Локальные вычисления в неструктурированных радиосетях: различия между версиями
Irina (обсуждение | вклад) |
KVN (обсуждение | вклад) |
||
(не показано 11 промежуточных версий 1 участника) | |||
Строка 3: | Строка 3: | ||
== Постановка задачи == | == Постановка задачи == | ||
Привычные модели коммуникаций при распределенных вычислениях, такие как ''модель передачи сообщений'', не всегда точно описывают суровые условия, с которыми имеют дело беспроводные децентрализованные сети и сети датчиков. Беспроводные децентрализованные сети и сети датчиков представляют собой многоскачковые радиосети, в силу чего передаваемые сообщения могут создавать помехи для одновременных передач, что приводит к конфликтам и потере пакетов. А из-за того, что все узлы используют одну и ту же беспроводную среду передачи данных, коммуникация имеет широковещательный характер, заложенный в самой ее природе. Сообщение, отправленное узлом, может быть получено всеми узлами в пределах его дальности передачи. Эти аспекты коммуникации моделируются при помощи ''модели радиосети'' – например, в [2]. | |||
'''Определение 1 (модель радиосети)'''. В модели радиосети беспроводная сеть моделируется графом G = (V, E). В каждом временном интервале узел <math>u \in V</math> может либо отправить, либо не отправить сообщение. Узел <math>v, (u, v) \in E</math>, получает сообщение тогда и только тогда, когда ''ровно один'' из его соседей отправил сообщение в этом временном интервале. | '''Определение 1 (модель радиосети)'''. В модели радиосети беспроводная сеть моделируется графом G = (V, E). В каждом временном интервале узел <math>u \in V</math> может либо отправить, либо не отправить сообщение. Узел <math>v</math>, <math>(u, v) \in E</math>, получает сообщение тогда и только тогда, когда ''ровно один'' из его соседей отправил сообщение в этом временном интервале. | ||
В то время как такие примитивы коммуникаций, как широковещательная | В то время как такие примитивы коммуникаций, как широковещательная рассылка, пробуждение или мгновенный обмен сообщениями, активно рассматривались в литературе, посвященной радиосетям (например, в [1, 2, 8]), о вычислении ''локальных структур координации сети'', таких как кластеризация или [[раскраска]], известно меньше. Наиболее базовое понятие кластеризации в беспроводных сетях сводится к понятию доминирующего множества из теории графов. | ||
'''Определение 2 ( | '''Определение 2 (минимальное доминирующее множество)'''. Пусть дан граф G = (V, E). Доминирующее множество представляет собой подмножество <math>S \subseteq V</math>, такое, что каждая вершина графа либо находится в S, либо имеет хотя бы одного соседа в S. В задаче о минимальном доминирующем множестве требуется найти доминирующее множество S минимальной мощности. | ||
Доминирующее множество <math>S \subseteq V/math>, в котором никакие две соседних вершины не входят в S, является ''максимальным независимым множеством''. Распределенная сложность вычисления максимального независимого множества в модели передачи сообщений представляет фундаментальный интерес для сообщества распределенных вычислений уже более двух десятилетий (см, например, [11, 12, 13]), но о сложности этой задачи в моделях радиосетей известно гораздо меньше. | Доминирующее множество <math>S \subseteq V</math>, в котором никакие две соседних вершины не входят в S, является ''максимальным независимым множеством''. Распределенная сложность вычисления максимального независимого множества в модели передачи сообщений представляет фундаментальный интерес для сообщества распределенных вычислений уже более двух десятилетий (см, например, [11, 12, 13]), но о сложности этой задачи в моделях радиосетей известно гораздо меньше. | ||
'''Определение 3 (максимальное независимое множество)'''. Пусть дан граф G = (V, E). Независимое множество представляет собой подмножество попарно | '''Определение 3 (максимальное независимое множество)'''. Пусть дан граф G = (V, E). Независимое множество представляет собой подмножество попарно несмежных вершин в графе G. Максимально независимое множество в G – это независимое множество <math>S \subseteq V</math>, такое, что для каждой вершины <math>u \notin S</math> существует вершина <math>v \in \Gamma (u)</math> в S. | ||
Еще одним важным примитивом в беспроводных сетях является задача раскраски вершин, в которой различные цвета ассоциируются с различными временными интервалами в схеме множественного доступа с временным разделением каналов (TDMA); правильная раскраска соответствует уровню управления доступом к среде передачи данных без прямой интерференции – иначе говоря, никакие два соседних узла не посылают сообщения в одно и то же время. | Еще одним важным примитивом в беспроводных сетях является задача ''раскраски вершин'', в которой различные цвета ассоциируются с различными временными интервалами в схеме множественного доступа с временным разделением каналов (TDMA); правильная раскраска соответствует уровню управления доступом к среде передачи данных без ''прямой интерференции'' – иначе говоря, никакие два соседних узла не посылают сообщения в одно и то же время. | ||
Определение 4 (минимальная раскраска вершин). Пусть дан граф G = (V, E). Правильная раскраска вершин графа G представляет собой назначение цвета c(v) каждой вершине v | '''Определение 4 (минимальная раскраска вершин)'''. Пусть дан граф G = (V, E). Правильная раскраска вершин графа G представляет собой назначение цвета c(v) каждой вершине <math>v \in V</math>, такого, что <math>c(u) \ne c(v)</math> для любых двух смежных вершин <math>(u, v) \in E</math>. Минимальная раскраска – это правильная раскраска, при которой количество используемых цветов минимально. | ||
Строка 30: | Строка 30: | ||
Определение 5 (модель неструктурированной радиосети). В модели неструктурированной радиосети беспроводная сеть моделируется графом единичных дисков G = (V, E). В каждом временном интервале узел u | '''Определение 5 (модель неструктурированной радиосети)'''. В модели неструктурированной радиосети беспроводная сеть моделируется графом единичных дисков G = (V, E). В каждом временном интервале узел <math>u \in V</math> может либо отправить, либо не отправить сообщение. Узел <math>v</math>, <math>(u, v) \in E</math>, получает сообщение тогда и только тогда, когда ''ровно один'' из его соседей отправил сообщение в этом временном интервале. Кроме того, делаются следующие предположения: | ||
• Асинхронное пробуждение: новые узлы могут просыпаться/присоединяться асинхронно в любое время. До пробуждения узлы не получают и не отправляют никаких сообщений. | • ''Асинхронное пробуждение'': новые узлы могут просыпаться/присоединяться асинхронно в любое время. До пробуждения узлы не получают и не отправляют никаких сообщений. | ||
• Нет глобальных часов: узлы имеют доступ только к локальным часам, «время» на которых начинает увеличиваться после пробуждения. | • ''Нет глобальных часов'': узлы имеют доступ только к локальным часам, «время» на которых начинает увеличиваться после пробуждения. | ||
• Отсутствует обнаружение конфликтов: узлы не могут различить ситуацию конфликта и отсутствие сообщения. Более того, отправляющий узел не знает, сколько его соседей правильно приняли его передачу – и были ли таковые приемы вообще. | • ''Отсутствует обнаружение конфликтов'': узлы не могут различить ситуацию конфликта и отсутствие сообщения. Более того, отправляющий узел не знает, сколько его соседей правильно приняли его передачу – и были ли таковые приемы вообще. | ||
• Минимальное знание глобальной ситуации: в момент пробуждения узлы не имеют информации о своих соседях в сети и им неизвестно, проснулись ли уже некоторые соседи, чтобы начать выполнять алгоритм. Однако узлам известна верхняя граница для максимального числа узлов n = |V|. | • ''Минимальное знание глобальной ситуации'': в момент пробуждения узлы не имеют информации о своих соседях в сети и им неизвестно, проснулись ли уже некоторые соседи, чтобы начать выполнять алгоритм. Однако узлам известна верхняя граница для максимального числа узлов n = |V|. | ||
Мерой эффективности алгоритма, определенного на модели неструктурированной радиосети, является его временная сложность. Поскольку каждый узел может просыпаться в разное время, временная сложность алгоритма определяется как максимальное количество временных интервалов между пробуждением узла и принятием им окончательного бесповоротного решения. | Мерой эффективности алгоритма, определенного на модели неструктурированной радиосети, является его [[временная сложность]]. Поскольку каждый узел может просыпаться в разное время, временная сложность алгоритма определяется как максимальное количество временных интервалов между пробуждением узла и принятием им окончательного бесповоротного решения. | ||
Определение 6 (временная сложность). Время работы | '''Определение 6 (временная сложность)'''. ''Время работы'' <math>T_v</math> узла <math>v \in V</math> определяется как количество временных интервалов между ''пробуждением'' v и моментом, когда он принимает бесповоротное ''окончательное решение'' о результате выполнения своего протокола (например, присоединяется ли он к доминирующему множеству в алгоритме кластеризации, какой цвет он получает в алгоритме раскраски и т. п.). ''Временная сложность'' <math>T(\mathcal{Q})</math> алгоритма <math>\mathcal{Q}</math> определяется как максимальное время работы над всеми узлами в сети, т. е. <math>T(\mathcal{Q}) := max_{v \in V} T_v</math>. | ||
== Основные результаты == | == Основные результаты == | ||
Строка 50: | Строка 50: | ||
Теорема 1. Если | '''Теорема 1. Если n неизвестно узлам, то в односкачковых сетях каждый (возможно, рандомизированный) алгоритм требует до <math>\Omega( n / log \; n)</math> временных интервалов, прежде чем хотя бы один узел сможет отправить сообщение.''' | ||
Для односкачковых сетей, | Для односкачковых сетей и случая, когда n известно глобально, в [8] представлен рандомизированный алгоритм, который с высокой вероятностью выбирает уникального лидера за время <math>O(n \; log \; n)</math>. Впоследствии Юрдзински и Стаховяк [9] улучшили этот результат до <math>O(log^2 \; n)</math>. Обобщенная задача пробуждения в многоскачковой радиосети была впервые изучена в работе [4]. | ||
Строка 59: | Строка 59: | ||
Теорема 2. В модели неструктурированной радиосети ожидаемая O(1)-аппроксимация задачи нахождения доминирующего множества может быть вычислена за ожидаемое время O(log | '''Теорема 2. В модели неструктурированной радиосети ожидаемая O(1)-аппроксимация задачи нахождения доминирующего множества может быть вычислена за ожидаемое время <math>O(log^2 \; n)</math>. Иначе говоря, каждый узел решает, присоединиться ли к доминирующему множеству, в течение <math>O(log^2 \; n)</math> временных интервалов после своего пробуждения.''' | ||
В последующей работе [ ] было показано, что времени выполнения O(log n) достаточно даже для вычисления более сложной структуры максимального независимого множества. Этот результат является асимптотически оптимальным, поскольку, улучшая ранее | В последующей работе [18] было показано, что времени выполнения <math>O(log^2 \; n)</math> достаточно даже для вычисления более сложной структуры максимального независимого множества. Этот результат является асимптотически оптимальным, поскольку, улучшая ранее известную границу <math>\Omega(log^2 \; n / log \; log \; n)</math> [9], в [6] была доказана соответствующая нижняя граница <math>\Omega(log^2 \; n)</math>. | ||
Теорема 3. С высокой вероятностью максимальное независимое множество может быть вычислено за ожидаемое время O(log n) в модели неструктурированной радиосети. Это время является асимптотически оптимальным. | '''Теорема 3. С высокой вероятностью максимальное независимое множество может быть вычислено за ожидаемое время <math>O(log^2 \; n)</math> в модели неструктурированной радиосети. Это время является асимптотически оптимальным.''' | ||
Любопытно сравнить эту достижимую верхнюю границу для жесткой модели неструктурированной радиосети с лучшими известными нижними границами времени выполнения у моделей передачи сообщений: | Любопытно сравнить эту достижимую верхнюю границу для жесткой модели неструктурированной радиосети с лучшими известными нижними границами времени выполнения у моделей передачи сообщений: <math>\Omega(log^* n)</math> на графах единичных дисков [12] и <math>\Omega(\sqrt{log \; n / log \; log \; n})</math> на графах общего вида [11]. Кроме того, в [7] была доказана временная граница <math>O(log^2 \; n)</math> в модели радиосети без асинхронного пробуждения, в которой узлы априори знают своих соседей. | ||
Наконец, также можно эффективно раскрашивать узлы сети, как было показано в [17], а затем улучшено и обобщено в главе 12 работы [15]. | |||
'''Теорема 4. В модели неструктурированной радиосети правильная раскраска не более чем в <math>O(\Delta)</math> цветов может быть с высокой вероятностью вычислена за время <math>O(\Delta \; log \; n)</math>.''' | |||
Аналогичные границы для модели с механизмами обнаружения конфликтов были доказаны в работе [ ]. | |||
Аналогичные границы для модели с механизмами обнаружения конфликтов были доказаны в работе [3]. | |||
== Применение == | == Применение == | ||
В беспроводных децентрализованных сетях и сетях датчиков активно применяются локальные структуры координации сети. В частности, кластеризация и раскраска могут способствовать облегчению коммуникаций между соседними узлами (протоколы MAC-уровня) и между удаленными узлами (протоколы маршрутизации), а также | В беспроводных децентрализованных сетях и сетях датчиков активно применяются локальные структуры координации сети. В частности, кластеризация и раскраска могут способствовать облегчению коммуникаций между соседними узлами (протоколы MAC-уровня) и между удаленными узлами (протоколы маршрутизации), а также повышению энергоэффективности сети. | ||
Упомянем два конкретных примера применения | Упомянем два конкретных примера применения. На основе алгоритмов построения максимального независимого множества из теоремы 3 в [5] был представлен протокол, который эффективно строит [[остов]], т. е. более сложную исходную инфраструктуру, которая помогает структурировать беспроводную многоскачковую сеть. В работе [16] тот же алгоритм используется в качестве компонента протокола, который минимизирует потребление энергии беспроводными сенсорными узлами на ''этапе развертывания'' – эта задача впервые изучалась в [14]. | ||
== Литература == | == Литература == | ||
Строка 119: | Строка 121: | ||
18. Moscibroda, T., Wattenhofer, R.: Maximal Independent Sets in Radio Networks. In: Proc. of the 23rd ACM Symposium on Principles of Distributed Computing (PODC), pp. 148-157 (2005) | 18. Moscibroda, T., Wattenhofer, R.: Maximal Independent Sets in Radio Networks. In: Proc. of the 23rd ACM Symposium on Principles of Distributed Computing (PODC), pp. 148-157 (2005) | ||
[[Категория: Совместное определение связанных терминов]] |
Текущая версия от 09:05, 25 ноября 2024
Ключевые слова и синонимы
Максимальные независимые множества в радиосетях; раскраска неструктурированных радиосетей
Постановка задачи
Привычные модели коммуникаций при распределенных вычислениях, такие как модель передачи сообщений, не всегда точно описывают суровые условия, с которыми имеют дело беспроводные децентрализованные сети и сети датчиков. Беспроводные децентрализованные сети и сети датчиков представляют собой многоскачковые радиосети, в силу чего передаваемые сообщения могут создавать помехи для одновременных передач, что приводит к конфликтам и потере пакетов. А из-за того, что все узлы используют одну и ту же беспроводную среду передачи данных, коммуникация имеет широковещательный характер, заложенный в самой ее природе. Сообщение, отправленное узлом, может быть получено всеми узлами в пределах его дальности передачи. Эти аспекты коммуникации моделируются при помощи модели радиосети – например, в [2].
Определение 1 (модель радиосети). В модели радиосети беспроводная сеть моделируется графом G = (V, E). В каждом временном интервале узел [math]\displaystyle{ u \in V }[/math] может либо отправить, либо не отправить сообщение. Узел [math]\displaystyle{ v }[/math], [math]\displaystyle{ (u, v) \in E }[/math], получает сообщение тогда и только тогда, когда ровно один из его соседей отправил сообщение в этом временном интервале.
В то время как такие примитивы коммуникаций, как широковещательная рассылка, пробуждение или мгновенный обмен сообщениями, активно рассматривались в литературе, посвященной радиосетям (например, в [1, 2, 8]), о вычислении локальных структур координации сети, таких как кластеризация или раскраска, известно меньше. Наиболее базовое понятие кластеризации в беспроводных сетях сводится к понятию доминирующего множества из теории графов.
Определение 2 (минимальное доминирующее множество). Пусть дан граф G = (V, E). Доминирующее множество представляет собой подмножество [math]\displaystyle{ S \subseteq V }[/math], такое, что каждая вершина графа либо находится в S, либо имеет хотя бы одного соседа в S. В задаче о минимальном доминирующем множестве требуется найти доминирующее множество S минимальной мощности.
Доминирующее множество [math]\displaystyle{ S \subseteq V }[/math], в котором никакие две соседних вершины не входят в S, является максимальным независимым множеством. Распределенная сложность вычисления максимального независимого множества в модели передачи сообщений представляет фундаментальный интерес для сообщества распределенных вычислений уже более двух десятилетий (см, например, [11, 12, 13]), но о сложности этой задачи в моделях радиосетей известно гораздо меньше.
Определение 3 (максимальное независимое множество). Пусть дан граф G = (V, E). Независимое множество представляет собой подмножество попарно несмежных вершин в графе G. Максимально независимое множество в G – это независимое множество [math]\displaystyle{ S \subseteq V }[/math], такое, что для каждой вершины [math]\displaystyle{ u \notin S }[/math] существует вершина [math]\displaystyle{ v \in \Gamma (u) }[/math] в S.
Еще одним важным примитивом в беспроводных сетях является задача раскраски вершин, в которой различные цвета ассоциируются с различными временными интервалами в схеме множественного доступа с временным разделением каналов (TDMA); правильная раскраска соответствует уровню управления доступом к среде передачи данных без прямой интерференции – иначе говоря, никакие два соседних узла не посылают сообщения в одно и то же время.
Определение 4 (минимальная раскраска вершин). Пусть дан граф G = (V, E). Правильная раскраска вершин графа G представляет собой назначение цвета c(v) каждой вершине [math]\displaystyle{ v \in V }[/math], такого, что [math]\displaystyle{ c(u) \ne c(v) }[/math] для любых двух смежных вершин [math]\displaystyle{ (u, v) \in E }[/math]. Минимальная раскраска – это правильная раскраска, при которой количество используемых цветов минимально.
Для того чтобы отразить особенно жесткие характеристики беспроводных многоскачковых сетей сразу после их развертывания, модель неструктурированной радиосети делает дополнительные предположения. В частности, рассматривается новое понятие асинхронного пробуждения, поскольку в беспроводной многоскачковой среде вполне реально предположить, что некоторые узлы присоединяются к сети (например, развертываются или включаются) позже других. Отметим, что это понятие отличается от асинхронного пробуждения, определенного и изученного в [8] и последующих работах, в которых предполагается, что узлы «пробуждаются» входящими сообщениями.
Определение 5 (модель неструктурированной радиосети). В модели неструктурированной радиосети беспроводная сеть моделируется графом единичных дисков G = (V, E). В каждом временном интервале узел [math]\displaystyle{ u \in V }[/math] может либо отправить, либо не отправить сообщение. Узел [math]\displaystyle{ v }[/math], [math]\displaystyle{ (u, v) \in E }[/math], получает сообщение тогда и только тогда, когда ровно один из его соседей отправил сообщение в этом временном интервале. Кроме того, делаются следующие предположения:
• Асинхронное пробуждение: новые узлы могут просыпаться/присоединяться асинхронно в любое время. До пробуждения узлы не получают и не отправляют никаких сообщений.
• Нет глобальных часов: узлы имеют доступ только к локальным часам, «время» на которых начинает увеличиваться после пробуждения.
• Отсутствует обнаружение конфликтов: узлы не могут различить ситуацию конфликта и отсутствие сообщения. Более того, отправляющий узел не знает, сколько его соседей правильно приняли его передачу – и были ли таковые приемы вообще.
• Минимальное знание глобальной ситуации: в момент пробуждения узлы не имеют информации о своих соседях в сети и им неизвестно, проснулись ли уже некоторые соседи, чтобы начать выполнять алгоритм. Однако узлам известна верхняя граница для максимального числа узлов n = |V|.
Мерой эффективности алгоритма, определенного на модели неструктурированной радиосети, является его временная сложность. Поскольку каждый узел может просыпаться в разное время, временная сложность алгоритма определяется как максимальное количество временных интервалов между пробуждением узла и принятием им окончательного бесповоротного решения.
Определение 6 (временная сложность). Время работы [math]\displaystyle{ T_v }[/math] узла [math]\displaystyle{ v \in V }[/math] определяется как количество временных интервалов между пробуждением v и моментом, когда он принимает бесповоротное окончательное решение о результате выполнения своего протокола (например, присоединяется ли он к доминирующему множеству в алгоритме кластеризации, какой цвет он получает в алгоритме раскраски и т. п.). Временная сложность [math]\displaystyle{ T(\mathcal{Q}) }[/math] алгоритма [math]\displaystyle{ \mathcal{Q} }[/math] определяется как максимальное время работы над всеми узлами в сети, т. е. [math]\displaystyle{ T(\mathcal{Q}) := max_{v \in V} T_v }[/math].
Основные результаты
Разумеется, алгоритмы для таких неинициализированных, хаотических сетей отличаются от «традиционных» алгоритмов, работающих с заранее заданным графом сети, статичным и известным всем узлам. Таким образом, алгоритмическая сложность следующих алгоритмов частично обусловлена тем, что, поскольку узлы просыпаются асинхронно и не имеют доступа к глобальным часам, различные фазы алгоритма могут произвольно переплетаться или смещаться во времени. Следовательно, в то время как некоторые узлы могут уже находиться на продвинутой стадии алгоритма, сеть может содержать узлы, которые либо только что проснулись, либо все еще находятся на ранней стадии. В [9] было доказано, что даже в односкачковых сетях (G является полным графом) не существует эффективных алгоритмов, если узлы не обладают знанием n.
Теорема 1. Если n неизвестно узлам, то в односкачковых сетях каждый (возможно, рандомизированный) алгоритм требует до [math]\displaystyle{ \Omega( n / log \; n) }[/math] временных интервалов, прежде чем хотя бы один узел сможет отправить сообщение.
Для односкачковых сетей и случая, когда n известно глобально, в [8] представлен рандомизированный алгоритм, который с высокой вероятностью выбирает уникального лидера за время [math]\displaystyle{ O(n \; log \; n) }[/math]. Впоследствии Юрдзински и Стаховяк [9] улучшили этот результат до [math]\displaystyle{ O(log^2 \; n) }[/math]. Обобщенная задача пробуждения в многоскачковой радиосети была впервые изучена в работе [4].
Сложность локальных сетевых структур, таких как кластеризация или раскраска в неструктурированных многоскачковых радиосетях, была впервые изучена в [10]; согласно полученным результатам, хорошая аппроксимация задачи нахождения минимального доминирующего множества может быть вычислена за полилогарифмическое время.
Теорема 2. В модели неструктурированной радиосети ожидаемая O(1)-аппроксимация задачи нахождения доминирующего множества может быть вычислена за ожидаемое время [math]\displaystyle{ O(log^2 \; n) }[/math]. Иначе говоря, каждый узел решает, присоединиться ли к доминирующему множеству, в течение [math]\displaystyle{ O(log^2 \; n) }[/math] временных интервалов после своего пробуждения.
В последующей работе [18] было показано, что времени выполнения [math]\displaystyle{ O(log^2 \; n) }[/math] достаточно даже для вычисления более сложной структуры максимального независимого множества. Этот результат является асимптотически оптимальным, поскольку, улучшая ранее известную границу [math]\displaystyle{ \Omega(log^2 \; n / log \; log \; n) }[/math] [9], в [6] была доказана соответствующая нижняя граница [math]\displaystyle{ \Omega(log^2 \; n) }[/math].
Теорема 3. С высокой вероятностью максимальное независимое множество может быть вычислено за ожидаемое время [math]\displaystyle{ O(log^2 \; n) }[/math] в модели неструктурированной радиосети. Это время является асимптотически оптимальным.
Любопытно сравнить эту достижимую верхнюю границу для жесткой модели неструктурированной радиосети с лучшими известными нижними границами времени выполнения у моделей передачи сообщений: [math]\displaystyle{ \Omega(log^* n) }[/math] на графах единичных дисков [12] и [math]\displaystyle{ \Omega(\sqrt{log \; n / log \; log \; n}) }[/math] на графах общего вида [11]. Кроме того, в [7] была доказана временная граница [math]\displaystyle{ O(log^2 \; n) }[/math] в модели радиосети без асинхронного пробуждения, в которой узлы априори знают своих соседей.
Наконец, также можно эффективно раскрашивать узлы сети, как было показано в [17], а затем улучшено и обобщено в главе 12 работы [15].
Теорема 4. В модели неструктурированной радиосети правильная раскраска не более чем в [math]\displaystyle{ O(\Delta) }[/math] цветов может быть с высокой вероятностью вычислена за время [math]\displaystyle{ O(\Delta \; log \; n) }[/math].
Аналогичные границы для модели с механизмами обнаружения конфликтов были доказаны в работе [3].
Применение
В беспроводных децентрализованных сетях и сетях датчиков активно применяются локальные структуры координации сети. В частности, кластеризация и раскраска могут способствовать облегчению коммуникаций между соседними узлами (протоколы MAC-уровня) и между удаленными узлами (протоколы маршрутизации), а также повышению энергоэффективности сети.
Упомянем два конкретных примера применения. На основе алгоритмов построения максимального независимого множества из теоремы 3 в [5] был представлен протокол, который эффективно строит остов, т. е. более сложную исходную инфраструктуру, которая помогает структурировать беспроводную многоскачковую сеть. В работе [16] тот же алгоритм используется в качестве компонента протокола, который минимизирует потребление энергии беспроводными сенсорными узлами на этапе развертывания – эта задача впервые изучалась в [14].
Литература
1. Alon, N., Bar-Noy, A., Linial, N., Peleg, D.: A Lower Bound for Radio Broadcast. J. Comput. Syst. Sci. 43, 290-298 (1991)
2. Bar-Yehuda, R., Goldreich, O., Itai, A.: On the time-complexity of broadcast in radio networks: an exponential gap between determinism randomization. In: Proc. 6th Symposium on Principles of Distributed Computing (PODC), pp. 98-108 (1987)
3. Busch, R., Magdon-Ismail, M., Sivrikaya, F., Yener, B.: Contention-Free MAC Protocols for Wireless Sensor Networks. In: Proc. 18th Annual Conference on Distributed Computing (DISC) (2004)
4. Chrobak, M., Gasieniec, L., Kowalski, D.: The Wake-Up Problem in Multi-Hop Radio Networks. In: Proc. of the 15th ACM-SIAM Symposium on Discrete Algorithms (SODA), pp. 992-1000 (2004)
5. Farach-Colton, M., Fernandes, R.J., Mosteiro, M.A.: Bootstrapping a Hop-Optimal Network in the Weak Sensor Model. In: Proc. of the 13th European Symposium on Algorithms (ESA), pp. 827-838 (2005)
6. Farach-Colton, M., Fernandes, R.J., Mosteiro, M.A.: Lower Bounds for Clear Transmissions in Radio Networks. In: Proc. of the 7th Latin American Symposium on Theoretical Informatics (LATIN), pp. 447^54 (2006)
7. Gandhi, R., Parthasarathy, S.: Distributed Algorithms for Coloring and Connected Domination in Wireless Ad Hoc Networks. In: Foundations of Software Technology and Theoretical Computer Science (FSTTCS), pp. 447-459 (2004)
8. Gasieniec, L., Pelc, A., Peleg, D.: The Wakeup Problem in Synchronous Broadcast Systems (Extended Abstract). In: Proc. of the 19th ACM Symposium on Principles of Distributed Computing (PODC), pp. 113-121 (2000)
9. Jurdzinski, T., Stachowiak, G.: Probabilistic Algorithms for the Wakeup Problem in Single-Hop Radio Networks. In: Proc. of the 13th Annual International Symposium on Algorithms and Computation (ISAAC), pp. 535-549 (2002)
10. Kuhn, F., Moscibroda, T., Wattenhofer, R.: Initializing Newly Deployed Ad Hoc and Sensor Networks. In: Proc. of the 10th Annual International Conference on Mobile Computing and Networking (MOBICOM), pp. 260-274 (2004)
11. Kuhn, F., Moscibroda, T., Wattenhofer, R.: What Cannot Be Computed Locally! In: Proceedings of 23rd Annual Symposium on Principles of Distributed Computing (PODC), pp. 300-309 (2004)
12. Linial, N.: Locality in Distributed Graph Algorithms. SIAM J. Comput. 21(1), 193-201 (1992)
13. Luby, M.: A Simple Parallel Algorithm for the Maximal Independent Set Problem. SIAM J. Comput. 15,1036-1053 (1986)
14. McGlynn, M.J., Borbash, S.A.: Birthday Protocols for Low Energy Deployment and Flexible Neighborhood Discovery in Ad Hoc Wireless Networks. In: Proc. of the 2nd ACM Int. Symposium on Mobile Ad Hoc Networking & Computing (MOBIHOC), (2001)
15. Moscibroda, T.: Locality, Scheduling, and Selfishness: Algorithmic Foundations of Highly Decentralized Networks. Doctoral Thesis Nr. 16740, ETH Zurich (2006)
16. Moscibroda, T., von Rickenbach, P., Wattenhofer, R.: Analyzing the Energy-Latency Trade-off during the Deployment of Sensor Networks. In: Proc. of the 25th Joint Conference of the IEEE Computer and Communications Societies (INFOCOM), (2006)
17. Moscibroda, T., Wattenhofer, R.: Coloring Unstructured Radio Networks. In: Proc. of the 17th ACM Symposium on Parallel Algorithms and Architectures (SPAA), pp. 39^8 (2005)
18. Moscibroda, T., Wattenhofer, R.: Maximal Independent Sets in Radio Networks. In: Proc. of the 23rd ACM Symposium on Principles of Distributed Computing (PODC), pp. 148-157 (2005)