MI-X: Mobility Impact-X 🧠🌐

O MI-X (Mobility Impact-X) é uma estratégia de alocação de aplicações modulares sensível à mobilidade para Jogos baseados em EEG (Eletroencefalograma) em arquiteturas de Computação em Névoa Hierárquica. Ele otimiza a latência e o uso de recursos ao distribuir dinamicamente cargas de trabalho ao longo do continuum nuvem-névoa-borda.

---

📌 Visão Geral

Cenários de EEG Games demandam sincronia precisa entre a intenção do usuário e o feedback visual. O MI-X resolve a degradação de desempenho causada pela mobilidade do usuário através de:

• Consciência de Mobilidade: Incorpora o deslocamento do usuário no processo decisório para evitar a degradação da Qualidade de Experiência (QoE).

• Hierarquia Multinível: Utiliza o continuum Cloud-Fog-Cloudlet para distribuir a carga de forma eficiente entre os diferentes níveis.

• Gestão Inter-cluster: Implementa migrações em duas etapas via LCA (Lowest Common Ancestor) para reduzir instabilidades e saltos abruptos durante a troca de rede.

• Alocação Modular: Gerencia as dependências entre os módulos da aplicação (Pre-processamento, Extração de Características e Classificação).

---

🚀 Arquitetura e Algoritmos

O núcleo do sistema é o MI-X Decision Engine, que integra três funções principais:

1. Gerenciamento de Mobilidade: Diferencia mobilidade intra-cluster (realocação direta) de inter-cluster (via LCA).

2. Lógica Edgewards: Prioriza a execução nos Cloudlets (extrema borda) para garantir a latência ultra-baixa exigida pelo jogo.

3. Análise de Impacto (IMPACT): Avalia se é mais vantajoso promover o novo módulo ou desalocar módulos existentes em caso de saturação de recursos computacionais.

---

📊 Planejamento Experimental

A estratégia foi avaliada utilizando o simulador iFogSim 2 em um cenário de EEG Game. O planejamento incluiu:

• Topologia: Arquitetura hierárquica baseada em infraestruturas de rede reais com parâmetros de atraso diferenciados.

• Modelagem de Mobilidade: Uso de trajetórias baseadas em um dataset urbano real da região de Melbourne.

• Comparação: Avaliação de desempenho frente aos algoritmos consolidados na literatura: CB-E, DP-I e LI-X.

---

🛠️ Tecnologias e Configuração

• Simulador: iFogSim (versão estendida para suporte a mobilidade).

• Linguagens: * Java: Implementação da lógica central do MI-X, topologias e simulação.

• Python: Scripts para análise de dados (Pandas) e geração de gráficos (Matplotlib/Seaborn).

• Dataset: Dados de mobilidade urbana integrados ao simulador.

Estrutura do Repositório

├── src/
│   └── org/fog/test/my/topology/   # Arquivos de Topologia e Casos de Teste
├── scripts/                        # Scripts Python para análise de logs
└── README.md                       # Documentação do projeto

---

📄 Referência

Se este projeto ou o algoritmo MI-X contribuir para a sua pesquisa acadêmica ou desenvolvimento técnico, por favor cite o artigo correspondente:

@inproceedings{bezerra2026mix,
  title={Da Sinapse à Borda com MI-X: Escoltando o Usuário no Edge-Cloud-Continuum},
  author={Bezerra, Rodrigo A. and Bittencourt, Luiz and Villas, Leandro and Peixoto, Maycon L. M.},
  booktitle={Anais do SBRC 2026},
  year={2026},
  organization={SBC}
}

---

🤝 Agradecimentos

Este trabalho foi realizado com o apoio do Instituto de Computação da Universidade Federal da Bahia (UFBA) e do Instituto de Computação da Universidade Estadual de Campinas (UNICAMP), com financiamento da CAPES e do CNPq.

---

Desenvolvido por Rodrigo A. Bezerra