SlideShare a Scribd company logo
1 of 32
Practical Asynchronous Neighbor Discovery and Rendezvous for  Mobile Sensing Applications Prabal Dutta, David Culler Computer Science Division, University of Berkeley {prabal,culler}@cs.berkeley.edu SenSys’08, November 5-7, 2008. 発表者:下城拓也  [email_address]
アウトライン ,[object Object],[object Object],[object Object],[object Object],[object Object]
研究背景 ,[object Object],すれ違い通信 家畜の管理
研究背景 ,[object Object],[object Object],近くに 3 つあるな 新しく電源を入れたな
Duty cycle ,[object Object],[object Object],[object Object],[object Object],間欠動作 ランデブー Duty cycle Duty cycle=1% の時 消費電力は 1/100 に。 1 回の通信の単位 =スロット ON OFF OFF Transmit Listen Recieve OFF
目的 ,[object Object],[object Object],[object Object],[object Object],[object Object],電池残量多い データを集める etc 電池残量少ない データを送るだけ etc Duty cycle を高く設定 (e.g.10%) Duty cycle を低く設定 (e.g.1%)
関連研究 ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],8 7 2 1 10 9 4 3 12 11 6 5 20 19 14 13 22 21 16 15 24 23 18 17 32 31 26 25 34 33 28 27 36 35 30 29 Transmit Listen Rendezvous
Disco (ランデブーアルゴリズム) ,[object Object],[object Object],[object Object],[object Object],Node 1 (7, 13)->21% Node 2 (13, 31)->10% ・・・ 5 6 7 8 9 10 11 12 13 14 15 16 17 18 ・・・ ・・・ 10 11 12 13 14 15 28 29 30 31 32 33 34 ・・・ ・・・ ON ON ON ON ON
Disco:  単純化したモデル ,[object Object],[object Object],[object Object],Node 1 (3) Node 2 (5) global な時刻  x 0 1 2 3 4 5 6 7 8 9 10 11 12 13 ・・・ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 ・・・ 0 0 1 2 3 4 6 7 8 9 10 11 12 ・・・ 5 15 16 17 18 19 20 21 22 23 24 25 26 27 28 ・・・ ・・・ 14 15 16 17 18 19 20 21 22 23 24 25 26 27 ・・・ ・・・ 14 15 16 17 18 20 21 22 23 24 25 26 ・・・ 19 ・・・ 13
Disco ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],5%=(23, 157 ) 5%=( 23 ,157)
評価 ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
評価 (Simulation) ,[object Object],違う組み合わせが早い 組み合わせ数は離れている ほうが早い
素数の選び方 シンメトリックな組み合わせ アシンメトリックな組み合わせ アシンメトリックなもののうち バランスな組み合わせ アシンメトリック・ アンバランスな組み合わせ (37,43)(37,43)etc (31,59)(37,43)etc (31,59)(37,43)etc (31,59)(23,157)etc アンバランス・アシンメトリックな 組み合わせが一番発見時間が短い!
クラス分けによる発見時間短縮 ,[object Object],5%=(23,157) 5%=(31,59) 5%=(61,73)
評価( Empirical) ,[object Object]
まとめ ,[object Object],[object Object],[object Object],Duty cycle=5% (20 秒に 1 回 ON) Duty cycle=1% (100 秒に 1 回 ON)
感想など ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Appendix
中国の剰余定理 ,[object Object],[object Object],[object Object],[object Object],[object Object],【解法】 3 で割ると、 2 余る数として 140 5 で割ると、 3 余る数として 63 7 で割ると、 2 余る数として 30 を考える。 これらの和 233 から 3*5*7=105 を 繰り返し引くことにより、 233-105-105=23 を得る。 最小公倍数までにランデブー することを示している(余りは スロットのずれ)
中国の剰余定理 また、下のように考えることもできる。 【解法】 p,q,r を任意の整数とする。 x=3p+2 ④ ④ を②に代入 3p≡1(mod5) 6p≡p≡2(mod5) ∴ p=5q+2 ⑤ これを繰り返し X=105r+23 r=0 の時、 x=23
関連研究: Birthday Protocol (1) ,[object Object],Q : 40 人のクラスで 同じ誕生日の人が いる確率は? A : 83 % 意外と高い! これを利用 8 月 15 日 生まれです 私も 8 月 15 日 生まれです McGlynn et al., “Birthday protocols for low energy deployment and flexible neighbor discovery in ad hoc wireless networks,” MobiHoc’01.
関連研究: Birthday Protocol (2) ,[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],関連研究: Quorum Tseng et al., “Power-saving protocols for IEEE 802.11-based multi-hop ad hoc networks,” INFOCOM’02.
関連研究: MAC の改良 ,[object Object],[object Object],[object Object],プリアンブルの長さに依存するため Duty cycle を自由に決められない preamble pre am ble ON ON ON ON X-MAC B-MAC
素数の選び方 ,[object Object],[object Object],[object Object]
組み合わせと発見時間 ,[object Object]
素数の選び方 ,[object Object],[object Object],duty cycle(%)
slot のずれと clock skew への対応 Slot のずれ Clock skew 先頭と末尾で Beacon を出すことで、いずれも対応可能
評価( Empirical ) ,[object Object],素数の組み合わせ =(97,103) 最小公倍数 =9991 これにスロット数 (ms) を乗算 ⇒ 1 つのノード発見時間
発見までにかかる時間
発見時間と duty cycle
近傍ノードの発見時間

More Related Content

What's hot

ハイブリッド型樹木法
ハイブリッド型樹木法ハイブリッド型樹木法
ハイブリッド型樹木法
Mitsuo Shimohata
 
Limits on Super-Resolution and How to Break them
Limits on Super-Resolution and How to Break themLimits on Super-Resolution and How to Break them
Limits on Super-Resolution and How to Break them
Morpho, Inc.
 
Vinculum
VinculumVinculum
Vinculum
tomerun
 
Osaka prml reading_2.3.1-2
Osaka prml reading_2.3.1-2Osaka prml reading_2.3.1-2
Osaka prml reading_2.3.1-2
florets1
 

What's hot (20)

貪欲法による
単調劣モジュラ関数の最大化
貪欲法による
単調劣モジュラ関数の最大化貪欲法による
単調劣モジュラ関数の最大化
貪欲法による
単調劣モジュラ関数の最大化
 
ニューラルネットワーク入門
ニューラルネットワーク入門ニューラルネットワーク入門
ニューラルネットワーク入門
 
ハイブリッド型樹木法
ハイブリッド型樹木法ハイブリッド型樹木法
ハイブリッド型樹木法
 
Chapter 8 ボルツマンマシン - 深層学習本読み会
Chapter 8 ボルツマンマシン - 深層学習本読み会Chapter 8 ボルツマンマシン - 深層学習本読み会
Chapter 8 ボルツマンマシン - 深層学習本読み会
 
確率プロット
確率プロット確率プロット
確率プロット
 
IJPC-2 C問題解説
IJPC-2 C問題解説IJPC-2 C問題解説
IJPC-2 C問題解説
 
制限ボルツマンマシン入門
制限ボルツマンマシン入門制限ボルツマンマシン入門
制限ボルツマンマシン入門
 
Limits on Super-Resolution and How to Break them
Limits on Super-Resolution and How to Break themLimits on Super-Resolution and How to Break them
Limits on Super-Resolution and How to Break them
 
レトリバ勉強会資料:深層学習による自然言語処理2章
レトリバ勉強会資料:深層学習による自然言語処理2章レトリバ勉強会資料:深層学習による自然言語処理2章
レトリバ勉強会資料:深層学習による自然言語処理2章
 
仕事をしよう!
仕事をしよう!仕事をしよう!
仕事をしよう!
 
20140306 ibisml
20140306 ibisml20140306 ibisml
20140306 ibisml
 
Vinculum
VinculumVinculum
Vinculum
 
[DL輪読会]Clebsch–Gordan Nets: a Fully Fourier Space Spherical Convolutional Neu...
[DL輪読会]Clebsch–Gordan Nets: a Fully Fourier Space Spherical Convolutional Neu...[DL輪読会]Clebsch–Gordan Nets: a Fully Fourier Space Spherical Convolutional Neu...
[DL輪読会]Clebsch–Gordan Nets: a Fully Fourier Space Spherical Convolutional Neu...
 
Programming school 10
Programming school 10Programming school 10
Programming school 10
 
キャッシュコヒーレントに囚われない並列カウンタ達
キャッシュコヒーレントに囚われない並列カウンタ達キャッシュコヒーレントに囚われない並列カウンタ達
キャッシュコヒーレントに囚われない並列カウンタ達
 
RBMを応用した事前学習とDNN学習
RBMを応用した事前学習とDNN学習RBMを応用した事前学習とDNN学習
RBMを応用した事前学習とDNN学習
 
PRML復々習レーン#7 前回までのあらすじ
PRML復々習レーン#7 前回までのあらすじPRML復々習レーン#7 前回までのあらすじ
PRML復々習レーン#7 前回までのあらすじ
 
ディープボルツマンマシン入門〜後半〜
ディープボルツマンマシン入門〜後半〜ディープボルツマンマシン入門〜後半〜
ディープボルツマンマシン入門〜後半〜
 
Osaka prml reading_2.3.1-2
Osaka prml reading_2.3.1-2Osaka prml reading_2.3.1-2
Osaka prml reading_2.3.1-2
 
ディープボルツマンマシン入門
ディープボルツマンマシン入門ディープボルツマンマシン入門
ディープボルツマンマシン入門
 

Viewers also liked

Slaid ppt g improvisasi
Slaid ppt g    improvisasiSlaid ppt g    improvisasi
Slaid ppt g improvisasi
Tie Roland
 

Viewers also liked (6)

Wellness
WellnessWellness
Wellness
 
Форум IPhEB - Иващенко А.А., председатель Совета директоров ЦВТ «ХимРар»
Форум IPhEB - Иващенко А.А., председатель Совета директоров ЦВТ «ХимРар»Форум IPhEB - Иващенко А.А., председатель Совета директоров ЦВТ «ХимРар»
Форум IPhEB - Иващенко А.А., председатель Совета директоров ЦВТ «ХимРар»
 
Форум IPhEB - Марсело Э. Бигаль, компания Merck
Форум IPhEB - Марсело Э. Бигаль, компания MerckФорум IPhEB - Марсело Э. Бигаль, компания Merck
Форум IPhEB - Марсело Э. Бигаль, компания Merck
 
Mr. Pepper Marketing Presentation
Mr. Pepper Marketing PresentationMr. Pepper Marketing Presentation
Mr. Pepper Marketing Presentation
 
Форум IPhEB - Кононова C.В. Влияние научно-исследовательской деятельности с...
Форум IPhEB - Кононова C.В.   Влияние научно-исследовательской деятельности с...Форум IPhEB - Кононова C.В.   Влияние научно-исследовательской деятельности с...
Форум IPhEB - Кононова C.В. Влияние научно-исследовательской деятельности с...
 
Slaid ppt g improvisasi
Slaid ppt g    improvisasiSlaid ppt g    improvisasi
Slaid ppt g improvisasi
 

Similar to M1 gp_Disco

プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造
Takuya Akiba
 

Similar to M1 gp_Disco (20)

充足可能性問題のいろいろ
充足可能性問題のいろいろ充足可能性問題のいろいろ
充足可能性問題のいろいろ
 
optimal Ate pairing
optimal Ate pairingoptimal Ate pairing
optimal Ate pairing
 
KDD2014 勉強会
KDD2014 勉強会KDD2014 勉強会
KDD2014 勉強会
 
文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding
文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding
文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding
 
More modern gpu
More modern gpuMore modern gpu
More modern gpu
 
詳解 ディープラーニング輪読&勉強会 3章後半ニューラルネットワーク
詳解 ディープラーニング輪読&勉強会 3章後半ニューラルネットワーク詳解 ディープラーニング輪読&勉強会 3章後半ニューラルネットワーク
詳解 ディープラーニング輪読&勉強会 3章後半ニューラルネットワーク
 
CUDA1日(?)体験会 (再アップロード)
CUDA1日(?)体験会 (再アップロード)CUDA1日(?)体験会 (再アップロード)
CUDA1日(?)体験会 (再アップロード)
 
高速な倍精度指数関数expの実装
高速な倍精度指数関数expの実装高速な倍精度指数関数expの実装
高速な倍精度指数関数expの実装
 
Rで学ぶロバスト推定
Rで学ぶロバスト推定Rで学ぶロバスト推定
Rで学ぶロバスト推定
 
PRML10-draft1002
PRML10-draft1002PRML10-draft1002
PRML10-draft1002
 
Long short-term memory (LSTM)
Long short-term memory (LSTM)Long short-term memory (LSTM)
Long short-term memory (LSTM)
 
[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...
[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...
[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...
 
数理解析道場
数理解析道場数理解析道場
数理解析道場
 
LCCC2010:Learning on Cores, Clusters and Cloudsの解説
LCCC2010:Learning on Cores,  Clusters and Cloudsの解説LCCC2010:Learning on Cores,  Clusters and Cloudsの解説
LCCC2010:Learning on Cores, Clusters and Cloudsの解説
 
how-calculate-cluster-coefficience
how-calculate-cluster-coefficiencehow-calculate-cluster-coefficience
how-calculate-cluster-coefficience
 
[DL輪読会]Pervasive Attention: 2D Convolutional Neural Networks for Sequence-to-...
[DL輪読会]Pervasive Attention: 2D Convolutional Neural Networks for Sequence-to-...[DL輪読会]Pervasive Attention: 2D Convolutional Neural Networks for Sequence-to-...
[DL輪読会]Pervasive Attention: 2D Convolutional Neural Networks for Sequence-to-...
 
Deep learning実装の基礎と実践
Deep learning実装の基礎と実践Deep learning実装の基礎と実践
Deep learning実装の基礎と実践
 
プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造
 
カステラ本勉強会 第三回
カステラ本勉強会 第三回カステラ本勉強会 第三回
カステラ本勉強会 第三回
 
20181214 clebsch gordan_mizuta
20181214 clebsch gordan_mizuta20181214 clebsch gordan_mizuta
20181214 clebsch gordan_mizuta
 

M1 gp_Disco

Editor's Notes

  1. 一般的に通信は時間に区切って行われる.区切られた時間をスロットと呼ぶ.
  2. 目的の理由を簡単に口頭で説明.
  3. タイマは同期されていないことに言及する. 「こんな簡単で大丈夫か?」と思わせる.
  4. 「素数の代わりに」互いに素な数を選ぶことができれば,という形で持って行く.前ページは素数で説明しているので.
  5. Asynchronous neighbor discovery の関連研究