DFG-Projekt: Ein modulares Framework zur Modellierung des Mobilitätsverhaltens in drahtlosen Netzen unter Berücksichtigung variierender Granularität der Daten (2016-2019)
Ein wesentlicher Punkt bei der stochastischen Modellierung von Computernetzen ist die adäquate und realitätsnahe Modellierung der auftretenden Lasten. Mit der zunehmenden Verbreitung von mobilen Endgeräten spielt die Leistungsbewertung von drahtlosen Netzen eine immer stärkere Rolle. Für eine realistische Modellierung der Lasten ist es hierbei nötig, das Mobilitätsverhalten der Nutzer geeignet zu abzubilden.
Bei der Erzeugung dieser Bewegungsmuster kann man grundsätzlich zwischen Ansätzen unterscheiden, die die Muster komplett künstlich erzeugen und Ansätzen, die reale Daten als Grundlage zur Erzeugung nehmen. Die Erzeugung von Mobilitätsmodellen anhand realer Daten ist zwar deutlich aufwändiger, die erzeugten Bewegungsmuster erweisen sich aber als realistischer als künstlich erzeugte. Eine Schwierigkeit bei der Erstellung dieser Mobilitätsmodelle ergibt sich allerdings aus der Granularität der zur Verfügung stehenden Daten. Daten, die automatisch an den Access Points eines WLANs aufgezeichnet wurden, enthalten beispielsweise keine genauen Informationen über die Bewegungsmuster, sondern erlauben lediglich eine Zuordnung von Nutzern zu den jeweiligen Access Points. Von kleineren Nutzergruppen wurden dagegen in der Vergangenheit auch Datensätze gewonnen, die eine genauere Bestimmung der jeweiligen Aufenthaltsorte zulassen. In Abhängigkeit von der Granularität der Daten und auch von dem Ziel der Analyse des Modells wurden in der Vergangenheit unterschiedliche Ansätze zur Modellierung des Mobilitätsverhaltens entwickelt, die sich aber nicht ohne Weiteres auf andere Untersuchungsszenarien übertragen lassen.
Ziel dieses Projekts soll es daher sein, ein modulares Framework zu entwickeln, dass der variierenden Granularität der Daten und unterschiedlichen Analysezielen Rechnung trägt. Die zu entwickelnden Mobilitätsmodelle sollen die Bewegungsmuster auf unterschiedlichen Abstraktionsniveaus abbilden und modular erweiterbar sein, um den Detaillierungsgrad des Modells auf einfache Weise erhöhen zu können. Auf diese Weise bietet das zu entwickelnde Framework eine Basis, mit der sich die Auswirkungen der unterschiedlichen Abstraktionsniveaus der Modellierung auf Leistungsmaße leicht vergleichen lassen.