Resumo Técnico: Transmissão de Vídeo Multipath Disjunto Sensível à QoS para IoT de Saúde

1. Declaração do Problema

O artigo aborda o desafio de transmitir vídeo médico sobre redes de Internet das Coções (IoT) de saúde. Diferente da telemetria escalar, o vídeo médico (ex: endoscopia, ultrassom) exige metas rigorosas de Qualidade de Serviço (QoS): alta qualidade perceptual (PSNR ≥36 dB), baixo atraso interativo (≤150 ms), altas taxas de entrega de pacotes (≥0,95) e continuidade ininterrupta.

Os protocolos existentes frequentemente falham porque desacoplam três decisões críticas:

1. Admissão de Origem: Decidir quais fluxos de vídeo aceitar.
2. Roteamento: Determinar o caminho que os dados percorrem através de relés alimentados por bateria.
3. Controle de Taxa: Atribuir taxas de transmissão para as origens admitidas.

Tratar essas decisões separadamente leva a resultados subótimos, como admitir um fluxo de baixa prioridade que starve (esvazia) um de alta prioridade, ou operar em taxas de pico que esgotam prematuramente as baterias dos relés. O problema é agravado pela necessidade de maximizar a "utilidade ponderada por prioridade" dos fluxos admitidos, respeitando as capacidades de links/nós e as restrições de energia residual por segundo. Os autores observam que a formulação conjunta dessas decisões é NP-difícil.

2. Metodologia

Os autores propõem o HQ-DMVS (Healthcare-QoS Disjoint Multipath Video Streaming), um framework que unifica admissão, roteamento e atribuição de taxa. A metodologia consiste em dois componentes:

A. Formulação Exata (MILP)

Os autores formulam o problema Conjunto de Admissão, Roteamento e Taxa (JARR) como um Programa Linear Inteiro Misto (MILP).

• Objetivo: Maximizar a soma das utilidades ponderadas por prioridade para as origens admitidas.
• Restrições:
  • Disjunção de Nós: Não dois fluxos de origem admitidos compartilham um relé intermediário (imposto ao limitar o grau de saída e de entrada em 1 para os relés).
  • Conservação de Fluxo: Garante que os dados fluam das origens para os destinos sem perda.
  • Capacidade: Respeita a largura de banda do link e os limites de encaminhamento de nós.
  • Viabilidade Energética: Garante que o tráfego não exceda a energia residual por segundo de qualquer relé, modelada usando um modelo de energia de rádio de primeira ordem (modelo Heinzelman).
• Linearização: Embora a função de utilidade envolva um termo bilinear (variável de admissão $\times$ taxa), os autores mostram que ele pode ser exatamente linearizado porque a variável de admissão é binária e a taxa é limitada, permitindo que solvers de branch-and-cut padrão (como o CPLEX) encontrem o ótimo global para redes de pequeno a médio porte.

B. Solução Algorítmica (HQ-DMVS)

Como o MILP é NP-difícil e torna-se intratável para redes grandes (ex: >60 nós), os autores propõem o HQ-DMVS, um heurístico de tempo polinomial em duas fases:

1. Fase 1: Roteamento Multipath Disjunto (HQ-DMVS-R):
   • As origens são processadas em ordem decrescente de prioridade.
   • Para cada origem, o algoritmo calcula um caminho de "gargalo mais largo" (widest-bottleneck) em um grafo residual.
   • O peso do caminho combina folga de largura de banda e folga de energia residual, controlados por um parâmetro de mistura $\alpha$.
   • Uma vez selecionado o caminho, seus nós intermediários são removidos do grafo para garantir a disjunção de nós para as origens subsequentes.
2. Fase 2: Atribuição de Taxa Sensível à QoS (HQ-DMVS-A):
   • As origens admitidas começam com uma taxa mínima ($R_{min}$).
   • O algoritmo aumenta iterativamente as taxas por um quantum $\delta$ para a origem com o maior ganho de utilidade marginal ponderado pela prioridade, desde que as restrições de capacidade e energia sejam atendidas.

3. Principais Contribuições

• Otimização Unificada: O artigo é o primeiro a modelar conjuntamente a admissão de origem binária, o roteamento multipath disjunto de nós, a atribuição de taxa contínua e a viabilidade explícita de energia residual por segundo em um único framework de otimização para IoT de saúde.
• Garantias Estruturais: O algoritmo proposto constrói caminhos disjuntos de nós e arestas por design, eliminando a correlação de falhas entre fluxos médicos independentes.
• Limites Teóricos: Os autores derivam um envelope de otimalidade aditivo condicional. Se o heurístico e o MILP admitirem o mesmo conjunto de origens, a solução do heurístico é garantida dentro de $|V_S| P_{max} \delta U_{step}$ do ótimo do MILP.
• Reprodutibilidade: Os autores liberam o simulador, os modelos AMPL/CPLEX e os logs brutos como artefatos abertos.

4. Resultados Experimentais

O framework foi avaliado em topologias geométricas aleatórias (até 200 nós) usando um modelo PHY/MAC IEEE 802.11n e um modelo de energia de rádio de primeira ordem. Os resultados baseiam-se em 30 execuções com sementes (seeded runs) e são comparados com o ótimo do MILP, o Roteamento de Caminho Mais Curto (MRRA-SP) e o Roteamento de Capacidade de Caminho (MRRA-PC).

Principais Métricas de Desempenho (em $|V|=50$, 20 origens):

• Utilidade: O HQ-DMVS atinge 93,6% da utilidade ótima do MILP (estatisticamente significativo, $p < 10^{-4}$).
• Atraso: Reduz o atraso fim-a-fim em 32–41% em comparação ao MRRA-SP (47 ms vs. 110 ms).
• Taxa de Entrega de Pacotes (PDR): Atinge ≥0,96, superando significativamente os baselines (MRRA-SP: 0,84).
• Utilização de Banda: Melhora em 18–24% sobre os baselines.
• Qualidade de Vídeo: Ganha 2,4 dB de PSNR sobre o roteamento de caminho mais curto.
• Vida Útil da Rede: Estende o tempo de "morte do primeiro nó" em até 54%.
• Escalabilidade: O algoritmo roda em ≤112 ms para redes de 200 nós, tornando-o adequado para replanejamento periódico.

Análise de Sensibilidade:

• O algoritmo é robusto à heterogeneidade de energia e à intermitência (burstiness) do tráfego.
• O desempenho degrada graciosamente quando os snapshots do controlador tornam-se obsoletos (até 8 segundos).
• O parâmetro de mistura $\alpha$ (equilibrando largura de banda vs. energia) mostra um ótimo plano no intervalo [0,5, 0,7].

5. Significância e Alegações

O artigo afirma que o HQ-DMVS preenche a lacuna entre a otimalidade teórica e a aplicabilidade prática na IoT de saúde.

• Relevância Clínica: Ao atender metas rigorosas de QoS (PSNR, atraso, PDR) e estender a vida útil da rede, o framework suporta a transmissão de vídeo de nível diagnóstico em ambientes com recursos limitados, como ambulâncias e clínicas comunitárias.
• Segurança Determinística: Ao contrário de abordagens baseadas em aprendizado (ex: Aprendizado por Reforço) que dependem de políticas latentes difíceis de auditar, o HQ-DMVS é determinístico. Cada decisão de admissão e taxa é rastreável a passos algorítmicos específicos, o que é crucial para a conformidade regulatória clínica.
• Viabilidade Operacional: Os autores afirmam que o algoritmo pode rodar em hardware de baixo custo (ex: Raspberry Pi 4) e se encaixa nos loops de controle de controladores de rede padrão, suportando a reotimização periódica conforme as condições de link derivam.
• Generalização: Embora focado em saúde, os autores observam que o framework se aplica a qualquer aplicação envolvendo mídia diferenciada por prioridade, relés alimentados por bateria e links sem fio de capacidade variável (ex: IoT industrial, vigilância de cidades inteligentes).

O artigo conclui que o desacoplamento do roteamento do controle de taxa deixa uma lacuna de desempenho significativa (13–36%), enquanto a abordagem conjunta do HQ-DMVS fecha essa lacuna para dentro de 10% do ótimo teórico, mantendo a complexidade de tempo polinomial.