.
Random
waypoint
mobility
model: Un
modelo
que
incluye
tiempos
de
parada
entre
cambios
en
el destino
y
la
velocidad
3.
Random
direction
mobility
model: Un
modelo
que
fuerza
a
los
nodos
a
viajar
hasta
el limite
del rea
de
simulacin
antes
de
cambiar
su
direccin
y
velocidad
4.
A
boundless
simulation
area
mobility
model: un
modelo
que
convierte
un
rea
de
simulacin
2D
en
un
rea
de
simulacin
toroidal
5.
Gauss-Markov
mobility
model:
Un
modelo
que
usa
el cambio
de
un
parmetro
para
variar
el grado
de
aleatoriedad
en
los
patrones
de
movilidad
6.
Una
versin
probabilstica
del
modelo
de
movilidad
Random
Walk: un
modelo
que
utiliza
un
grupo
de
probabilidades
para
determinar
la
prxima
posicin
de
un
nodo
7.
City
Section
Mobility
model: Un
rea
de
simulacin
que
representa
las
calles
en
una
ciudad

Random
walk.
El modelo
de
movilidad
Random
Walk
fue
diseado
con
el
objetivo
de
imitar
los
movimientos
errticos
que
presentan
muchas
entidades
de
la
naturaleza
los
cuales
se
mueven
de
una
forma
impredecible.
En
este
modelo
de
movilidad,
un
nodo
mvil se
mueve
de
su
posicin
actual a
una
nueva
posicin
escogiendo
de
manera
aleatoria
una
direccin
y
una
velocidad.
La
nueva
velocidad
se
escoge
a
partir
de
unos
rangos
predefinidos
[vmin,
vmax]
y
la
nueva
direccin
se
escoge
a
partir
del rango
[0,2p].
El
movimiento
de
cada
nodo
en
Random
Walk
ocurre
ya
sea
a
un
intervalo
constante
de
tiempo
t
o
a
una
distancia
constante
viajada
d.
Tras
esto
se
calcula
una
nueva
direccin
y
una
nueva
velocidad.
Si
un
nodo
mvil alcanza
una
barrera
de
la
simulacin,
rebota
en
la
barrera
con
un
ngulo
determinado
por
la
direccin
que
lleva
en
ese
momento.
El
modelo
de
movilidad
Random
Walk
es
muy
utilizado
y
a
veces
se
le
conoce
tambin
como
Brownian
Motion.
El modelo
se
puede
simplificar
asignando
el mismo
valor
de
velocidad
a
todos
los
nodos
mviles
de
la
simulacin.
Una
desventaja
de
este
modelo
es
que
los
nodos
pueden
presentar
movimientos
no
reales
como
paros
repentinos
y
giros
muy
finos.
Esto
se
debe
a
que
el modelo
de
movilidad
no
tiene
memoria
ya
que
no
retiene
el conocimiento
de
valores
pasados
sobre
la
velocidad
o
la
direccin.
Tanto
la
velocidad
como
la
direccin
de
un
nodo
mvil son
independientes
de
su
velocidad
y
direccin
pasados.

Random
Waypoint.
El modelo
de
movilidad
Random
Waypoint
incluye
tiempos
de
pausa
entre
los
cambios
de
direccin
y/o
velocidad.
Un
nodo
empieza
ubicado
en
un
punto
durante
cierto
periodo
de
tiempo
(un
tiempo
de
pausa).
Una
vez
este
tiempo
se
termina,
el nodo
escoge
una
ubicacin
aleatoria
en
el
rea
de
simulacin
y
una
velocidad
que
esta
uniformemente
distribuida
entre
[minspeed,
maxspeed].
Luego,
el
nodo
viaja
en
la
direccin
de
la
nueva
ubicacin
escogida
y
a
la
velocidad
seleccionada.
Cuando
el
nodo
llega
a
su
posicin
destino,
para
durante
un
tiempo
especfico
antes
de
empezar
el
proceso
nuevamente.
Figura
24.
Patrn
de
viaje
de
un
nodo
usando
el modelo
de
movilidad
Random
Waypoint.
Fuente: Ibid.,
p.
483.
La
Figura
24
muestra
un
ejemplo
del
patrn
de
movimiento
de
un
nodo
usando
el
modelo
de
movilidad
Random
Waypoint,
empezando
en
una
posicin
escogida
aleatoriamente
entre
(133,
180)
y
la
velocidad
del nodo
se
escoge
entre
0
y
10m/s.
Se
puede
observar
que
el patrn
de
movimiento
del modelo
de
movilidad
Random
Waypoint
es
similar
al de
Random
Walk
si el tiempo
de
parada
fuera
cero.
El
modelo
de
movilidad
Random
Waypoint
es
comnmente
usado
para
evaluar
los
parmetros
de
las
redes
ad
hoc.
Como
se
mencion
anteriormente
estos
dos
tipos
de
modelos
de
movilidad
fueron
implementados
con
el fin
de
recrear
un
ambiente
de
simulacin
que
permitiera
observar
el
comportamiento
de
la
red,
pero
durante
este
proceso
se
lleg
a
la
conclusin
que
era
necesario
implementar
otro
tipo
de
algoritmo
de
movilidad
que
permitiera
que
los
nodos
se
movieran
en
grupos.
Esto
es
preciso
hacerlo
debido
a
que
se
pretende
observar
como
son
las
caractersticas
de
conectividad
entre
los
nodos
y
como
se
comportan
cuando
conforman
clusters,
estos
grupos
de
nodos
pueden
llegar
a
interpretarse
como
supernodos,
es
decir,
conjuntos
de
nodos
que
se
ven
como
una
entidad
nica.
De
la
misma
forma
que
existen
modelos
de
movilidad
para
nodos
individuales,
tambin
se
pueden
encontrar
algoritmos
que
permiten
simular
situaciones
donde
la
decisin
del
movimiento
de
los
nodos
depende
no
slo
de
un
nodo
en
particular,
sino
tambin
de
los
otros
nodos
que
conforman
el grupo
donde
este
se
encuentra.
A
continuacin
se
mencionan
cinco
modelos
de
movilidad
grupal,
de
los
cuales
solo
se
profundizar
en
el ltimo
ya
que
fue
el utilizado
para
la
simulacin
del movimiento
de
los
nodos
de
la
red.
1.
Exponential
Correlated
Random
Mobility
Model: Es
un
modelo
de
movilidad
grupal
que
utiliza
una
funcin
para
crear
movimientos.
2.
Column
Mobility
Model: Es
un
modelo
de
movilidad
grupal en
el
cual los
grupos
de
nodos
forman
una
lnea
y
se
mueven
uniformemente
en
una
direccin
en
particular
3.
Nomadic
Community
Mobility
Model: Es
un
modelo
de
movilidad
en
el cual los
grupos
de
nodos
se
mueven
juntos
de
una
direccin
a
otra.
4.
Pursue
Mobility
Model:
Es
un
modelo
de
movilidad
grupal en
el cual
un
grupo
de
nodos
siguen
un
punto
especfico.
5.
Reference
Point
Group
Mobility
Model:
Es
un
modelo
de
movilidad
grupal donde
los
movimientos
de
los
grupos
se
basan
en
el camino
recorrido
por
un
centro
lgico.

Reference
Point
Group
Mobility
Model.
Este
modelo
de
movilidad
simula
el
movimiento
aleatorio
de
un
grupo
de
nodos
teniendo
en
cuenta
que
cada
uno
de
los
nodos
que
conforman
este
grupo
tiene
un
movimiento
aleatorio
individual.
El
movimiento
de
cada
uno
de
los
grupos
se
basa
en
el
camino
recorrido
anteriormente
por
un
punto
llamado
centro
lgico.
El
centro
lgico
es
usado
para
calcular
el movimiento
del grupo
teniendo
en
cuenta
un
vector
de
movimiento
G-M.
El
centro
de
movimiento
del grupo
caracteriza
completamente
el movimiento
de
los
nodos
correspondientes
a
su
grupo,
incluyendo
su
direccin
y
velocidad.
Cada
uno
de
los
nodos
se
mueve
aleatoriamente
dentro
de
sus
propios
puntos
de
referencia
predefinidos
y
estos
movimientos
dependen
del movimiento
del
grupo
entero.
Los
puntos
de
referencia
individuales
se
mueven
desde
un
tiempo
t
a
t+1
y
sus
posiciones
son
actualizadas
de
acuerdo
al centro
lgico
del grupo.
Una
vez
son
actualizados,
los
puntos
de
referencia
RP(t+1)
son
calculados
y
se
combinan
con
un
vector
de
movimiento
aleatorio
R-M,
para
representar
el
movimiento
aleatorio
de
cada
nodo
respecto
a
su
punto
de
referencia
individual.
Figura
25.
Movimiento
de
3
nodos
usando
el modelo
RPGM.
Fuente: Ibid.,
p.
483.
En
la
figura
25
se
observa
que
existen
en
el
tiempo
t
tres
puntos
negros
que
representan
puntos
de
referencia,
RP(t),
para
tres
nodos.
Como
se
muestra,
el modelo
RPGM
usa
un
vector
de
movimiento
de
grupo
G-M
que
puede
ser
escogido
aleatoriamente
o
predefinido
y
se
usa
con
el
fin
de
calcular
los
nuevos
puntos
de
referencia
RP(t+1)
para
cada
nodo
en
el tiempo
t+1.
La
nueva
posicin
de
cada
nodo
se
calcula
asumiendo
un
vector
aleatorio
de
movimiento,
R-M,
con
el
nuevo
punto
de
referencia
escogido.
La
longitud
de
R-M
est
distribuida
entre
0
y
2p,
y
est
centrada
en
RP(t+1).
Figura
26.
Patrn
de
viaje
de
un
grupo
de
3
nodos
usando
el modelo
RPGM.
Fuente: Ibid.,
p.
483.
Figura
27.
Patrn
de
viaje
de
5
grupos
usando
el modelo
RPGM.
Fuente: Ibid.,
p.
483.
Los
patrones
de
movimiento
usando
el modelo
RPGM
se
muestran
en
las
figuras
26
y
27.
La
figura
26
ilustra
3
nodos
movindose
juntos
en
un
grupo,
mientras
que
la
figura
27
ilustra
5
grupos
movindose
con
diferente
nmero
de
nodos.
Los
movimientos
ilustrados
anteriormente,
es
decir,
los
de
centro
lgico
por
grupo
y
los
movimientos
aleatorios
de
cada
nodo
individual en
un
grupo,
son
implementados
usando
el
modelo
de
movilidad
Random
Waypoint.
Sin
embargo,
una
diferencia
respecto
a
Random
Waypoint,
es
que
los
nodos
individuales
no
usan
tiempos
de
pausa
mientras
el grupo
se
est
moviendo.
Los
tiempos
de
pausa
son
usados
nicamente
cuando
los
puntos
de
referencia
del grupo
alcanzan
la
posicin
final,
como
consecuencia
todos
los
nodos
del grupo
paran
en
ese
instante.
El
modelo
RPGM
fue
el modelo
de
movilidad
seleccionado
para
llevar
a
cabo
la
simulacin
de
procesos
de
clustering
en
MANET.
En
el numeral
4.1
se
describe
la
implementacin
de
este
algoritmo
de
movilidad
en
Matlab.
3.2
SEALES
DE
BEACONING
Y
CONECTIVIDAD
Es
necesario
empezar
definiendo
una
seal de
beacon,
debido
a
la
propuesta
de
crear
un
algoritmo
de
clustering
basado
en
dichas
seales.
En
redes
inalmbricas
una
seal de
beacon
es
una
transmisin
continua
de
pequeos
paquetes
(beacons)
desde
el access
point
(el punto
de
acceso
o
la
estacin
base)
que
adviertan
su
presencia.
Las
unidades
mviles
detectan
los
beacons
e
intentan
establecer
una
comunicacin
inalmbrica.22
Para
el
caso
que
se
estudia
no
existe
un
access
point o
una
estacin
base
que
se
encuentre
fija
en
un
punto
determinado,
sino
que
todos
los
dispositivos
mviles,
es
decir,
los
nodos,
son
pequeas
estaciones
bases
mviles
que
pueden
generar
y
recibir
seales
de
beaconing
con
el
objetivo
de
determinar
cuales
de
los
nodos
de
la
red
se
encuentran
a
su
alrededor
y
con
cuales
de
ellos
puede
establecer
una
comunicacin
que
sea
efectiva
y
que
pueda
tener
un
tiempo
de
duracin
que
permita
una
comunicacin
real.
22
THE
FREE
DICTIONARY.
Beaconing.
[En
lnea]
Huntingdon
Valley,
PA,
USA:
Farlex
Inc,
revisado
1
Mayo,
2006.
<http://computing-dictionary.thefreedictionary.com/beaconing>
[Consulta:
Ene
25
:2006]
Este
concepto
(seales
de
beaconing)
figura
en
el estndar
802.11
(Wireless
LAN
Medium
Access
Control
(MAC)
and
Physical
Layer
Specifications),
en
el
cual se
presentan
las
especificaciones
de
la
capa
fsica
y
el control de
acceso
al medio
para
redes
LAN
que
utilizan
como
medio
fsico
para
transporte
de
datos
e
informacin
un
sistema
inalmbrico.
En
este
estndar
las
seales
de
beaconing
o
beacon
frames
son
usadas
para
lograr
sincronizacin
con
los
procesos
de
autenticacin.
Debido
a
que
de
la
conectividad
que
se
genere
entre
los
nodos
se
puede
establecer
no
solo
con
quien
puede
estar
relacionado
determinado
nodo,
sino
tambin
el papel que
cada
uno
de
ellos
pueda
desempear
en
un
cluster
especfico,
y
que
esta
conectividad
se
basa
en
la
cantidad
de
seales
de
beaconing
que
un
nodo
pueda
recibir
de
otro
que
este
transmitiendo
en
ese
instante,
es
necesario
que
se
determine
como
y/o
cuales
van
a
ser
las
restricciones
para
este
tipo
de
mtrica,
ya
que
debe
establecerse
un
porcentaje
mnimo
de
seales
de
beacon
recibidas
por
un
nodo
para
que
este
pueda
entablar
una
comunicacin
con
otro
nodo.
Es
importante
anotar
que
en
este
tipo
de
mtrica
(la
conectividad
de
los
nodos)
no
es
necesario
conocer
la
posicin
geogrfica
de
cada
uno
los
nodos,
pues
la
nica
medida
de
distancia
que
se
debe
suministrar
es
el
radio
de
transmisin
de
cada
uno
de
ellos
y
no
la
distancia
que
los
separa
entre
si,
con
lo
cual
no
seria
necesario
utilizar
equipos
de
posicionamiento
como
GPS.
3.3
ALGORITMOS
DISTRIBUIDOS
Y
CENTRALIZADOS
Para
determinar
la
naturaleza
del algoritmo
que
se
va
a
emplear
o
a
implementar
en
determinada
simulacin,
en
nuestro
caso
el movimiento
de
los
nodos
de
una
red
mvil ad
hoc
no
solo
es
importante
establecer
los
patrones
y
modelos
de
movilidad
entre
otras
caractersticas
del algoritmo,
tambin
es
indispensable
saber
si ste
va
a
ser
distribuido
o
centralizado,
y
para
ello
se
definen
ambos
conceptos.
A
nivel general los
sistemas
distribuidos
son
sistemas
que
funcionan
sobre
un
conjunto
de
maquinas
que
no
contienen
memoria,
y
que
los
usuarios
los
ven
como
un
sistema
nico,
tambin
se
puede
definir
como
un
conjunto
de
entidades
que
se
comunican
entre
ellos
a
travs
de
mensajes,
los
cuales
son
enviados
sobre
vas
de
comunicacin.
Los
sistemas
distribuidos
mviles
son
una
clase
especial de
los
sistemas
distribuidos
donde
las
entidades
se
mueven
en
un
espacio
fsico,
con
conexin/ desconexin
del sistema
sin
dejar
de
ser
parte
de
el y
continuar
participando
en
las
actividades
computacionales
globales.
Las
caractersticas
de
los
sistemas
distribuidos
son23:
-Uso
de
un
sistema
de
comunicacin
-Ausencia
de
memoria
comn
-Sincronizacin
del trabajo
-Ausencia
de
un
estado
global perceptible
por
un
observador
-Comunicacin
a
travs
de
mensajes
Cuando
se
habla
de
un
algoritmo
centralizado
se
entiende
que
existe
una
entidad
global o
un
coordinador
que
tiene
toda
la
informacin
topolgica
y
el
conocimiento
de
la
red
y
esta
habilitado
no
solo
para
tomar
todas
las
decisiones
referentes
al enrutamiento
de
los
paquetes
en
ella,
sino
tambin
para
determinar
la
comunicacin
entre
los
nodos
de
la
red.
Teniendo
claro
ahora
ambos
tipos
de
algoritmo
se
puede
decir
que
en
el caso
de
las
redes
mviles
ad
hoc
es
necesario
tener
un
algoritmo
distribuido,
pues
este
permite
mayor
flexibilidad
y
se
ajusta
a
las
condiciones
de
la
red,
permitindole
movilidad
y
una
comunicacin
eficiente.
23
Los
Algoritmos
Distribuidos.
[pgina
html]
<http://webdia.cem.itesm.mx/ac/rogomez/interAlgosDist.html>
[Consulta:
Dic
18:2005]
4.
SIMULACIN
En
el captulo
2,
se
revisaron
las
caractersticas
de
los
procesos
de
clustering
para
redes
mviles
ad
hoc
y
se
presentaron
algunos
algoritmos
de
clustering
diseados
hasta
el
momento.
En
este
captulo
se
presenta
una
detallada
explicacin
del algoritmo
de
clustering
diseado
e
implementado
en
Matlab
durante
la
ejecucin
del presente
trabajo.
Primero,
se
presentan
los
criterios
de
diseo,
los
parmetros
y,
las
diferentes
etapas
del
algoritmo
de
clustering
desarrollado.
Luego,
se
describe
el
ambiente
de
simulacin
en
el
cual
se
desarroll
el trabajo,
detallando
consideraciones
expuestas
en
el Captulo
3
como
el
algoritmo
de
movilidad
empleado
y
la
metodologa
para
simular
la
comunicacin
de
los
usuarios
mviles
por
medio
de
mensajes
de
beaconing.
El
algoritmo
propuesto
se
divide
en
tres
etapas,
que
corresponden
a:
4.1
Movilidad
de
los
nodos
en
la
red
4.2
Seales
de
beaconing
4.3
Algoritmo
de
clustering
A
continuacin
se
explica
cada
una
de
estas
etapas.
4.1
MODELO
DE
MOVILIDAD
Cuando
se
realizan
simulaciones
de
redes
de
telecomunicaciones,
es
necesario
crear
un
ambiente
de
simulacin
que
cumpla
con
ciertas
condiciones
que
permitan
recrear
algunas
caractersticas
reales.
Para
verificar
el buen
desempeo
del
algoritmo
de
clustering
diseado,
se
caracteriza
el
movimiento
de
los
nodos
mediante
el
modelo
de
movilidad
estudiado
en
el Captulo
2
como
Reference
point
group
mobility
model.
En
la
simulacin
realizada,
se
le
inicializa
a
cada
nodo
de
la
red
una
velocidad
y
una
direccin
determinada.
Cada
uno
de
ellos
durante
un
tiempo
especfico
tiene
una
direccin
y
una
velocidad
que
se
genera
aleatoriamente
en
el modelo
de
movilidad.
Cuando
este
tiempo
se
termina,
el algoritmo
de
movilidad
asigna
nuevamente
a
cada
uno
de
los
nodos
una
velocidad
y
una
direccin
de
forma
aleatoria.
El
algoritmo
contempla
un
rea
de
simulacin
comprendido
entre
un
xmax
y
un
ymax.,
y
unas
velocidades
vmax
y
vmin,
entre
las
cuales
se
le
define
a
cada
nodo
la
velocidad
a
la
que
se
mueve
en
un
instante
determinado.
Estos
parmetros
son
modificables
de
acuerdo
a
las
necesidades
que
se
presenten.
Las
simulaciones
se
realizan
con
un
rea
de
200
x
200,
y
con
unos
rangos
de
velocidad
entre
0.5
y
1.
Teniendo
en
cuenta
que
el
modelo
de
movilidad
empleado
es
grupal,
las
condiciones
de
movimiento
para
cada
grupo
se
asignan
de
manera
independiente
El
movimiento
de
los
grupos
se
determina
por
una
matriz
de
10
movimientos
para
cada
grupo.
La
idea
es
que
los
miembros
de
un
mismo
grupo
se
muevan
apuntando
a
una
misma
posicin
final pero
con
diferentes
ngulos
y
velocidades.
Los
parmetros
a
considerar
en
el modelo
de
movilidad
son:
direccin
de
movimiento
(ngulo),
velocidad,
posicin
inicial
y
posicin
final.
En
las
ecuaciones
9
y
10
se
expresa
la
forma
de
calcular
la
posicin
en
x
y
en
y
para
un
nodo
u.
X
(u)
=
X
(grupo(u),
movimiento(u))
+
radio
_
grupal
*
cos(angulo)
fin
grupos
Ec.
9.
Clculo
de
la
posicin
en
la
coordenada
x
para
un
nodo
u
Y
(u)
=
Y
(grupo(u),
movimiento(u))
+
radio
_
grupal
*sin(angulo)
fin
grupos
Ec.
10.
Clculo
de
la
posicin
en
la
coordenada
y
para
un
nodo
u
Donde:
X
(u)
y
Y
(u)
son
las
posiciones
finales
del
nodo
u.
fin
fin
X
(grupo(u),
movimiento(u))
y
Y
(grupo(u),
movimiento(u))
son
las
matrices
de
grupos
grupos
movimiento
de
los
nodos
de
un
grupo.
radio_grupal
es
el
radio
que
maneja
cada
grupo
para
determinar
el
rea
de
movimiento
de
los
nodos
del
grupo.
En
la
figura
28,
hay
4
grupos:
dos
de
5
nodos
y
dos
de
10
nodos.
Figura
28.
Modelo
de
movilidad
grupal.
4.2
SEALES
DE
BEACONING
La
funcin
del
algoritmo
de
beaconing
es
simular
la
comunicacin
entre
los
nodos
de
la
red.
Esto
lo
hace
teniendo
en
cuenta
varios
parmetros
como:
.
La
frecuencia
de
beacons:
Se
define
como
el
nmero
de
mensajes
que
se
transmiten
en
un
segundo.
.
Tiempo
de
transmisin
de
los
beacons:
Es
el
tiempo
de
transmisin
de
un
solo
beacon.
En
el
caso
de
la
simulacin
realizada,
es
el
tiempo
que
se
tarda
en
transmitir
40
bytes
a
1
Mbps.
.
Tiempo
de
propagacin
de
los
beacons:
Es
el
tiempo
que
tarda
en
propagarse
los
mensajes
en
un
medio
determinado.
En
el
caso
especfico
de
la
simulacin
realizada,
este
tiempo
depende
de
la
velocidad
de
la
luz
porque
se
toman
condiciones
ideales
de
propagacin
en
el
medio.
.
Tiempo
de
recepcin
de
los
beacons:
Es
el
tiempo
de
transmisin
de
un
beacon
sumado
al
tiempo
de
propagacin.
Se
establece
un
lmite
para
el
nmero
mximo
de
mensajes
de
beacon
que
se
pueden
transmitir
y/o
recibir
para
facilitar
los
anlisis
posteriores
de
la
simulacin.
Adems
se
tienen
en
cuenta
las
posibles
colisiones
que
se
puedan
presentar
en
la
comunicacin.
Para
ello
se
chequean
dos
situaciones:
1.
Cuando
un
nodo
recibe
mensajes
provenientes
de
dos
o
ms
fuentes
diferentes
a
la
vez.
2.
Cuando
dos
o
mas
nodos
vecinos
entre
s
transmiten
simultneamente.
Es
importante
anotar
que
los
nodos
que
estn
en
capacidad
de
recibir
un
beacon
de
otro
nodo,
se
deben
encontrar
dentro
del
radio
de
transmisin
del
nodo
que
enva
el
mensaje.
Figura
29.
Conectividad
entre
los
nodos.
4.3
ALGORITMO
DE
CLUSTERING
4.3.1
Preliminares.
Se
propone
un
algoritmo
de
clustering
distribuido
para
una
red
mvil
ad
hoc.
En
el
algoritmo
de
clustering
se
crean
grupos
de
nodos
formados
por
un
clusterhead
y
los
nodos
ordinarios
que
lo
integran,
los
cuales
deben
estar
a
un
solo
salto
de
su
clusterhead.
Se
debe
cumplir
que
cada
cluster
en
la
red
tenga
un
slo
clusterhead
y
que
cada
nodo
se
adhiera
nicamente
a
uno
de
ellos.
Un
nodo
debe
determinar
si
cumple
con
las
condiciones
necesarias
para
ser
clusterhead
o
si
se
vuelve
miembro
de
un
cluster.
En
la
figura
30
se
ilustran
clusters
formados
en
una
MANET
mediante
el
algoritmo
de
clustering
propuesto
en
el
presente
trabajo.
Los
nodos
representados
mediante
un
cuadrado
de
color
son
los
clusterheads
y
los
nodos
representados
mediante
un
crculo
de
color
son
los
miembros
de
los
clusters.
Figura
30.
Clusters.
En
la
mayora
de
los
algoritmos
de
clustering
propuestos
hasta
el
momento,
los
vecinos
de
un
nodo
se
han
considerado
como
aquellos
que
se
encuentran
dentro
de
su
radio
de
transmisin.
Sin
embargo,
para
conocer
el
radio
de
transmisin
se
debe
calcular
primero
la
distancia
euclidiana
entre
cada
par
de
nodos
de
la
red.
Esto
sugiere
que
en
muchas
tcnicas
de
clustering,
se
asume
el
conocimiento
sobre
la
posicin
de
los
nodos
mediante
un
servicio
de
localizacin
apropiado,
como
por
ejemplo
un
GPS.
Sin
embargo,
en
muchas
situaciones
de
la
vida
real
no
siempre
se
tendr
a
disposicin
esta
informacin.
Por
la
razn
anterior,
se
presenta
la
opcin
de
que
la
vecindad
en
un
algoritmo
de
clustering,
se
determine
por
medio
de
la
cantidad
de
mensajes
de
comunicacin
que
un
nodo
recibe.
Por
lo
tanto,
los
nodos
que
se
comunican
constantemente
entre
s
son
considerados
vecinos.
Esto
quiere
decir
que
dos
nodos
A
y
B
pueden
encontrarse
a
una
distancia
fsica
muy
cercana
entre
s
pero
si
no
se
comunican,
no
son
considerados
vecinos.
En
el
algoritmo
de
clustering
implementado
se
ensayan
por
separado,
los
dos
criterios
para
determinar
la
vecindad
entre
los
nodos.
De
esta
forma,
se
realiza
el
estudio
del
desempeo
de
un
algoritmo
de
clustering
en
el
cual
los
vecinos
de
un
nodo
se
determinan
primero
por
medio
del
radio
de
transmisin
y
luego
por
la
cantidad
de
mensajes
de
beaconing
que
recibe
un
nodo
de
los
otros.

Determinacin
de
la
vecindad
por
medio
del
radio
de
transmisin.
Cuando
se
determina
la
vecindad
entre
dos
nodos,
se
calcula
en
primera
instancia
la
distancia
euclidiana
entre
ellos.
Para
el
caso
bidimensional
esta
distancia
est
dada
por:
D(u)
=
(x
-
x
u
)2
+
(y
-
yu
)2
Ec.
11.
Distancia
euclidiana
entre
los
nodos
donde:
x
es
la
posicin
de
los
nodos
en
la
red
en
el
eje
x
xu
es
la
posicin
del
nodo
u
en
el
eje
x
y
es
la
posicin
de
los
nodos
en
la
red
en
el
eje
y
yu
es
la
posicin
del
nodo
u
en
el
eje
y
Los
nodos
que
cumplen
con
la
siguiente
condicin
se
encuentran
dentro
del
rango
de
transmisin
de
un
nodo
u:
Vecinos
=
D(u)
<radio
&
D(u)
>0
Ec.
12.
Condicin
de
vecindario
de
los
nodos

Determinacin
de
la
vecindad
por
medio
de
mensajes
de
beaconing.
Los
nodos
que
reciban
un
nmero
de
seales
de
beacons
mayor
a
un
porcentaje
determinado
por
el
nmero
mximo
de
beacons
que
se
transmiten
o
reciben
en
un
rango
de
tiempo,
se
pueden
considerar
vecinos
ya
que
existe
conectividad
entre
ellos.
En
la
simulacin
realizada,
se
tom
como
criterio
para
establecer
la
vecindad
entre
los
nodos,
una
conectividad
mayor
o
igual
al
40%
del
nmero
mximo
de
mensajes
de
beaconing
que
se
pueden
transmitir
o
recibir,
este
nmero
es
un
parmetro
que
se
define
en
la
simulacin.
Esta
eleccin
(40%)
se
basa
en
un
criterio
arbitrario,
pensando
que
la
conectividad
fuera
un
poco
menor
al
50%
para
que
la
rigidez
a
la
hora
de
determinar
la
conectividad
entre
los
nodos
no
fuera
muy
alta.
4.3.2
Procedimiento
para
calcular
los
clusterheads.
El
procedimiento
para
calcular
los
clusterheads
en
el
algoritmo
de
clustering
diseado
est
basado
en
la
metodologa
seguida
por
WCA,
una
de
las
tcnicas
de
clustering
presentadas
en
el
captulo
3.
Al
igual
que
WCA,
el
algoritmo
planteado
se
basa
en
una
mtrica
que
asigna
pesos
a
varios
parmetros
de
la
red.
Sin
embargo,
en
WCA
se
tienen
en
cuenta
diversas
variables
como
la
distancia
entre
los
usuarios,
la
movilidad,
el
consumo
de
la
batera,
entre
otros,
en
cambio
en
el
algoritmo
de
clustering
diseado
se
consideran
tan
slo
dos
parmetros
principales
con
los
cuales
se
decide
que
tan
apto
es
un
nodo
para
ser
clusterhead.
Estos
parmetros
se
explican
con
ms
detalle
a
continuacin:

Movilidad.
Con
el
fin
de
evitar
que
la
topologa
de
la
red
cambie
frecuentemente,
es
deseable
que
los
nodos
seleccionados
como
clusterheads
presenten
un
comportamiento
estable.
De
esta
manera,
los
clusters
formados
sern
menos
variables
y
tendrn
una
mayor
duracin.
Un
nodo
que
presente
baja
movilidad,
es
un
nodo
con
un
comportamiento
estable
ya
que
no
se
mueve
rpidamente
permitiendo
que
la
configuracin
de
los
clusters
en
la
red
no
cambie
dramticamente.
La
movilidad
para
un
nodo
u
se
calcula:
1
T
M
u
=
.
v
dt
T
0
Ec.
13.
Frmula
para
calcular
la
movilidad
de
un
nodo
u
Esto
representa
la
sumatoria
de
las
velocidades
de
un
nodo
durante
un
periodo
de
tiempo
T

Nmero
de
vecinos.
Un
nodo
que
presenta
gran
cercana
en
trminos
de
distancia
con
varios
nodos,
presenta
un
mayor
nmero
de
vecinos.
Esto
significa
que
es
accesible
para
muchos
nodos
de
la
red,
lo
cual
lo
hace
apropiado
para
convertirse
en
un
lder
o
clusterhead.

Nmero
de
mensajes
de
beaconing
recibidos.
Es
deseable
que
un
clusterhead
mantenga
un
alto
nivel
de
comunicacin
con
sus
vecinos.
Por
lo
tanto,
un
nodo
que
recibe
muchos
mensajes
de
beaconing
de
sus
vecinos
mantiene
una
alta
conectividad
con
ellos
lo
cual
lo
hace
apropiado
para
convertirse
en
clusterhead.
A
diferencia
de
WCA
en
donde
el
nodo
con
mnimo
peso
queda
elegido
como
clusterhead,
en
el
algoritmo
diseado,
el
nodo
con
mayor
peso
entre
sus
vecinos
es
el
que
queda
seleccionado
para
desempear
este
papel.
Por
lo
tanto,
el
peso
de
cada
nodo
u
se
calcula
de
la
siguiente
forma:
.
Caso
1:
Algoritmo
de
clustering
basado
en
el
radio
de
transmisin.
En
este
caso
se
le
asignan
pesos
al
nmero
de
vecinos
que
tiene
cada
nodo
y
al
valor
de
movilidad
que
presenta
cada
uno
de
ellos.
1
Wu
=
w1Vu
+
w2
Mu
Ec.
14.
Frmula
para
calcular
el
peso
total
del
nodo
u
donde,
Vu
es
el
nmero
total
de
vecinos
que
tiene
el
nodo
u
en
un
ndice
de
tiempo.
Mu
es
la
movilidad
del
nodo
u.
Este
trmino
se
invierte
en
la
expresin
presentada
para
calcular
Wu,
ya
que
un
clusterhead
debe
ser
un
nodo
con
poca
movilidad.
w1
y
w2
son
los
pesos
asignados
a
cada
factor.
Se
debe
cumplir
que
w1
+
w2
=
1.
.
Caso
2:
Algoritmo
de
clustering
basado
en
mensajes
de
Beaconing.
En
este
caso
se
le
asignan
pesos
a
la
suma
total
de
los
mensajes
de
beaconing
que
recibe
un
nodo
en
un
rango
de
tiempo
dado
y
al
valor
de
movilidad
que
presenta
cada
uno
de
ellos.
1
Wu
=
w1Bu
+
w2
Mu
Ec.
15.
Frmula
para
calcular
el
peso
total
del
nodo
u
donde,
Bu
es
el
nmero
total
de
beacons
que
recibe
el
nodo
u
en
un
ndice
de
tiempo.
Mu
es
la
movilidad
del
nodo
u.
w1
y
w2
son
los
pesos
asignados
a
cada
factor.
4.3.3
Preliminares
para
la
formacin
de
los
clusters.
El
algoritmo
de
clustering
se
bas
en
la
tcnica
presentada
en
el
captulo
3,
conocida
como
DMAC,
para
la
formacin
de
los
clusters.
Al
igual
que
en
DMAC,
en
el
algoritmo
de
clustering
planteado
cada
nodo
tiene
un
peso
asociado
y
un
nmero
de
identificacin
(ID),
el
cual
es
un
nmero
entero
mayor
a
cero
y
cuando
el
nodo
es
un
clusterhead
su
ID
se
convierte
en
el
ID
del
cluster
que
forman
l
y
sus
vecinos.
Para
indicar
el
estado
de
un
nodo
y
la
pertenencia
a
un
cluster,
se
utiliza
una
matriz
denominada
Estado_cluster,
esta
matriz
tiene
tantas
columnas
como
nodos
haya
en
la
red
y
presenta
dos
filas:
la
primera
fila
indica
el
estado
de
cada
nodo
y
la
segunda
indica
el
ID
del
cluster
al
cual
pertenece
este
nodo.
Los
mensajes
Join
y
los
mensajes
CH
que
se
manejan
en
DMAC
se
representan
en
la
primera
fila
de
la
matriz
Estado_cluster
mediante
un
1
y
un
2
respectivamente.
En
el
algoritmo
implementado
se
manejan
cuatro
posibles
estados
para
un
nodo:
0:
Nodo
sin
rol
definido.
1:
Nodo
unido
a
un
clusterhead
y
con
rol
de
nodo
ordinario
en
un
cluster.
2:
Nodo
con
rol
de
clusterhead.
-1:
Nodo
con
rol
cancelado.
En
la
figura
31,
hay
veinte
nodos
organizados
en
cuatro
clusters.
Cada
nodo
aparece
con
su
ID.
Se
observa
que
los
nodos
1,
3,
9
y
13
son
clusterheads.
Figura
31.
Formacin
de
clusters
en
una
red
con
20
nodos.
Dada
la
configuracin
de
la
red
de
la
figura
31,
la
matriz
Estado_cluster
toma
los
siguientes
valores:
ID
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Roll
2
1
2
1
1
1
1
1
2
1
1
1
2
1
1
1
1
1
1
1
Cluster
1
1
3
1
3
13
13
9
9
9
13
13
13
13
13
13
13
13
13
13
Tabla
1.
Matriz
de
estado
cluster
4.3.4
Etapas
del
algoritmo
de
clustering.
El
algoritmo
implementado
presenta
dos
etapas:
la
asignacin
de
roles
y
la
cancelacin
de
roles.

Asignacin
de
roles.
Cuando
se
inicia
el
algoritmo
de
clustering
todos
los
nodos
de
la
red
presentan
un
rol
no
definido
y
su
estado
se
representa
mediante
un
cero.
Cada
uno
de
los
nodos
de
la
red
realiza
el
procedimiento
de
asignacin
de
roles
al
comenzar
el
algoritmo
de
clustering
y
cuando
se
hace
necesario
asignar
de
nuevo
el
papel
de
un
nodo
al
cual
le
ha
sido
cancelado
su
rol.
La
condicin
para
que
un
nodo
pueda
participar
en
el
proceso
de
asignacin
de
roles
es
que
su
rol
en
la
matriz
Estado_cluster
sea
cero.
En
esta
etapa
se
determinan
primero
los
vecinos
de
un
nodo.
Cada
nodo
conoce
los
pesos
y
los
IDs
de
sus
nodos
vecinos.
Si
un
nodo
tiene
el
mximo
peso
entre
sus
vecinos
y
ningn
vecino
se
ha
declarado
clusterhead
(dos
clusterheads
no
pueden
ser
vecinos)
entonces
el
nodo
se
declara
clusterhead
de
sus
vecinos.
Para
ello
coloca
su
rol
en
la
matriz
Estado_cluster
en
2.
Para
que
un
nodo
u
se
una
a
un
clusterhead
se
deben
cumplir
dos
condiciones
simultneamente:
1.
Entre
los
vecinos
de
un
nodo
u
deben
existir
uno
o
ms
nodos
que
previamente
se
hayan
declarado
clusterheads.
2.
El
peso
mximo
entre
todos
los
vecinos
de
un
nodo
u
que
tengan
rol
de
clusterheads
debe
ser
mayor
al
peso
del
nodo
u.
Cuando
un
nodo
u
se
une
a
un
clusterhead,
coloca
su
rol
en
la
matriz
Estado_cluster
en
1
y
su
ID
igual
al
ID
del
clusterhead
al
cual
se
une
para
indicar
su
pertenencia
a
ese
cluster.
Un
nodo
que
ya
ha
definido
su
rol
no
participa
ms
en
el
procedimiento
de
asignacin
de
roles.
.
Ejemplo
de
Asignacin
de
roles.
En
el
siguiente
ejemplo
se
ilustra
el
proceso
de
asignacin
de
roles.
La
simulacin
se
lleva
a
cabo
para
15
nodos
cada
uno
con
un
radio
de
transmisin
de
70.7
y
un
delta_CH
de
4.
En
la
figura
32
se
puede
apreciar
cada
nodo
con
su
peso
asociado.
Al
iniciar
la
simulacin
los
nodos
no
tienen
un
rol
definido
y
se
identifican
mediante
un
crculo
azul.
Como
an
no
se
han
asignado
los
pesos
estos
son
cero.
En
el
segundo
ciclo
de
tiempo,
figura
33
se
observa
que
los
nodos
con
mayor
peso
entre
sus
vecinos
quedan
seleccionados
como
clusterheads.
A
partir
del
ciclo
de
tiempo
3
se
puede
observar
en
las
figuras
34
y
35
que
los
nodos
se
van
uniendo
al
clusterhead
vecino
en
orden
descendente
de
peso.
Los
miembros
de
un
cluster
se
identifican
mediante
un
crculo
del
mismo
color
que
su
clusterhead
respectivo.
En
la
figura
35
se
observa
que
la
red
queda
totalmente
organizada
en
clusters
de
nodos.
Una
vez
completado
el
proceso
de
asignacin
de
roles
para
cada
nodo
de
la
red,
se
forman
en
total
cinco
clusters:
un
cluster
con
cinco
miembros,
un
cluster
con
tres
miembros,
tres
clusters
con
dos
miembros
y
un
cluster
con
un
solo
miembro,
el
cual
se
trata
simplemente
de
un
solo
clusterhead.
Figura
32.
Inicializacin.
Figura
33.
Asignacin
de
clusterheads.
Figura
34.
Formacin
de
clusters.
Figura
35.
Establecimiento
de
los
clusters.

Cancelacin
de
roles.
En
la
cancelacin
de
roles
se
verifica
si
un
nodo
cumple
con
las
condiciones
necesarias
para
seguir
manteniendo
su
rol
como
clusterhead
o
nodo
ordinario
y
en
este
caso,
si
puede
seguir
perteneciendo
a
un
cluster
determinado.
Un
nodo
puede
participar
en
el
procedimiento
de
cancelacin
de
roles
si
su
rol
en
la
matriz
Estado_cluster
es
1

2.
Al
iniciar
este
procedimiento
cada
nodo
determina
sus
vecinos.
En
caso
de
que
un
nodo
no
cumpla
ciertos
criterios
pierde
el
rol
que
tiene
en
ese
instante
y
es
necesario
asignarle
un
nuevo
papel
dentro
de
la
red
mediante
el
procedimiento
de
asignacin
de
roles.
Cuando
se
le
cancela
el
rol
a
un
nodo,
se
le
asigna
un
-1
en
la
matriz
Estado_cluster.
Esto
se
realiza
con
el
fin
de
que
en
el
prximo
ciclo
de
tiempo,
al
iniciar
el
algoritmo
de
clustering,
su
rol
se
vuelva
cero
con
el
fin
de
poder
participar
en
el
procedimiento
de
asignacin
de
roles.
El
proceso
de
cancelacin
de
roles
tiene
en
cuenta
posibles
cambios
topolgicos
que
se
presentan
en
la
red,
los
cuales
pueden
causar
la
cancelacin
del
rol
de
un
nodo:
1.
Si
un
nodo
es
clusterhead
Un
nodo
con
rol
de
clusterhead
debe
verificar
si
mantiene
el
peso
mximo
entre
sus
vecinos
que
se
hayan
declarado
clusterheads,
por
lo
tanto,
si
un
clusterhead
tiene
un
vecino
que
en
el
ltimo
proceso
de
asignacin
de
roles
se
ha
declarado
clusterhead
y
presenta
un
peso
mayor,
el
clusterhead
pierde
su
rol
y
consecuentemente
su
cluster
se
deshace.
2.
Si
un
nodo
se
encuentra
unido
a
un
clusterhead
En
este
caso
pueden
presentarse
alguna
de
las
siguientes
situaciones
que
causan
la
cancelacin
de
roles:
2.1
Un
clusterhead
se
convierte
en
vecino
de
un
nodo
que
ya
pertenece
a
un
cluster.
El
nodo
decide
cancelar
su
rol
para
luego
unirse
al
nuevo
clusterhead
vecino,
si
el
peso
de
este
supera
el
de
su
clusterhead
actual.
2.2
Un
clusterhead
deja
de
ser
vecino
de
un
nodo
que
es
miembro
de
su
cluster.
En
este
caso
el
nodo
cancela
su
rol
ya
que
pierde
la
condicin
de
pertenencia
a
este
clusterhead.
2.3
Un
nodo
comprueba
que
su
clusterhead
ha
perdido
su
rol.
En
este
caso
el
nodo
debe
cancelar
su
propio
rol
porque
su
cluster
ya
no
existe.
2.4
El
peso
de
un
nodo
ordinario
se
vuelve
mayor
que
el
peso
de
su
clusterhead
actual.
En
las
figuras
36,
37,
38,
39
40
y
41
se
pueden
apreciar
todos
los
casos
excepto
el
2.2.
El
hecho
de
que
un
clusterhead
que
tiene
un
peso
menor
a
algunos
de
los
miembros
de
su
cluster,
conserve
su
rol,
se
explica
en
el
prximo
numeral.
Figura
36.
Situacin
inicial.
Figura
37.
Caso
2.4.
Figura
38.
Caso
1
y
Caso
2.1.
Figura
39.
Caso
1
y
Caso
2.1.
Figura
40.
Formacin
de
un
nuevo
cluster.
Figura
41.
Nueva
topologa
de
la
red.
4.3.5
Delta_CH.
En
el
algoritmo
de
clustering
diseado
se
propone
una
variable
que
contribuye
a
las
decisiones
que
se
deben
tomar
cuando
se
compara
el
peso
de
un
clusterhead
con
el
de
sus
vecinos
que
sean
nodos
ordinarios.
Cuando
un
nodo
ha
sido
clusterhead
durante
varios
ciclos
de
tiempo,
puede
suceder
que
en
un
momento
dado
uno
de
sus
miembros
adquiera
un
peso
mayor
al
suyo
causando
que
el
cluster
se
destruya
inmediatamente.
Sin
embargo,
puede
ocurrir
que
esto
nada
ms
suceda
por
uno,
dos
o
tres
ciclos
de
tiempo
y
luego
el
nodo
que
era
clusterhead
vuelva
a
tener
el
mayor
peso
entre
sus
vecinos.
Los
pesos
en
cada
ciclo
varan
con
frecuencia
y
por
ello
no
se
justifica
que
un
cluster
se
destruya
y
luego
se
vuelva
a
formar
por
este
motivo,
ya
que
esta
situacin
causa
una
gran
variabilidad
en
la
topologa
de
la
red.
Por
esta
razn,
cuando
se
compara
el
peso
de
un
nodo
que
es
clusterhead
con
el
peso
de
uno
de
sus
miembros
durante
el
proceso
de
cancelacin
y
asignacin
de
roles,
se
agrega
una
especie
de
histresis
al
peso
del
clusterhead.
Esta
histresis
es
denominada
delta
de
CH.
Su
funcin
es
darle
una
mayor
preferencia
a
aquellos
nodos
que
son
clusterheads,
los
cuales
sufren
pequeas
fluctuaciones
en
el
valor
de
su
peso
que
pueden
causar
la
destruccin
de
su
cluster.
Slo
cuando
el
peso
de
un
nodo
ha
alcanzado
un
valor
lo
suficientemente
mayor
que
el
de
su
clusterhead,
puede
ocurrir
un
cambio
topolgico
en
la
red.
Un
ejemplo
de
lo
que
sucede
cuando
el
delta_CH
tiene
un
valor
de
cero,
es
decir
no
se
tiene
en
cuenta
esta
histresis,
se
ilustra
en
las
siguientes
figuras.
En
la
figura
42,
se
tiene
un
cluster
de
color
prpura
conformado
por
un
clusterhead
y
dos
miembros.
En
el
ciclo
de
tiempo
8,
uno
de
los
nodos
miembros
del
cluster
adquiere
un
peso
mayor
al
de
su
clusterhead
y
cancela
su
rol.
En
la
figura
43
se
observa
que
el
cluster
de
color
prpura
se
destruye
y
se
forma
un
nuevo
cluster
de
color
azul.
A
partir
del
ciclo
de
tiempo
12,
figura
45,
el
cluster
azul
queda
completamente
armado,
sin
embargo
se
observa
que
en
el
ciclo
de
tiempo
16,
figura
46,
uno
de
los
nodos
miembros
del
cluster
azul
pierde
su
rol.
Este
nodo
es
precisamente
el
que
tena
rol
de
clusterhead
antes
del
ciclo
de
tiempo
12.
En
la
figura
47,
este
nodo
vuelve
a
quedar
seleccionado
como
clusterhead
y
en
el
ciclo
de
tiempo
20,
figura
48,
se
observa
que
el
cluster
de
color
prpura
se
vuelve
a
formar
nuevamente.
Si
se
hubiera
tenido
presente
el
delta_CH,
el
cluster
de
color
prpura
hubiera
permanecido
un
mayor
tiempo
y
no
se
hubiera
destruido
y
vuelto
a
formar,
ya
que
en
el
momento
en
que
se
dio
el
cambio,
figura
43,
la
diferencia
de
pesos
entre
el
clusterhead
prpura,
con
un
peso
de
27.32
y
el
clusterhead
azul,
con
un
peso
de
27.36,
no
era
muy
significativo.
Figura
42.
Paso
1.
Figura
43.
Paso
2.
Figura
44.
Paso
3.
Figura
45.
Paso
4.
Figura
46.
Paso
5
Figura
47.
Paso
6.
Figura
48.
Paso
7.
4.3.6
Tiempos
de
la
simulacin.
Cada
una
de
las
diferentes
etapas
del
algoritmo
se
lleva
a
cabo
en
distintos
tiempos
durante
la
simulacin.
La
simulacin
que
se
propone
es
DES
(Discrete
Event
Simulation)
ya
que
se
utilizan
eventos
para
describir
acciones
que
se
llevan
a
cabo
en
un
momento
determinado.
Cada
uno
de
estos
eventos
se
ejecuta
en
un
instante
que
incide
puntualmente
en
una
escala
temporal.
Otra
caracterstica
importante
es
que
el
tiempo
de
simulacin
vara
de
forma
irregular,
es
decir
no
fluye
continuamente
ya
que
el
contador
que
lo
determina
no
avanza
de
manera
constante.
Este
es
el
caso
del
tiempo
de
beaconing
en
la
simulacin
realizada.
En
la
simulacin
que
se
presenta
las
variables
que
determinan
la
ocurrencia
de
cada
evento
en
el
tiempo
son:
ndice
de
tiempo.
Es
el
tiempo
que
sincroniza
los
tiempos
de
los
distintos
eventos
en
el
algoritmo,
adems
determina
el
tiempo
en
el
que
se
almacenan
los
datos.
.
Movilidad.
-tmov:
Tiempo
en
el
cual
se
ejecuta
el
algoritmo
de
movilidad
de
los
nodos.
-dtmov:
Delta
de
tiempo
de
movimiento.
Es
el
valor
que
se
le
incrementa
al
tmov
cada
vez
que
se
ejecuta
el
algoritmo
de
movilidad
de
los
nodos.
.
Seales
de
Beaconing.
-tb:
Es
el
tiempo
de
la
simulacin
en
el
que
se
da
la
transmisin
de
los
beacons
entre
los
nodos.
-dtb:
Delta
de
tiempo
de
beaconing.
Es
el
valor
que
se
le
incrementa
al
tb
cada
vez
que
se
ejecuta
el
algoritmo
de
envo
de
seales
de
beaconing.
.
Clustering.
-tcluster:
Tiempo
en
el
cual
se
realiza
el
proceso
de
clustering.
En
la
simulacin
el
algoritmo
de
clustering
se
lleva
a
cabo
una
vez
se
haya
ejecutado
la
parte
de
la
movilidad
y
del
envo
de
seales
de
beaconing,
con
el
fin
de
poder
obtener
los
valores
necesarios
para
calcular
el
peso
de
cada
nodo.
-dtcluster:
Delta
de
tiempo
de
clustering.
Es
el
valor
que
se
le
incrementa
al
tcluster
cada
vez
que
se
ejecuta
el
proceso
de
clustering.
.
Graficacin.
-tgraf:
Tiempo
en
el
cual
se
realizan
las
grficas
de
la
simulacin.
-dtgraf:
Delta
de
tiempo
de
graficacin.
Es
el
valor
que
se
le
incrementa
al
tgraf
cada
vez
que
se
ejecuta
la
parte
de
la
graficacin.
En
la
figura
49
se
observa
que
la
movilidad
determinada
por
el
tmov
y
el
envo
de
las
seales
de
beaconing
de
acuerdo
con
tbeacon
son
los
primeros
eventos
que
se
realizan
en
la
simulacin,
en
estas
etapas
se
realiza
el
movimiento
de
todos
los
nodos
comprendidos
en
la
red,
adems
se
inicia
la
comunicacin
entre
ellos
por
medio
de
las
seales
de
beaconing
las
cuales
se
transmiten
peridicamente
y
de
manera
muy
frecuente.
Despus
de
cierto
tiempo
en
el
cual
se
permite
que
la
red
se
establezca
se
inicia
la
graficacin
con
el
parmetro
tgraf
permitiendo
la
visualizacin
del
comportamiento
de
los
nodos
de
la
simulacin
y
la
fase
de
clustering
que
permite
que
se
ejecuten
las
etapas
del
algoritmo
discutidas
anteriormente
en
4.3.4.
En
el
algoritmo
diseado
se
establecieron
ciertos
valores
de
tiempo
que
se
consideraron
apropiados
para
llevar
a
cabo
las
simulaciones,
estos
se
pueden
observar
en
la
figura
49,
adems
es
necesario
aclarar
que
ninguno
de
los
eventos
se
efecta
simultneamente.
Figura
49.
Tiempos
manejados
para
la
ocurrencia
de
los
eventos
en
el
algoritmo.
5.
RESULTADOS
En
este
captulo,
se
presentan
los
resultados
estadsticos
obtenidos
a
partir
de
la
simulacin
del
algoritmo
de
clustering
diseado.
Se
presentan
los
resultados
obtenidos
tanto
para
el
caso
en
el
cual
la
vecindad
entre
los
nodos
se
determina
por
medio
del
radio
de
transmisin
como
para
cuando
la
vecindad
se
determina
mediante
la
recepcin
de
mensajes
de
beaconing.
Se
realiza
un
anlisis
sobre
los
resultados
y
se
establece
una
comparacin
entre
los
dos
mtodos
empleados
para
determinar
la
vecindad
entre
los
nodos.
Las
medidas
estadsticas
utilizadas,
se
encuentran
relacionadas
con
la
duracin
media
de
los
clusters,
el
tamao
promedio
de
los
clusters,
la
variabilidad
del
tamao
de
los
clusters
y
el
nmero
de
clusters
formados,
entre
otros.
5.1.
EXPERIMENTOS
Y
PRUEBAS
Con
el
fin
de
evaluar
el
desempeo
del
algoritmo
diseado,
se
llevaron
a
cabo
dos
experimentos
y
por
cada
uno
de
ellos
se
realizaron
64
pruebas.
A
continuacin
se
presentan
las
caractersticas
comunes
de
cada
una
de
las
pruebas
realizadas
en
cada
experimento:
.
Experimento
1
Forma
de
hallar
los
vecinos
de
un
nodo
Clculo
de
pesos
Pesos
rea
de
simulacin
por
prueba
(m)
Tiempo
mximo
de
simulacin
por
prueba
(s)
Nmero
de
nodos
w1
w2
Por
medio
del
radio
del
transmisin
Wu
=
w1Vu
+
w2
uM
1
0.5
0.5
200
x
200
8000
30
Tabla
2.
Tabla
de
caractersticas
Experimento
1
.
Experimento
2
Forma
de
hallar
los
vecinos
de
un
nodo
Clculo
de
pesos
Pesos
rea
de
simulacin
por
prueba
(m)
Tiempo
mximo
de
simulacin
por
prueba
(s)
Nmero
de
nodos
w1
w2
Por
medio
de
las
seales
de
Beaconing
Wu
=
w1Bu
+
w2
uM
1
0.5
0.5
200
x
200
8000
30
Tabla
3.
Tabla
de
caractersticas
Experimento
2
.
Pruebas.
Las
variables
que
varan
entre
cada
una
de
las
pruebas
son
el
delta
de
CH
y
el
radio
de
transmisin.
En
una
sola
prueba
se
tiene
un
valor
de
delta
de
CH
y
de
radio
de
transmisin
determinado.
El
radio
de
transmisin
toma
valores
de
10,
20,
30,
40,
50,
60,
70
y
80.
Para
cada
uno
de
los
radios
de
transmisin
el
delta
de
CH
toma
valores
de
0,
1,
2,
3,
4,
5,
6,
7.
Como
resultado
de
estas
combinaciones
se
realizan
en
total
64
pruebas
por
cada
experimento.
5.2
OBTENCIN
DE
LOS
RESULTADOS
ESTADSTICOS
Mediante
la
matriz
Estado_cluster
se
obtuvieron
los
datos
necesarios
para
poder
graficar
los
resultados
estadsticos
de
la
simulacin
que
se
presentan
en
este
captulo.
A
continuacin
se
describen
los
diferentes
pasos
que
se
siguen
para
obtener
los
resultados
estadsticos
que
evalan
el
desempeo
del
algoritmo
de
clustering
diseado:
5.2.1
Matriz
M_estadisticas.
El
primer
paso
que
se
realiza
para
la
adquisicin
de
datos
es
crear
una
matriz
denominada
M_estadisticas
la
cual
va
almacenando
el
valor
de
la
matriz
Estado_cluster
durante
cada
ndice
de
tiempo
de
la
simulacin.
Por
lo
tanto,
el
ndice
de
93
tiempo
que
maneja
la
matriz
M_estadisticas
se
incrementa
en
1
cada
vez
que
el
algoritmo
ingresa
a
la
etapa
de
clustering.
De
esta
forma,
durante
el
tiempo
de
simulacin,
se
almacena
toda
la
historia
del
proceso
de
clustering
la
cual
incluye
cuando
los
nodos
cancelan
su
rol,
asignan
su
rol,
se
declaran
clusterheads
o
nodos
ordinarios,
y
se
forman
los
clusters.
En
las
tablas
4,
5
y
6
se
presenta
la
notacin
de
la
matriz
M_estadisticas.
Se
puede
observar
por
ejemplo
que
en
el
ndice
de
tiempo
8
el
nodo
4,
el
nodo
16
y
el
nodo
30
se
declaran
clusterheads
(rol
=
2)
y
los
dems
nodos
no
han
declarado
su
rol
todava
(rol
=
0).
En
el
ndice
de
tiempo
16,
se
observa
que
varios
nodos
se
van
uniendo
a
estos
clusterheads
(rol
=
1)
y
que
el
nodo
11
tambin
se
declara
clusterhead.
En
el
ndice
de
tiempo
21,
se
aprecia
que
cada
uno
de
los
nodos
ya
ha
establecido
su
rol
y
que
se
han
formado
en
total
4
clusters
en
la
red.
ID
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Roll
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
Cluster
0
0
0
4
0
0
0
0
0
0
0
0
0
0
0
16
0
0
0
0
ID
21
22
23
24
25
26
27
28
29
30
Roll
0
0
0
0
0
0
0
0
0
2
Cluster
0
0
0
0
0
0
0
0
0
30
Tabla
4.
M_estadisticas
en
el
ndice
de
tiempo
8
ID
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Roll
0
1
1
2
1
1
1
1
1
1
2
0
1
1
0
2
1
1
0
0
Cluster
0
4
4
4
4
4
4
4
4
4
11
0
16
16
0
16
16
16
0
0
ID
21
22
23
24
25
26
27
28
29
30
Roll
0
1
1
1
0
1
1
1
1
2
Cluster
0
16
16
16
0
30
30
30
30
30
Tabla
5.
M_estadisticas
en
el
ndice
de
tiempo
16
94
ID
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Roll
1
1
1
2
1
1
1
1
1
1
2
1
1
1
1
2
1
1
1
1
Cluster
4
4
4
4
4
4
4
4
4
4
11
11
16
11
11
16
16
16
16
16
ID
21
22
23
24
25
26
27
28
29
30
Roll
1
1
1
1
1
1
1
1
1
2
Cluster
11
16
16
16
11
30
30
30
30
30
Tabla
6.
M_estadisticas
en
el
ndice
de
tiempo
21
5.2.2
Matriz
Clusters_cell.
Al
observar
la
matriz
M_estadisticas
presentada
en
el
ejemplo
anterior,
se
puede
apreciar
que
el
cluster
4,
en
el
ndice
de
tiempo
8,
tiene
un
slo
miembro
que
es
precisamente
el
nodo
4
declarado
como
clusterhead.
Luego
en
el
ndice
de
tiempo
16,
este
cluster
est
conformado
por
9
nodos:
1
clusterhead
y
8
miembros.
En
el
ndice
de
tiempo
21,
este
mismo
cluster
ya
tiene
10
miembros:
1
clusterhead
y
9
miembros.
Si
se
realiza
este
anlisis
por
cada
cluster
que
se
forma
en
la
red
durante
el
tiempo
total
de
la
simulacin,
se
puede
determinar
el
comportamiento
de
cada
uno
de
los
clusters
en
cuanto
a
su
duracin,
variabilidad
y
al
nmero
de
nodos
que
lo
conforman,
es
decir
su
tamao.
Para
obtener
estadsticas
respecto
a
este
comportamiento,
se
cre
una
matriz
tipo
cell
array
denominada
Clusters_cell
con
el
fin
de
extraer
la
informacin
contenida
en
M_estadisticas
respecto
a
cada
cluster
durante
el
tiempo
total
de
simulacin.
El
objetivo
de
Clusters_cell
es
almacenar
en
cada
celda
el
nmero
de
nodos
pertenecientes
a
un
cluster
desde
el
principio
de
su
formacin
hasta
que
se
desarma.
Esto
se
visualiza
mejor
mediante
el
siguiente
ejemplo.
En
el
mismo
ensayo
en
el
que
se
obtuvo
la
matriz
M_estadisticas
presentada
en
el
ejemplo
anterior,
se
obtuvo
tambin
la
siguiente
matriz
Clusters_cell
que
se
visualiza
en
Matlab
de
la
siguiente
forma:
>>
Clusters_cell
=
Columns
1
through
4
[1x42
double]
[1x34
double]
[1x42
double]
[1x10
double]
Column
5
[1x29
double]
Una
celda
de
Clusters_cell
corresponde
a
un
vector
como
se
muestra
a
continuacin
para
la
celda
nmero
3:
Clusters_cell{3}
=
[1
2
3
4
5
6
7
8
8
9
10
9
9
9
9
9
9
9
9
8
8
8
8
8
8
8
8
8
8
1
1
1
1
1
1
1
1
1
1
1
1
1]
El
valor
de
cada
posicin
de
este
vector
corresponde
al
nmero
de
nodos
pertenecientes
a
un
cluster
en
un
ndice
de
tiempo.
En
este
ejemplo,
Clusters_cell{3}hace
referencia
al
comportamiento
del
cluster
formado
por
el
clusterhead
16
y
sus
miembros.
La
informacin
contenida
en
el
vector
se
puede
interpretar
de
la
siguiente
forma:
Como
en
M_estadisticas
el
nodo
16
se
declara
clusterhead
en
el
ndice
de
tiempo
8,
el
cluster
slo
tiene
un
miembro
inicialmente.
Esta
situacin
corresponde
a
la
primera
posicin
del
vector
Clusters_cell{3}
en
donde
aparece
un
1.
Es
de
notar
que
este
valor
siempre
figura
al
inicio
de
cada
una
de
las
celdas
de
la
matriz
Clusters_cell
ya
que
un
cluster
se
crea
siempre
a
partir
de
un
clusterhead.
En
el
ndice
de
tiempo
16
de
M_estadisticas
hay
8
nodos
que
pertenecen
al
cluster,
esto
corresponde
a
la
posicin
9
del
vector
Clusters_cell{3}.
Luego
en
el
ndice
de
tiempo
21
(posicin
14
del
vector
Clusters_cell{3}),
hay
9
nodos
en
el
cluster.
Se
puede
notar
que
el
cluster
al
final
pierde
todos
sus
miembros
y
que
el
clusterhead
permanece
como
nico
miembro
durante
varios
ndices
de
tiempo.
Se
puede
apreciar
que
Clusters_cell
aporta
informacin
acerca
del
comportamiento
de
cada
cluster
formado
en
la
red.
Como
cada
celda
corresponde
a
un
vector,
por
cada
una
se
puede
calcular
su
media,
su
varianza
y
su
longitud
la
cual
se
relaciona
con
la
duracin
del
cluster.
Esto
se
hace
simplemente
con
las
funciones
mean(
),
var(
)
y
length(
)
de
Matlab.
Como
este
procedimiento
se
realiza
para
cada
celda
se
pueden
obtener
los
siguientes
vectores:

DuracinCluster:
Es
un
vector
que
contiene
en
cada
posicin,
el
valor
de
la
duracin
de
cada
cluster
formado
en
la
red,
durante
el
tiempo
total
de
la
simulacin.

Media:
Es
un
vector
que
contiene
en
cada
posicin,
el
valor
promedio
del
nmero
de
miembros
de
cada
cluster
formado
en
la
red,
durante
el
tiempo
total
de
la
simulacin.

Varianza:
Es
un
vector
que
contiene
en
cada
posicin,
el
valor
de
la
variabilidad
del
nmero
de
miembros
de
cada
cluster
formado
en
la
red,
durante
el
tiempo
total
de
la
simulacin.
Es
importante
notar
que
M_estadisticas,
Clusters_cell,
DuracionCluster,
Media
y
Varianza
se
obtienen
a
partir
de
una
sola
prueba
en
donde
se
asigna
un
valor
determinado
al
delta
de
CH
y
al
radio
de
transmisin.
5.2.3
Recopilacin
de
la
informacin
para
cada
experimento.
Por
cada
experimento
se
recopilaron
los
resultados
de
todas
las
pruebas
realizadas
con
diferentes
valores
de
delta
de
CH
y
de
radios
de
transmisin.
A
continuacin
se
explican
las
matrices
donde
se
reunieron
los
resultados
de
cada
una
de
las
pruebas
realizadas:

N_mean_dur_matriz,
N_mean_media_matriz
y
N_mean_var_matriz
Una
vez
obtenidos
los
vectores
DuracionCluster,
Media
y
Varianza
se
saca
el
valor
medio
de
cada
uno
y
este
valor
se
va
almacenando
por
cada
prueba
en
las
siguientes
matrices
respectivamente:

N_mean_dur_matriz:
Matriz
que
almacena
el
valor
de
la
duracin
media
de
los
clusters.

N_mean_media_matriz:
Matriz
que
almacena
el
valor
medio
del
nmero
promedio
de
miembros
de
los
clusters,
lo
cual
se
puede
entender
tambin
como
el
tamao
promedio
de
los
clusters.

N_mean_var_matriz:
Matriz
que
almacena
el
valor
de
la
variabilidad
media
del
tamao
de
los
clusters.
En
los
experimentos
realizados,
N_mean_dur_matriz
se
visualiza
de
la
siguiente
forma:
>>
N_mean_dur_matriz
=
[51.6088
108.1341
94.8906
116.2635
103.0326
107.4152
121.4925
116.4652
21.1862
61.9883
85.7884
92.4873
87.0021
87.1688
82.6139
76.6484
14.4630
43.0934
76.9450
87.7910
78.7096
78.6980
79.1201
85.5722
14.5416
32.8472
63.7477
82.1424
85.5527
79.1294
89.6845
81.2537
12.5410
32.9609
40.7683
70.9131
84.3752
82.0930
91.3835
94.5222
13.2297
25.4080
42.3671
49.8361
86.0508
76.6515
90.1456
96.7830
12.0860
24.7152
34.8709
51.0952
68.3260
92.4778
75.4238
94.3838
13.1081
27.8659
32.0702
49.7465
57.4760
83.6130
84.6039
96.6421]
Esta
matriz
en
particular
es
la
obtenida
en
el
experimento
1.
Cada
columna
de
N_mean_dur_matriz
corresponde
a
un
valor
de
delta
de
CH
determinado
y
cada
fila
corresponde
a
un
valor
de
radio
de
transmisin
determinado.
Como
el
delta
de
CH
se
vara
desde
0
hasta
7,
esta
matriz
tiene
8
columnas.
Asimismo,
como
el
radio
de
transmisin
se
vara
desde
10
hasta
80
con
pasos
de
10,
N_mean_dur_matriz
tiene
8
filas.
En
la
fila
1
columna
1,
el
valor
de
51.6088
es
la
duracin
media
de
los
clusters
cuando
el
delta
de
CH
es
0
y
el
radio
de
transmisin
es
10.
Todos
los
valores
en
esta
columna
corresponden
a
un
delta
de
CH
de
valor
0
pero
con
diferente
radio
de
transmisin,
y
todos
los
elementos
de
la
fila
corresponden
a
un
radio
de
10
pero
con
diferente
valor
de
delta
de
CH.
De
esta
forma
tambin
se
observa
que
el
valor
en
la
fila
8
columna
8,
corresponde
a
la
duracin
media
de
los
clusters
cuando
el
delta
de
CH
es
7
y
el
radio
de
transmisin
es
80.
Para
N_mean_media_matriz
y
N_mean_var_matriz
se
hace
el
mismo
anlisis.
.
Numero_clusters_matriz
El
nmero
de
clusters
formados
por
cada
experimento
se
obtuvo
calculando
la
longitud
de
la
matriz
Clusters_cell.
Cada
valor
se
va
almacenando
en
Numero_clusters_matriz
de
la
misma
forma
como
se
hace
para
N_mean_dur_matriz.
.
Clusters_mas_5_matriz
y
Clusters_mas_10_matriz
Estas
matrices
almacenan
los
clusters
con
ms
de
5
usuarios
y
10
usuarios
respectivamente.
5.3
EXPERIMENTO
1.
RESULTADOS
DE
LA
SIMULACIN
DEL
ALGORITMO
BASADO
EN
EL
RADIO
DE
TRANSMISIN
.
Duracin
media
de
los
clusters
Figura
50.
Duracin
media
del
tamao
de
los
clusters
(radio).
Para
una
mejor
comprensin
de
la
figura
50,
se
presentan
las
vistas
bidimensionales
de
esta
figura:
Figura
51.
Vista
bidimensional
de
Duracin
media
del
tamao
de
los
clusters
(radio):
Duracin
media
del
tamao
de
los
clusters
vs
Radio
de
transmisin
Figura
52.
Vista
bidimensional
de
Duracin
media
del
tamao
de
los
clusters
(radio):
Duracin
media
del
tamao
de
los
clusters
vs
Delta
de
CH
En
las
figuras
50,
51
y
52
se
pueden
realizar
las
siguientes
apreciaciones:
Para
un
radio
determinado,
al
aumentar
el
delta
de
CH
se
aumenta
la
duracin
media
de
los
clusters.
El
mayor
crecimiento
en
la
duracin
media
de
los
clusters
se
presenta
cuando
el
delta
de
CH
pasa
de
tomar
un
valor
de
0
a
un
valor
de
1,
para
cada
uno
de
los
radios
de
transmisin.
Por
lo
tanto
cuando
se
incluye
el
delta
de
CH,
as
sea
que
tome
un
valor
pequeo,
se
mejora
notablemente
la
duracin
media
de
los
clusters
permitiendo
que
estos
se
comporten
de
una
forma
ms
estable.
Por
otro
lado,
para
un
delta_CH
determinado
la
duracin
media
de
los
clusters
es
mayor
cuando
el
radio
de
transmisin
toma
el
menor
valor
el
cual
corresponde
a
10.
A
medida
en
que
se
aumenta
el
radio
de
20
a
80
la
duracin
media
disminuye
levemente
y
oscila
entre
valores
ms
pequeos
cuando
el
delta
de
CH
es
ms
pequeo
y
valores
ms
grandes
cuando
el
delta
de
CH
es
mayor.
A
medida
en
que
el
radio
aumenta,
se
observa
que
cuando
un
cluster
se
deshace
el
algoritmo
demora
ms
tiempo
en
volver
a
formar
otro
cluster
de
nuevo.
Por
lo
tanto,
se
paga
un
mayor
precio
en
la
formacin
de
los
clusters
ante
los
cambios
topolgicos
de
la
red.
El
hecho
de
que
la
duracin
media
de
los
clusters
presente
un
valor
grande
cuando
el
radio
de
transmisin
de
los
clusters
toma
el
valor
ms
pequeo,
es
debido
a
que
se
generan
una
gran
cantidad
de
clusters
de
pequeo
tamao
conformados
muchas
veces
por
un
solo
clusterhead
o
por
dos
o
tres
nodos
ms.
A
pesar
de
que
estos
clusters
no
son
de
gran
tamao,
son
muy
numerosos
y
como
el
radio
es
tan
pequeo
pueden
durar
bastante.
Sin
embargo,
la
formacin
de
muchos
clusters
de
poco
tamao
no
es
algo
deseable
ya
que
se
pierde
el
objetivo
de
simplificar
la
topologa
de
la
red.
Por
esta
razn
se
hace
necesario
analizar
tambin
el
nmero
total
de
clusters
formados.
.
Tamao
promedio
de
los
Clusters
Figura
53.
Tamao
promedio
de
los
clusters
(radio).
Para
un
delta_CH
determinado
al
aumentar
el
radio
de
transmisin
de
10
a
80
aumenta
el
tamao
medio
que
tienen
los
clusters.
Por
lo
tanto
cuando
el
radio
es
mayor
los
clusters
tienen
un
mayor
nmero
de
miembros.
Cuando
el
radio
es
pequeo
los
miembros
de
los
clusters
son
uno
o
dos
nodos
y
el
clusterhead.
Por
otra
parte,
para
un
radio
determinado
se
aprecia
que
al
aumentar
el
valor
del
delta_CH
el
tamao
promedio
que
tienen
los
clusters
disminuye.
Este
hecho
se
relaciona
con
la
grfica
anterior
teniendo
en
cuenta
que
a
medida
que
aumenta
el
delta_CH
aumenta
la
duracin
media
de
los
clusters.
El
hecho
anterior
se
puede
explicar
de
la
siguiente
forma:
Cuando
se
tienen
radios
pequeos,
los
clusters
son
de
menor
tamao
y
un
cambio
topolgico
no
har
que
el
algoritmo
de
clustering
se
demore
tanto
en
reconstruir
los
clusters
nuevamente.
En
cambio,
cuando
se
tienen
radios
muy
grandes,
los
clusters
son
de
gran
tamao
y
si
de
repente
se
destruyen,
el
algoritmo
de
clustering
se
demora
un
largo
tiempo
en
volver
a
formar
un
cluster
de
nuevo.
Por
esta
razn
el
tamao
promedio
de
los
clusters
es
menor
cuando
el
delta
de
CH
aumenta
ya
que
este
factor
logra
que
los
clusters
se
comporten
de
una
manera
ms
estable
y
no
sean
tan
vulnerables
a
los
cambios
topolgicos.
.
Variabilidad
del
tamao
de
los
clusters.
Figura
54.
Variabilidad
del
tamao
de
los
clusters
(radio).
En
la
figura
54,
se
puede
apreciar
que
para
un
delta_CH
determinado,
a
medida
en
que
se
aumenta
el
radio,
la
variabilidad
del
tamao
de
los
clusters
es
mayor.
Cuando
los
radios
de
transmisin
son
grandes
se
pueden
formar
2
o
3
clusters
durante
toda
la
simulacin
cada
uno
con
un
nmero
diferente
de
usuarios
pero
que
varan
entre
5
y
15
por
cada
cluster.
Por
esta
razn
se
presenta
una
mayor
variabilidad
en
su
tamao.
En
la
figura,
se
observa
tambin
que
generalmente
cuando
el
delta_CH
es
mayor,
para
un
radio
determinado,
la
variabilidad
del
tamao
de
los
clusters
disminuye
y
por
lo
tanto
los
clusters
son
ms
estables.
.
Nmero
de
clusters
formados
Figura
55.
Nmero
de
clusters
formados
(radio).
Para
una
mejor
comprensin
de
la
figura
55,
se
presentan
las
vistas
bidimensionales
de
esta
figura:
Figura
56.
Vista
bidimensional
de
Nmero
de
clusters
formados(radio):
Nmero
de
clusters
formados
vs
Radio
de
transmisin
Figura
57.
Vista
bidimensional
de
Nmero
de
clusters
formados(radio):
Nmero
de
clusters
formados
vs
Delta
de
CH
En
las
figuras
55,
56
y
57
se
pueden
realizar
las
siguientes
apreciaciones:
Para
un
delta_CH
determinado
a
medida
en
que
se
aumenta
el
radio
de
transmisin
disminuye
el
nmero
de
clusters
formados.
Esto
se
espera
ya
que
a
medida
que
el
radio
de
transmisin
de
un
nodo
es
mayor,
este
puede
abarcar
un
rea
ms
grande
y
por
lo
tanto
el
nmero
de
clusters
formados
es
menor.
Esto
se
relaciona
con
lo
observado
en
la
figura
55,
donde
se
aprecia
que
el
tamao
de
los
clusters
es
mayor
a
medida
que
crece
el
radio
de
transmisin.
Por
otro
lado,
para
un
radio
de
transmisin
determinado,
se
observa
que
en
general
a
medida
en
que
se
aumenta
el
delta_CH
el
nmero
de
clusters
formados
se
hace
menor.
La
disminucin
en
el
nmero
de
clusters
formados
es
muy
notable
cuando
el
delta_CH
pasa
de
tener
un
valor
diferente
de
0.
Por
lo
tanto,
se
puede
concluir
que
el
delta
de
CH
mejora
el
desempeo
del
algoritmo
de
clustering
ya
que
permite
que
el
nmero
de
clusters
formados
sea
menor.
Esto
conlleva
a
que
los
clusters
sean
ms
estables
debido
a
que
permanecen
por
ms
tiempo
y
los
cambios
topolgicos
son
menos
frecuentes.
.
Porcentaje
del
nmero
de
clusters
formados
con
ms
de
5
usuarios
respecto
al
nmero
de
clusters
formados
Figura
58.
Porcentaje
del
nmero
de
cluster
formados
con
ms
de
5
usuarios
respecto
al
nmero
de
clusters
formados
(radio).
En
la
grfica
se
puede
observar
que
a
mayor
radio
de
transmisin,
los
clusters
formados
tienen
un
mayor
nmero
de
usuarios
y
por
lo
tanto
presentan
un
mayor
tamao.
Se
puede
apreciar
tambin,
que
el
delta_CH
no
es
un
factor
determinante
para
esta
medida,
ya
que
el
nmero
de
clusters
formados
con
ms
de
5
usuarios
presenta
un
mismo
valor
para
un
radio
determinado
con
diferentes
deltas_CH.
Por
lo
tanto,
se
puede
concluir
que
el
delta_CH
puede
contribuir
a
la
estabilidad
de
los
clusters
pero
el
hecho
de
que
un
cluster
sea
de
mayor
tamao
depende
del
radio
de
transmisin
ya
que
a
medida
en
que
se
abarca
una
mayor
rea,
se
forman
clusters
de
mayor
tamao.
.
Porcentaje
del
nmero
de
clusters
formados
con
ms
de
10
usuarios
respecto
al
nmero
de
clusters
formados
Figura
59.
porcentaje
del
nmero
de
clusters
formados
con
ms
de
10
usuarios
respecto
al
nmero
de
clusters
formado
(radio).
En
esta
grfica,
se
observa
un
comportamiento
similar
al
de
la
grfica
anterior.
A
medida
en
que
aumenta
el
radio
de
transmisin,
el
nmero
de
clusters
formados
con
ms
de
10
usuarios
es
mayor.
Sin
embargo,
la
gran
diferencia
con
la
grfica
anterior
radica
en
que
la
medida
de
los
clusters
con
ms
de
10
usuarios
es
slo
representativa
para
los
radios
de
transmisin
ms
grandes
y
no
para
los
radios
de
transmisin
medianos
(30
y
40),
como
s
suceda
en
el
caso
anterior.
5.4
EXPERIMENTO
2.
RESULTADOS
DE
LA
SIMULACIN
DEL
ALGORITMO
BASADO
EN
SEALES
DE
BEACONING
.
Duracin
media
de
los
clusters.
Radio
vs
deltaCH
vs
Nmeandur
120
100
80
204060800123456
Nmeandur
60
40
20
0
0
7
Radio
deltaCH
Figura
60.
Duracin
media
de
los
clusters
(Seales
de
beaconing).
Para
una
mejor
comprensin
de
la
figura
60,
se
presentan
las
vistas
bidimensionales
de
esta
figura:
Figura
61.
Vista
bidimensional
de
Duracin
media
del
tamao
de
los
clusters
(beaconing):
Duracin
media
del
tamao
de
los
clusters
vs
Radio
de
transmisin
Figura
62.
Vista
bidimensional
de
Duracin
media
del
tamao
de
los
clusters
(beaconing):
Duracin
media
del
tamao
de
los
clusters
vs
Delta
de
CH
En
las
figuras
60,
61
y
62
se
pueden
realizar
las
siguientes
observaciones:
La
media
de
la
duracin
de
los
clusters
permanece
relativamente
estable
y
tendiendo
a
ser
muy
pequea
cuando
se
tienen
radios
grandes
y
que
adems
la
presencia
del
delta_CH
puede
llegar
a
afectar
un
poco
la
estadstica
en
este
punto
pero
la
variacin
no
es
muy
significativa.
Cuando
se
analiza
el
comportamiento
de
la
grfica
respecto
al
radio
de
transmisin
se
puede
observar
que
la
media
de
la
duracin
es
mucho
mayor
cuando
los
radios
de
transmisin
son
ms
pequeos
y
que
se
incrementa
ante
el
aumento
del
delta_CH.
De
estas
observaciones
se
puede
deducir
que
la
variable
delta_CH
en
este
caso
es
til
debido
a
que
a
medida
en
que
esta
aumenta,
la
media
de
la
duracin
de
los
clusters
tambin
lo
hace,
aunque
es
importante
anotar
que
este
gran
aporte
que
se
obtiene
del
delta_CH
slo
es
altamente
apreciable
cuando
se
cuentan
con
radios
de
transmisin
pequeos.
Esto
se
debe
a
que
cuando
un
nodo
transmite
con
un
radio
de
transmisin
de
pequea
magnitud,
es
muy
probable
que
no
tenga
nodos
vecinos
a
su
alrededor
y
si
los
tiene
se
pueden
generar
colisiones
que
no
permiten
que
se
establezca
ningn
tipo
de
comunicacin.
De
esta
forma
un
nodo
que
se
declara
clusterhead
y
es
el
nico
integrante
de
su
cluster,
puede
permanecer
as
durante
un
tiempo
prolongado.
Esta
situacin
se
hace
an
ms
verdica
cuando
se
aumenta
el
delta_CH
ya
que
aunque
llegue
otro
nodo
y
logre
llegar
a
unirse
a
l
como
nodo
ordinario
es
difcil
que
lo
sobrepase
en
peso
y
le
gane
la
posicin
de
clusterhead
dentro
del
cluster.
Por
otro
lado,
cuando
se
tiene
un
radio
de
transmisin
de
beacons
grande
la
cantidad
de
nodos
que
alcanzan
a
unirse
a
un
solo
cluster
es
muy
grande,
tanto
que
en
algunos
periodos
de
simulacin
slo
se
forma
un
nico
cluster,
el
cual
contiene
todos
los
nodos
de
la
red.
Cuando
esto
sucede
la
comunicacin
entre
los
nodos
no
presenta
tantos
inconvenientes
como
cuando
el
radio
de
transmisin
es
pequeo
y
es
mucho
ms
probable
que
un
nodo
que
hasta
el
momento
hubiera
sido
un
nodo
ordinario
perteneciente
o
no
a
determinado
cluster
sobrepase
el
peso
de
algn
clusterhead
actual.
.
Tamao
promedio
de
los
clusters.
Radio
vs
deltaCH
vs
Nmeanmedia
Nmeanmedia
5
4
3
2
1
8
0204060246
80
0
deltaCH
Radio
Figura
63.
Tamao
promedio
de
los
clusters
(Seales
de
beaconing).
Al
observar
la
grfica
63,
se
observa
una
clara
relacin
con
lo
mencionado
en
la
grfica
anterior,
ya
que
se
puede
ver
que
a
medida
que
aumenta
el
radio
de
transmisin
aumenta
el
tamao
del
cluster,
debido
a
que
un
determinado
clusterhead
tiene
un
mayor
rango
de
cobertura
y
puede
abarcar
a
muchos
ms
nodos
en
su
cluster,
mientras
que
cuando
tienen
un
radio
muy
pequeo
lo
mas
probable
es
que
el
cluster
tenga
un
tamao
pequeo
porque
el
nico
nodo
que
conforma
el
cluster
es
l
mismo.
Es
importante
anotar
que
en
esta
grfica
no
se
ve
tan
claramente
la
influencia
del
delta_CH
y
esto
es
debido
a
que
su
nica
funcin
consiste
en
darle
apoyo
a
un
nodo
que
actualmente
se
desempea
como
clusterhead,
pero
no
tiene
nada
que
ver
con
la
cantidad
de
nodos
que
se
encuentren
en
una
red.
De
la
grfica
tambin
se
puede
apreciar
que
la
medida
del
tamao
de
los
clusters
es
inversamente
proporcional
a
la
duracin
de
los
mismos,
pues
a
medida
que
estos
van
hacindose
ms
grandes
su
duracin
es
menor.
.
Variabilidad
del
tamao
de
los
clusters.
Radio
vs
deltaCH
vs
Nmeanvar
Nmeanvar
12
10
8
6
4
2
0
8
0204060246
80
0
deltaCH
Radio
Figura
64.
Variabilidad
del
tamao
de
los
clusters.
Cuando
se
analiza
la
variabilidad
del
tamao
de
los
clusters
es
indispensable
referirse
a
las
dos
grficas
anteriormente
analizadas,
ya
que
estas
(y
en
especial
la
anterior)
estn
directamente
relacionadas
con
el
tamao
de
los
clusters.
Cuando
se
tiene
un
cluster
muy
pequeo
(en
el
peor
de
los
casos
su
nico
integrante
es
el
clusterhead)
su
variabilidad
no
tiende
a
ser
mucha
debido
a
que
tiene
un
radio
de
transmisin
muy
pequeo
y
su
comunicacin
con
los
dems
nodos
de
la
red
puede
llegar
a
ser
muy
defectuosa
por
los
problemas
mencionados
anteriormente
de
colisiones
y
corto
radio
de
transmisin,
y
por
lo
tanto
su
tamao
permanece
constante
por
mucho
tiempo.
Mientras
que
si
se
tiene
un
cluster
formado
por
muchos
nodos
(en
el
peor
de
los
casos
todos),
se
deduce
que
el
radio
de
transmisin
es
suficientemente
grande,
y
por
esta
razn
no
se
presentan
tantas
colisiones
en
la
comunicacin
entre
los
nodos.
Cuando
un
cluster
es
de
gran
tamao
tiende
a
presentar
mucha
actividad
debido
al
cambio
constante
de
informacin
y
estado
de
los
nodos
que
lo
conforman,
y
a
que
los
nodos
se
unen
o
salen
del
cluster
variando
su
tamao
sin
que
este
se
destruya
por
completo.
Cabe
anotar
que
al
igual
que
en
el
caso
anterior,
el
delta_CH
no
es
una
variable
muy
relevante,
pues
no
se
observa
un
comportamiento
definido
ni
cambios
que
puedan
llamarse
peridicos
o
que
describan
algn
tipo
de
comportamiento.
.
Nmero
de
clusters
formados.
Radio
vs
deltaCH
vs
Nmero
clusters
6000
5000
204060800246
Numero
clusters
4000
3000
2000
1000
0
8
deltaCH
Radio
Figura
65.
Nmero
de
clusters
formados
(Seales
de
beaconing).
Para
una
mejor
comprensin
de
la
figura
65,
se
presentan
las
vistas
bidimensionales
de
esta
figura:
Figura
66.
Vista
bidimensional
de
Nmero
de
clusters
formados(beaconing):
Nmero
de
clusters
formados
vs
Radio
de
transmisin
Figura
67.
Vista
bidimensional
de
Nmero
de
clusters
formados(beaconing):
Nmero
de
clusters
formados
vs
Delta
de
CH
En
las
figuras
65,
66
y
67
se
pueden
realizar
las
siguientes
observaciones:
Cuando
se
tienen
radios
muy
pequeos
y
deltas_CH
pequeos
hay
una
gran
cantidad
determinada
de
clusters
creados.
En
el
radio
especfico
de
20,
se
observa
un
pico
en
la
grfica
que
representa
un
alto
nmero
de
formacin
de
clusters,
esto
sucede
debido
a
que
como
se
est
trabajando
en
ese
momento
con
un
radio
muy
pequeo
se
forman
muchos
clusters
(con
el
clusterhead
como
nico
nodo)
y
la
comunicacin
entre
los
nodos
es
muy
mala
debido
a
las
colisiones.
Por
otro
lado,
a
medida
en
que
aumenta
el
radio
de
transmisin
de
los
beacons
y
el
delta_CH,
el
nmero
de
clusters
formados
tiende
a
decrecer.
.
Porcentaje
del
nmero
de
clusters
formados
con
ms
de
5
usuarios
respecto
al
nmero
de
clusters
total
Radio
vs
deltaCH
vs
No.Clusters
mas
de
5/No.Clusters
0.4
0.3
0204060246
Clusters
mas
5
0.2
0.1
0
8
80
0
deltaCH
Radio
Figura
68.
Porcentaje
del
nmero
de
clusters
formados
con
ms
de
5
usuarios
respecto
al
nmero
de
clusters
total
(Seales
de
beaconing).
En
esta
grfica
podemos
observar
los
clusters
formados
por
un
nmero
de
usuarios
mayor
a
5,
esto
es
importante
determinarlo
debido
a
que
en
una
situacin
real
no
es
muy
conveniente
que
se
tengan
clusters
de
pocos
nodos
porque
se
puede
perder
la
conexin
con
ellos
muy
fcilmente.
En
esta
grfica
podemos
observar
que
independiente
del
delta_CH
que
se
maneje
en
cualquiera
de
los
puntos
de
la
simulacin
(este
parmetro
presenta
en
este
caso
un
comportamiento
aleatorio
que
no
es
determinante),
a
medida
que
aumenta
el
radio
de
transmisin
aumentan
tambin
el
nmero
de
clusters
formados
por
ms
de
5
nodos.
Esto
sucede
gracias
a
que
la
comunicacin
entre
los
nodos
en
estas
instancias
es
mucho
mejor
que
cuando
los
radios
son
pequeos,
donde
se
observa
un
aumento
pobre
del
nmero
de
clusters
formados
que
cumplen
con
la
condicin
establecida.
.
Porcentaje
del
nmero
de
clusters
formados
con
ms
de
10
usuarios
respecto
al
nmero
de
clusters
total
Radio
vs
deltaCH
vs
No.Clusters
mas
de
10/No.Clusters
0.2
0.15
0204060246
Clusters
mas
10
0.1
0.05
0
8
80
0
deltaCH
Radio
Figura
69.
Porcentaje
del
nmero
de
clusters
formados
con
ms
de
10
usuarios
respecto
al
nmero
de
clusters
total
(Seales
de
beaconing).
En
esta
grfica
se
pone
una
condicin
ms
estricta
que
en
la
anterior
porque
slo
se
tienen
en
cuenta
los
clusters
que
tengan
ms
de
10
nodos
en
su
cluster.
Las
ventajas
de
este
tipo
de
condiciones
son
las
explicadas
anteriormente,
y
el
comportamiento
de
la
grfica
es
similar,
pero
se
puede
observar
muy
claramente
y
en
comparacin
con
la
grfica
anterior
que
el
conteo
de
los
clusters
se
hace
a
partir
de
radios
ms
o
menos
grandes.
6.
CONCLUSIONES
Durante
el
proceso
de
implementacin
de
los
algoritmos
de
movilidad,
se
concluy
que
el
modelo
que
mejor
simula
el
comportamiento
de
las
redes
mviles
ad
hoc
en
la
vida
real
es
el
Reference
Point
Group
Mobility
Model
ya
que
la
comunicacin
en
la
cotidianidad
se
establece
entre
grupos
de
usuarios.
El
algoritmo
de
clustering
puede
ser
ms
estable
en
la
simulacin
si
se
consideran
en
el
modelo
de
movilidad
la
formacin
de
grupos.
De
las
diferentes
tcnicas
de
clustering
estudiadas,
se
determin
que
la
ms
apropiada
para
la
eleccin
de
los
clusterheads
era
WCA
debido
a
que
variando
los
pesos
se
podra
involucrar
el
concepto
de
conectividad
por
beaconing.
Para
la
estructura
del
algoritmo
de
clustering
se
determin
que
DMAC
presenta
una
filosofa
de
formacin
de
clusters
muy
prctica
porque
propone
claramente
los
pasos
a
seguir
en
el
proceso
de
la
formacin
de
un
cluster
teniendo
en
cuenta
la
seleccin
de
los
clusterheads
y
los
diferentes
casos
que
se
pueden
presentar
durante
su
tiempo
de
vida.
Mediante
la
comparacin
de
las
estadsticas
que
conciernen
a
la
duracin
media
de
los
clusters
y
al
nmero
de
clusters
formados,
se
concluye
que
el
desempeo
del
algoritmo
de
clustering
basado
en
la
distancia
euclidiana
entre
los
nodos
es
mejor
que
el
que
est
basado
en
seales
de
beaconing.
Esto
se
debe
a
que
cuando
el
algoritmo
se
basa
en
la
distancia
entre
los
nodos,
la
duracin
media
de
los
clusters
es
mayor
y
el
nmero
de
clusters
formados
es
menor.
Esto
indica
que
los
clusters
son
ms
estables
debido
a
que
permanecen
por
ms
tiempo
y
los
cambios
topolgicos
son
menos
frecuentes.
El
delta
de
CH
result
ser
un
parmetro
determinante
en
los
resultados
de
la
simulacin
del
algoritmo
de
clustering
basado
en
el
radio
de
transmisin
de
los
nodos,
ya
que
las
estadsticas
mejoraban
notablemente
cuando
se
inclua
este
parmetro
en
las
simulaciones
realizadas.
El
delta
de
CH
es
un
aporte
novedoso
para
el
diseo
de
los
algoritmos
de
clustering
basados
en
la
asignacin
de
pesos
a
los
nodos.
Los
resultados
muestran
que
este
parmetro
permite
que
los
clusters
se
comporten
de
una
forma
ms
estable
durante
el
tiempo
de
simulacin.
Esto
se
debe
a
que
los
clusterheads
logran
mantener
su
rol
como
lderes
durante
tiempos
ms
largos.
Contrario
al
caso
del
algoritmo
de
clustering
basado
en
el
radio
de
transmisin
de
los
nodos,
cuando
se
analizan
los
resultados
obtenidos
con
el
algoritmo
de
clustering
basado
en
seales
de
beaconing
respecto
al
tamao
de
los
clusters
y
a
su
variabilidad,
se
puede
comprobar
que
el
delta
de
CH
en
este
caso
no
mejora
significativamente
las
caractersticas
que
conciernen
a
la
formacin
de
los
clusters
ni
su
eficiencia
dentro
de
la
red.
Esto
es
debido
a
que
la
mtrica
utilizada
en
este
caso
es
la
conectividad
y
esta
requiere
que
la
comunicacin
est
libre
de
colisiones.
Se
comprob
que
un
algoritmo
de
clustering
para
redes
mviles
ad
hoc
depende
en
gran
medida
del
radio
de
transmisin
asignado
a
los
nodos,
tanto
para
el
algoritmo
basado
en
la
distancia
euclidiana
entre
los
nodos
como
para
el
que
se
basa
en
las
seales
de
beaconing.
Se
mostr
que
cuando
el
radio
de
transmisin
de
los
clusters
en
una
red
mvil
ad
hoc
es
demasiado
pequeo,
muchos
nodos
presentan
el
papel
de
clusterhead,
lo
que
genera
un
mayor
trfico
de
informacin.
Esto
hace
que
no
se
cumpla
de
forma
ptima
el
objetivo
de
un
proceso
de
clustering
el
cual
consiste
en
simplificar
la
topologa
y
disminuir
la
congestin
de
la
red.
Cuando
se
tienen
radios
de
transmisin
pequeos
el
algoritmo
de
clustering
no
se
demora
tanto
en
reconstruir
los
clusters
nuevamente
ante
un
cambio
topolgico.
En
cambio,
cuando
se
tienen
radios
muy
grandes
el
algoritmo
de
clustering
se
demora
un
largo
tiempo
en
volver
a
formar
un
cluster
de
nuevo,
lo
que
resulta
desventajoso.
Se
mostr
que
la
variabilidad
del
tamao
de
los
clusters
presenta
una
gran
dependencia
respecto
al
radio
de
transmisin
que
se
tenga
establecido.
Si
el
radio
es
muy
grande
los
clusters
tienden
a
interactuar
ms
entre
s
ya
que
los
nodos
pueden
presentar
un
mayor
nmero
de
vecinos.
Esto
hace
que
aumente
la
variabilidad
de
los
clusters
formados.
A
pesar
de
que
se
concluy
que
la
mtrica
basada
en
seales
de
beaconing
no
tiene
un
desempeo
superior
al
actualmente
demostrado
en
las
redes
mviles
ad
hoc
que
se
basan
en
la
posicin
y
la
distancia
de
los
nodos,
se
observ
que
es
una
medida
que
permite
suprimir
los
equipos
de
localizacin,
lo
cual
es
importante
a
la
hora
de
implementar
este
tipo
de
redes.
Esto
se
debe
a
que
no
siempre
se
tiene
disponibilidad
de
un
servicio
de
localizacin
apropiado
en
todos
los
espacios
posibles.
A
diferencia
de
otras
tcnicas
de
clustering
diseadas,
el
algoritmo
de
clustering
que
se
propone
basado
en
seales
de
beaconing,
simula
de
manera
ms
apropiada
las
condiciones
reales
en
las
que
se
podra
implementar
la
comunicacin
entre
los
nodos
o
usuarios
en
una
red
mvil
ad
hoc.
Un
aspecto
importante
que
tiene
en
cuenta
el
algoritmo
de
clustering
basado
en
seales
de
beaconing,
es
que
la
comunicacin
entre
dos
o
ms
usuarios
es
buena
cuando
la
calidad
y
la
cantidad
de
informacin
que
se
recibe
es
igual
o
aproximadamente
igual
a
la
calidad
y
la
cantidad
de
informacin
que
se
transmite,
con
el
mnimo
de
errores
o
colisiones
posibles.
Uno
de
los
mayores
problemas
que
se
presentaron
en
la
realizacin
del
trabajo,
ms
especficamente
en
la
simulacin,
fue
la
carencia
de
un
equipo
que
soportara
jornadas
de
simulacin
ms
largas
y
con
un
mayor
nmero
de
nodos,
por
lo
tanto
los
resultados
se
limitaron
a
la
capacidad
computacional
disponible.
El
algoritmo
de
clustering
desarrollado
en
el
presente
trabajo
de
grado,
se
adapta
dinmicamente
a
la
topologa
variable
de
la
red,
su
estructura
presenta
capacidad
de
cmputo
en
tiempo
real
y
opera
en
forma
distribuida.
7.
TRABAJOS
FUTUROS
Y
SUGERENCIAS
Las
autoras
consideran
que
pueden
resultar
interesantes
como
futuros
trabajos
de
grado
o
de
investigacin
las
siguientes
ideas:

Implementar
el
algoritmo
de
clustering
presentado
en
una
plataforma
de
simulacin
de
redes
como
NS-2
que
permita
evaluar
otras
caractersticas
del
algoritmo.

Utilizar
el
algoritmo
de
clustering,
para
la
implementacin
de
esquemas
de
enrutamiento
hbrido.

Explorar
otro
tipo
de
parmetros
que
puedan
hacer
ms
eficiente
el
desempeo
del
algoritmo
de
clustering
presentado.

Implementar
otros
modelos
de
movilidad
para
el
algoritmo
de
clustering
diseado
y
comparar
su
desempeo
en
la
red.