Decentralized Cloud Storage Network Simulation

Este projeto implementa uma simulação abrangente de um Sistema Multi-Agente para Armazenamento em Nuvem Descentralizado. A simulação serve como validação preliminar da arquitetura do sistema, analisando comportamento sob diferentes condições, especialmente na presença de falhas.

🎯 Objetivos do Projeto

• Validação de Arquitetura: Testar viabilidade de sistema descentralizado
• Análise de Robustez: Avaliar comportamento com falhas e latência
• Estudo Econômico: Analisar dinâmicas de mercado e preços
• Pesquisa Acadêmica: Fornecer base para estudos em sistemas distribuídos

📋 Características Principais

Componentes do Sistema

1. Três Tipos de Agentes:

   • Buyer Agents: Solicitam armazenamento periodicamente
   • Storage Provider Agents: Oferecem espaço com preços dinâmicos
   • Intermediary Network Agent: Medeia comunicação e seleção

2. Funcionalidades Avançadas:

   • Capacidade Real: Provedores têm espaço finito alocado dinamicamente
   • Contratos Temporários: Duração determinada com liberação automática
   • Latência Simulada: Delays realísticos de rede (50ms-500ms)
   • Sistema de Reputação: Avaliação dinâmica de provedores
   • Preços Dinâmicos: Ajuste automático baseado em utilização
   • Análise Monte Carlo: Validação estatística multi-iteração

3. Robustez e Falhas:

   • Falhas aleatórias de provedores (configurável)
   • Corrupção de contratos na rede
   • Timeouts e indisponibilidade
   • Recuperação automática de falhas

4. Métricas Abrangentes:

   • Taxa de sucesso/falha de requisições
   • Tempos de resposta com análise estatística
   • Utilização e reputação de provedores
   • Eficiência econômica do sistema
   • Estatísticas de rede e corrupção

🚀 Execução Completa com Makefile

Pré-requisitos

• Python 3.8+
• Make (GNU Make)
• Git
• Opcionalmente: pdflatex para compilação de PDF

Execução Automática Completa

# Executa tudo: testes, coleta resultados, gera gráficos e relatório
make all

# Execução rápida (apenas essencial)
make quick

# Ver todas as opções disponíveis
make help

Execução Step-by-Step

# 1. Configurar ambiente
make setup

# 2. Instalar dependências
make install

# 3. Executar todas as simulações
make run-all

# 4. Coletar e processar resultados
make collect-results

# 5. Gerar gráficos
make generate-graphs

# 6. Criar relatório LaTeX
make create-report

# 7. Compilar PDF (se disponível)
make compile-pdf

Simulações Individuais

# Simulação principal (recomendado)
make run-enhanced

# Teste balanceado
make run-balanced

# Demonstração completa
make run-demo

# Versão SPADE (requer XMPP)
make run-spade

📊 Resultados e Análises

Após a execução, os seguintes arquivos são gerados:

Resultados Brutos

• results/aggregated_results.json - Dados consolidados
• results/*_output.log - Logs detalhados de cada simulação

Visualizações

• results/performance_comparison.png - Comparação entre simulações
• results/statistical_analysis.png - Análise estatística
• results/economic_analysis.png - Análise econômica

Relatórios

• results/simulation_report.tex - Relatório LaTeX completo
• results/report_[timestamp]/ - Pasta com relatório timestamped
• CODE_ANALYSIS.md - Análise detalhada do código

📈 Interpretação dos Resultados

Métricas Principais

1. Taxa de Sucesso: Porcentagem de requisições atendidas com sucesso
2. Tempo de Resposta: Latência média para processamento de requisições
3. Utilização de Provedores: Eficiência no uso dos recursos disponíveis
4. Valor Econômico: Total de transações financeiras processadas
5. Robustez: Capacidade de operação com falhas simuladas

Análise Estatística

• Médias e Desvios: Consistência entre execuções
• Distribuições: Padrões de comportamento do sistema
• Correlações: Relações entre métricas diferentes
• Outliers: Identificação de comportamentos atípicos

🔧 Configuração e Personalização

Parâmetros Principais

# No arquivo enhanced_cloud_storage.py
SIMULATION_CONFIG = {
    'iterations': 3,              # Número de iterações Monte Carlo
    'duration_per_iteration': 30, # Duração de cada simulação (segundos)
    'num_buyers': 2,             # Número de compradores
    'num_providers': 3,          # Número de provedores
    'corruption_probability': 0.02, # Taxa de corrupção da rede
    'failure_probability': 0.05     # Taxa de falha dos provedores
}

Personalização de Agentes

# Configuração de compradores
buyer_config = {
    'request_interval': (3.0, 6.0),  # Intervalo entre requisições
    'budget_per_hour': 25.0,         # Orçamento por hora
    'space_range': (10, 100)         # Faixa de espaço solicitado (GB)
}

# Configuração de provedores  
provider_config = {
    'total_space_gb': 150,           # Capacidade total
    'base_price_per_gb_hour': 0.4,   # Preço base
    'failure_probability': 0.05       # Probabilidade de falha
}

🧪 Validação e Testes

Tipos de Teste

1. Teste Balanceado (balanced_test.py):

   • Parâmetros equilibrados oferta/demanda
   • Validação de funcionamento básico
   • Duração curta para testes rápidos

2. Demo Completo (demo.py):

   • Demonstração de todas as funcionalidades
   • Explicações educacionais
   • Cenários variados de teste

3. Simulação Enhanced (enhanced_cloud_storage.py):

   • Análise Monte Carlo completa
   • Métricas abrangentes
   • Configuração avançada

4. Versão SPADE (cloud_storage_spade.py):

   • Implementação com framework SPADE
   • Comunicação real via XMPP
   • Validação de arquitetura alternativa

Cenários de Teste

• Carga Normal: Operação em condições ideais
• Alta Demanda: Teste com muitas requisições simultâneas
• Falhas de Rede: Simulação de problemas de conectividade
• Falhas de Provedores: Teste de robustez com indisponibilidades
• Preços Dinâmicos: Validação de ajustes automáticos de preço

� Estrutura do Código

Arquivos Principais

SMA_Simulation/
├── enhanced_cloud_storage.py  # Simulação principal
├── balanced_test.py          # Teste balanceado
├── demo.py                   # Demonstração completa
├── cloud_storage_spade.py    # Versão SPADE
├── Makefile                  # Automação completa
├── requirements.txt          # Dependências Python
└── scripts/                  # Scripts de suporte
    ├── collect_results.py    # Coleta de resultados
    ├── generate_graphs.py    # Geração de gráficos
    ├── create_latex_report.py # Relatório LaTeX
    └── analyze_code.py       # Análise de código

Classes Principais

• BuyerAgent: Agente comprador de armazenamento
• StorageProviderAgent: Agente provedor de armazenamento
• IntermediaryNetworkAgent: Agente mediador de rede
• SimulationMetrics: Coleta de métricas estatísticas
• MessageBus: Sistema de comunicação entre agentes

🔬 Aplicações de Pesquisa

Este sistema pode ser usado para estudar:

• Sistemas Distribuídos: Consenso, tolerância a falhas, escalabilidade
• Economia Digital: Mercados dinâmicos, formação de preços
• Sistemas Multi-Agente: Cooperação, negociação, emergência
• Redes P2P: Topologias, roteamento, incentivos
• Blockchain: Aplicações descentralizadas, smart contracts

📖 Documentação Adicional

Para Desenvolvedores

• CODE_ANALYSIS.md: Análise detalhada da arquitetura
• Comentários inline no código fonte
• Docstrings em todas as funções principais

Para Pesquisadores

• Relatório LaTeX gerado automaticamente
• Dados em formato JSON para análise externa
• Gráficos em alta resolução para publicações

Para Usuários

• Este README com instruções completas
• Logs detalhados de execução
• Exemplos de configuração source .venv/bin/activate python cloud_storage_spade.py

# Run interactive demo
python demo.py

# Run quick test
python balanced_test.py

## 📊 Simulation Results

The simulation generates several output files:

- **`monte_carlo_results_TIMESTAMP.json`**: Detailed raw results data
- **`simulation_report_TIMESTAMP.txt`**: Human-readable summary report
- **Console logs**: Real-time simulation progress and events

### Key Metrics Tracked

1. **Performance Metrics:**
   - Request success rate (%)
   - Average response time (seconds)
   - Standard deviation of response times

2. **System Utilization:**
   - Provider space utilization
   - Contract completion rates
   - Economic efficiency

3. **Robustness Metrics:**
   - Network corruption incidents
   - Provider failure frequency
   - System resilience under stress

4. **Economic Metrics:**
   - Total economic value generated
   - Provider earnings distribution
   - Buyer spending patterns

## 🔧 Configuration

### Simulation Parameters

You can modify the simulation by adjusting parameters in the main function:

```python
asyncio.run(run_monte_carlo_simulation(
    iterations=5,              # Number of Monte Carlo runs
    duration_per_iteration=60, # Seconds per simulation
    num_buyers=3,             # Number of buyer agents
    num_providers=4           # Number of provider agents
))

Agent Configuration

Buyer Agents:

• Request interval: Time between storage requests (2-8 seconds)
• Budget: Maximum spending per hour ($15-40)
• Storage needs: 5-50 GB per request
• Contract duration: 0.5-6 hours

Provider Agents:

• Total capacity: 100-300 GB per provider
• Base pricing: $0.3-0.9 per GB/hour
• Failure probability: 2-12% random failure rate
• Dynamic pricing: Adjusts based on utilization (50-200% of base price)

Network Agent:

• Corruption probability: 3-5% contract corruption rate
• Provider selection: Reputation-weighted algorithm
• Timeout handling: 30-60 second timeouts

📈 Understanding the Results

Example Output:

🎯 SUCCESS RATE:
   Mean: 87.3% ± 4.2%
   Range: 82.1% - 92.5%

⏱️ RESPONSE TIME:
   Mean: 1.45s ± 0.23s
   Range: 1.18s - 1.78s

💾 PROVIDER UTILIZATION:
   Mean: 0.68 ± 0.12
   Range: 0.52 - 0.84

💰 ECONOMIC EFFICIENCY:
   Mean: 94.2% ± 2.1%
   Range: 91.8% - 96.7%

Interpretation:

• Success Rate > 85%: Good system reliability
• Response Time < 2s: Acceptable performance
• Utilization 0.6-0.8: Efficient resource usage
• Economic Efficiency > 90%: Minimal value loss in transactions

🔍 Architecture Details

Communication Flow:

1. Buyer → Network: Storage request with requirements
2. Network → Provider: Allocation request (after provider selection)
3. Provider → Network: Accept/reject response
4. Network → Buyer: Final contract confirmation

Provider Selection Algorithm:

• Reputation weight (40%): Historical success rate
• Price weight (30%): Competitive pricing
• Availability weight (20%): Current space availability
• Success rate weight (10%): Recent performance

Reputation System:

• Initial reputation: 5.0 (neutral)
• Success: +2% reputation (max 10.0)
• Failure: -2% reputation (min 0.1)
• Minimum threshold: 1.0 for consideration