Mudanças entre as edições de "ADS29009-2019-1"
| Linha 355: | Linha 355: | ||
==Material de Referência== | ==Material de Referência== | ||
| − | https://www.dropbox.com/s/c221v4hlfdrpc1n/GeracaoNumerosRandomicosSimulacao.pdf?dl=0 | + | *[https://www.dropbox.com/s/c221v4hlfdrpc1n/GeracaoNumerosRandomicosSimulacao.pdf?dl=0] |
| + | |||
| + | *[http://stdcxx.apache.org/doc/stdlibug/11-3.html Exemplo Simulador apache.org] | ||
<!-- | <!-- | ||
Edição das 08h21min de 2 de abril de 2019
AULA 1 - Dia 26/07/2018
- Apresentar e Discutir Plano de Ensino
- Conceitos em ADS
Plano de Ensino
SLIDES DA AULA
ATIVIDADE 1
PARTE 1
O código abaixo permite estimar o tempo de execução do programa (processo) para executar um determinado loop. Modificar o programa e gerar um gráfico mostrando a média do tempo de execução para uma faixa de 1 até 100 processos. Discutir o resultado. Postar no SIGAA um mini-relatório com:
- objetivo do experimento
- dados do PC utilizado (número de cores);
- código modificado;
- gráfico tempo médio x número de processos;
- discussão do resultado.
//Modificado de https://www.geeksforgeeks.org/measure-execution-time-with-high-precision-in-c-c/
- include <sys/time.h>
- include <sys/types.h>
- include <sys/wait.h>
- include <unistd.h>
- include <stdio.h>
int main()
{
long int i;
double tempo_bloco;
int status;
pid_t pid;
for (i=0;i<23;i++) {
if (fork()==0) {
struct timeval start, end;
gettimeofday(&start, NULL);
for (i=0; i<10000000000L; i++) { // loop de interesse
}
gettimeofday(&end, NULL);
tempo_bloco = (end.tv_sec - start.tv_sec) * 1e6;
tempo_bloco = (tempo_bloco + (end.tv_usec -
start.tv_usec)) * 1e-6;
printf("Tempo = %lf\n", tempo_bloco);
exit(0);
}
}
while ((pid = wait(&status))>0); //espera por todos os filhos terminarem
}
</syntaxhighlight>
PARTE 2
Projetar um experimento para verificar se o mecanismo nice (usando setpriority()) funciona conforme o esperado. Use o programa acima como base. Defina:
- os objetivos do experimento
- métricas
- parâmetros
- fatores
- Apresente e discuta os resultados.
Incluir a PARTE 2 no relatório do experimento.
AULA 2 - Dia 18/02/2019
- Continuação da Aula anterior: Conceitos Básicos de ADS
- ATIVIDADE 1
AULA 3 - Dia 20/02/2019
- Medição em Redes
Medição Ativa e Passiva em Redes
- Referência:
- Slides: Medição Ativa - Iperf
https://www.dropbox.com/s/38qy76phjob7a3o/Medi__oEmRedes.pdf?dl=0
ATIVIDADE 2
Implemente um experimento usando o iperf para:
- determinar a vazão máxima entre PC1 e PC3 usando o protocolo UDP;
- descobrir a janela "ótima" do TCP para maximizar a vazão entre PC1 e PC2;
Use a seguinte configuração do netkit:
- Definição das máquinas
R1[type]=router
PC1[type]=generic
PC2[type]=generic
PC3[type]=generic
- Definição dos roteadores padrão
PC1[default_gateway]=10.0.0.254
PC2[default_gateway]=10.0.1.254
PC3[default_gateway]=10.0.1.254
- Definição das interfaces do roteador
R1[eth0]=lan0:ip=10.0.0.254/24:rate=10000
R1[eth1]=lan1:ip=10.0.1.254/24:rate=10000
- Definição das interfaces dos PCs
PC1[eth0]=lan0:ip=10.0.0.1/24:rate=10000
PC2[eth0]=lan1:ip=10.0.1.2/24:rate=10000
PC3[eth0]=lan1:ip=10.0.1.3/24:rate=10000
</syntaxhighlight>
ATIVIDADE 3 - Questionário Medição Ativa x Passiva em Redes
1.Explique a diferença entre medição ativa e passiva em redes.
2.Liste os benefícios advindos da a aquisição de dados/avaliação de desempenho derivado da medição ativa ou passiva.
3.Descreva como o SNMP e RMON podem ser usados no contexto de medição em redes.
4.Apresente brevemente as sete métricas de desempenho IP proposta pela IETF (IP Performance Metrics - IPPM)
5.Em medição passiva existem problemas associados ao sigilo de dados. Discuta que problemas são estes e como podem ser contornados.
6.Em medição ativa normalmente se usa o conceito de "probes". Explique o que é e discuta características desejáveis de uma pacote probe. Discuta também o conceito de intrusão neste contexto.
7.Explique como é formado o tempo de retardo (delay) fim-a-fim na comunicação de dados.
8.Explique como é computada a capacidade de um caminho (fim-a-fim) de comunicação.
9.Qual conceito de banda disponível ("Available bandwidth"). Discuta a técnica PPTD (ou SLOPS ou TOPS). Faça um esquema/procedimento inicial de como pode ser usada esta técnica em um experimento real de medição de banda disponível.
Outras Referências
https://www.caida.org/publications/papers/2003/bwestmetrics/
AULA 4 - Dia 26/02/2019
Objetivos
- Discussão da Atividade 1: Definição do experimento, métricas, caracterização da carga de trabalho, parâmetros e fatores
- Medição Ativa e Passiva: Continuação
Links Interessantes
AULA 5 - Dia 13/03/2019
Objetivos
- Sumarização de Dados
- Confiança Estatística
https://www.dropbox.com/s/yrcsrmfbcukatwz/ConfiancaEstatisticav1.pdf?dl=0
TAREFA 4
- Exercícios dos slides conforme repassado em aula: data limite => 23/03/2019
AULA 6 - Dia 20/03/2019
Objetivos
- Sumarização de Dados
- Confiança Estatística
Exercício (TAREFA 5)
O código abaixo permite melhor enteder o conceito de Intervalo de Confiança (IC). Uma amostra de tamanho 33 é extraída de uma população normal com média e
desvio padrão conhecidos. O IC é calculado para um
nível de confiança de 95%.
1)Implemente um código adicional para que seja realizada 10000 computações (coleta de amostras - cada amostra com 33) de IC e para que seja verificado se o nível de confiança está sendo respeitado.
2) Pesquisar no matlab o equivalente a função norminv para a distribuição T-student. Aplicar o programa para resolver os intervalos solicitados no slide da aula (exemplo da fila).
3) Construir uma função para comparar dois sistemas baseando-se no intervalo de confiança. Serão fornecidos dois vetores com as medições (pareadas), bem como o nível de confiança desejado. A função deve retornar se existe (V) ou não diferença significativa para o nível de confiança desejado.
%code adapted from http://www2.cs.siu.edu/~qcheng/Teaching%20Software/Matlab%20Tutorials.pdf
n=33; % *Linha 1: simula o tamanho da amostra (por exemplo, 4 repetições de uma simulação do omnet)*
pm=12; ps=10; % *Linha 2: parâmetros de uma população normal: média 12 e desvio 10*
alfa=0.05; num_exp=100% *Linha 3: 1-alfa determina o nível de confiança
figure; hold on; % Linha 4: prepara uma figura*
for i=1:num_exp ; % Linha 5: Cada loop simula um experimento: a retirada de 100 conjuntos de amostras de tamanho n *
x=pm+ps*randn(n,1); % *Linha 6: retira as n observações da população. Em x estão n amostras*
mx=mean(x); % *Linha 7: faz a média das n amostras*
zcr=norminv(1-alfa/2,0,1); % *Linha 8 modificado código original - determina a referência superior para confiança de 0.05 - inversa da normal padrão*
sem=ps/sqrt(n); % *Linha 9: desvio padrão da média amostral*
me=zcr*sem; % *Linha 10: margem de erro para computação do intervalo de confiança*
CI1= mx-me; % Linha 11: limite inferior do intervalo de confiança*
CI2= mx+me; % Linha 12: limite superior do intervalo de confiança*
plot(i*ones(1,n), x, 'k.','markersize',5); % Linha 13: plotagem do intervalo*
plot(i*ones(1,2),[CI1, CI2],'g+') % show CI * Linha 14: plotagem do intervalo*
if pm<CI1 || pm>CI2 % Linha 15: intervalos que não contém a média da população!! *
plot(i,pm,'r*','markersize',10) %*Linha 16: ressaltado em vermelho*
end % *Linha 17*
end % Linha 18
xlabel('numero do experimento') % *Linha 19*
ylabel('observacoes ') % *Linha 20*
title(['95% CI:',num2str(mx,3),'\pm',num2str(me,3)]), shg % *Linha 21*
</syntaxhighlight>
AULA 7 - Dia 26/03/2019
Objetivos
- Introdução a Simulação com Eventos Discretos
- Simulação de Fila MM1 usando um Simulador Implementado em C/C++
Material de Referência
TAREFA 6
- Adaptar o código de tratamento de uma fila MM1 simples, conforme colocado no slide para um formato de um simulador de eventos discretos com filas. Use o código abaixo como apoio.
//Basead em http://stdcxx.apache.org/doc/stdlibug/2-2.html#225
#include <queue>
#include <iostream>
#include <cstdlib>
//==================================================================
// classes evento e simulação - base para o desenvolvimento da simulação
//==================================================================
class event {
public:
// Construct sets time of event.
event (double t) : time (t)
{ }
// Execute event by invoking this method.
virtual void processEvent () = 0;
const double time;
};
class simulation {
public:
simulation () : simtime (0), eventQueue ()
{}
void run ();
void scheduleEvent (event * newEvent) {
eventQueue.push (newEvent);
}
double simtime;
protected:
class eventComparator {
public:
bool operator() (const event * left, const event * right) const {
return left->time > right->time;
}
};
std::priority_queue<event*,
std::vector<event *, std::allocator<event*> >,
eventComparator> eventQueue; //fila de eventos
};
void simulation::run () {
while (! eventQueue.empty ()) { //enquanto exisitr eventos na fila de eventos
event * nextEvent = eventQueue.top (); //captura evento no topo da fila
eventQueue.pop (); //retira evento da fila
simtime = nextEvent->time; //ajusta tempo de simulação
nextEvent->processEvent (); //processa evento
delete nextEvent; //remove evento
}
}
//===================================================================
//Customização dos eventos e do simulador
//===================================================================
class standardArrival : public event {
public:
standardArrival (double t)
: event (t)
{ }
virtual void processEvent ();
};
void standardArrival::processEvent () {
std::cout << "processando evento no tempo " << time << '\n';
}
class simuladorFilas : public simulation {
public:
simuladorFilas ()
{ }
} oSimulador;
// from https://stackoverflow.com/questions/2704521/generate-random-double-numbers-in-c
double fRand(double fMin, double fMax)
{
double f = (double)rand() / RAND_MAX;
return fMin + f * (fMax - fMin);
}
int main () {
// Inicializar aqui a fila de eventos
double t;
oSimulador.scheduleEvent (new standardArrival (t=fRand(1.0,10.0)));
oSimulador.scheduleEvent (new standardArrival (t=t+fRand(1.0,10.0)));
oSimulador.scheduleEvent (new standardArrival (t=t+fRand(1.0,10.0)));
// Executar simulador
oSimulador.run ();
return 0;
}
AULA 8 - Dia 01/04/2019
Objetivos
- Implementação do Simulador a Eventos Discretos para Fila MM1
- Geração de Números Randômicos na Simulação
Material de Referência
Ainda Tarefa 6
- Na fila MM1 passada em aula, a distribuição dos tempos de chegada e dos tempos de serviço seguem uma distribuição exponencial. Na atividade 6 foi solicitado converter o código do simulador MM1 para uma estrutura de simulador a eventos discretos. Resta realizar esta geração randômica.
Para tanto, vamos seguir o método da função inversa da seguinte forma:
(1) Implementar uma classe de geração randômica uniforme segundo o método do polinômio congruente;
(2) Implementar uma classe de geração exponencial que se utiliza da classe anterior e implementa a função inversa (ver slides)
(3) Incorporar esta implementação no código do simulador.
- Implementar uma Classe de Geração de Números Randômicos a partir de uma distribuição exponencial usando o método da função inversa. Usar o método de polinômio congruente linear para geração da distribuição uniforme.
Código do Matlab para entendimento do método linear congruente
Código Matlab de Apoio
%parâmetros
a=7^5;
c=0;
x0=1;
m=2^31-1;
% zerar xn
xn=zeros(20000,1);
%gerar numeros
for i=1:10000
xn(i)=mod(a*x0+c,m);
x0=xn(i);
end
% ajustar para gerar entre 0 e 1
un=xn/m;
% plotar histograma
hist(un(1:10000),10);
</syntaxhighlight>