CN101471825A - 利用声望模型的p2p流媒体系统节点有效性的检测方法 - Google Patents

Abstract

本发明涉及一种利用声望模型的P2P流媒体系统节点有效性的检测方法，包括：1)设定节点的声望下限值和上限值；2)选取一段固定长度的时间作为计算时间单元，每个计算时间单元结束时，根据当前计算时间单元内收到的反馈信息对节点的所述声望进行修正，直至所述声望低于所述下限值而从索引服务器中删除该节点信息；3)选取一段固定长度的时间作为时间效应的计算时间单元，如果当前时间效应的计算时间单元内索引服务器没有收到任何关于某任意节点的反馈信息，则更新其声望直至接近所述上限值。本发明的方法可根据用户的需求选择合适的邻居节点，有效降低了索引服务器的负载，从而提高系统的处理能力和可扩展性。

Description

利用声望模型的P2P流媒体系统节点有效性的检测方法

技术领域

本发明涉及计算机网络流媒体技术领域，更具体地，本发明涉及一种利用声望模型的P2P流媒体系统节点有效性的检测方法。

背景技术

近年来，随着互联网的迅猛发展和普及，多媒体新闻发布、在线直播、网络广告、电子商务、视频点播、远程教育、远程医疗、网络电台、实时视频会议等各种互联网信息服务的广泛应用，对传统的播放方式提出了新的挑战。流媒体技术可以广泛应用于各种互联网信息服务中，从而丰富传统互联网内容的表现形式，赋予宽带应用更多的娱乐性和互动性，因此，流媒体技术必将成为未来宽带网络业务的主流技术。

传统的流媒体系统主要采用客户端/服务器(C/S)模式，用户以单播的方式与服务器建立连接，由于流媒体业务高带宽需求、高服务质量(QoS)保障的特点，随着用户数目的增多，服务器软、硬件资源将很快被消耗殆尽，从而导致系统的扩展性极差。最近兴起的P2P技术能够利用客户端节点的资源减轻服务器和骨干网的负担，为解决流媒体内容分发提供了一个新的方向。

目前，大多数P2P流媒体系统采用了中心式的拓扑结构，由索引服务器集中存放所有P2P节点的信息。这种集中式的索引服务器能够根据节点的请求进行快速查找并返回最优的多个节点作为用户节点的邻居。如果用户节点正常退出，将向索引服务器发送“退出”信令，收到该信令后，索引服务器将节点信息从数据库中删除。但是，如果由于用户强制退出或是网络发生故障等原因导致索引服务器无法收到“退出”信令，将会造成索引服务器的数据库中存在大量的无效节点。这样，当收到节点的请求时，就有可能将无效节点作为最优节点返回给请求节点，从而严重影响了系统的可用性。因此，为了提高系统的可用性，索引服务器必须能够检测系统中的无效节点并将其从数据库中删除。

针对这一点，大多数系统采用了基于心跳技术的故障检测方法，其原理为：索引服务器周期性地向系统中的所有节点发送心跳包来检测节点的运行状态，节点收到心跳包后立即返回响应。如果索引服务器收到响应，则表明节点仍然存活；如果节点长时间未响应，则判断其为无效节点并从数据库中删除。

但是，采用心跳技术有个致命的缺陷：随着系统规模的扩大，心跳包的数量成线性增长。索引服务器不但需要根据请求节点的快速查找，而且还要定期向所有节点发送心跳包、接收响应并进行超时判断，承受了巨大的负载，消耗了自身的处理能力与网络带宽，严重影响了系统的可扩展性。

为了解决P2P系统中存在的安全问题，EigenTrust、EigenRep、SemTrust、PeerTrust、PowerTrust、FuzzyTrust等系统通过建立基于声望的信任模型，有效地区分恶意节点和善意节点，提高系统的安全保障。

发明内容

本发明借鉴了基于声望的信任模型，在P2P流媒体系统中引入声望机制，提出了一种利用声望模型的P2P流媒体系统节点有效性的动态检测方法。但是，由于流媒体服务具有带宽占用高、服务时间长的特点，在流媒体系统中引入声望模型来动态监测节点的有效性，不仅需要保证检测的准确性，而且应尽量减少声望模型的控制开销，从而避免对流媒体服务造成的影响。

本发明的目的在于，为避免现有无效节点的故障检测方法所采用的心跳技术对索引服务器造成的巨大负载(处理能力、网络带宽)，从而提供了一种利用声望模型的P2P流媒体系统节点有效性的检测方法。

为实现上述目的，本发明的利用声望模型的P2P流媒体系统节点有效性的检测方法包括以下步骤：

1)设定声望的下限值θ_l和上限值θ_u，且0<θ_l<θ_u<1，

其中，在所述声望模型中，节点的声望属性具有双重含义：

表示节点的可用性：该节点正常工作的概率；

表示节点的可信度：该节点反馈信息的可信程度；

声望的范围为[θ_l，θ_u]，声望越高则节点的可用性与可信度越高。

2)根据反馈更新声望

选取一段固定长度的时间作为计算时间单元CTU，每个CTU结束时，根据当前CTU内收到的反馈信息对节点的声望进行修正。

由于节点反馈信息的不可靠与不准确，建立在这些不确定性证据基础上的对节点声望的修正，可视为不确定性推理问题。当前解决不确定性推理问题的方法主要有：主观贝叶斯方法、确定性理论、可能性理论、证据理论等传统方法以及灰色系统理论、粗糙集理论、概念图等新型方法。以贝叶斯公式为基础的贝叶斯理论，利用先验知识和样本数据来获得对未知样本的估计，使得不确定知识表示和推理在逻辑上非常清晰并且易于理解，在人工智能中一直是处理不确定性的重要工具。因此，本专利采用贝叶斯公式进行声望的推导计算。

假设在当前CTU内，节点P₁、P₂……P_n向索引服务器发送反馈信息，报告A为无效节点。节点A的声望为R_A，节点P_i的声望为R_i(1≤i≤n)；用E_i表示用户节点P_i的反馈事件，且E＝E₁E₂……E_n，表示E₁、E₂……E_n同时发生；S₀表示节点A为无效节点。根据贝叶斯公式进行推导计算，在收到节点P₁、P₂……P_n反馈信息的条件下，节点A为无效节点的概率，即条件概率P(S₀/E)，约等于：

$P(S_0/E)=\frac{1-R_A}{1-R_A+R_A(1-R_1)(1-R_2)...(1-R_n)}---\left(1.1\right)$

由式1.1，得到了在节点P₁、P₂……P_n反馈信息的条件下，节点A为无效节点的概率，由此更新节点A的声望R_A：

$R^{\mathrm{new}}=\left\{\begin{array}{c}{R}_A(1-P\left(S_0\right|E)),R_A\&GreaterEqual;\frac{{\mathrm{\&theta;}}_l}{1-P\left(S_0\right|E)}\\ {\mathrm{\&theta;}}_l,R_A<\frac{{\mathrm{\&theta;}}_l}{1-P\left(S_0\right|E)}\end{array}\right.---\left(1.2\right)$

根据式1.2，如果某个节点发生故障，在接下来的几个CTU内将会收到其它节点的反馈，将根据反馈的可信度对其声望进行调整：反馈信息的可信度越高，即P(S₀|E)越高，则声望就收敛得越快，直至声望低于下限θ_l而从索引服务器中删除该节点信息；如果节点未发生故障，而个别节点因为自身原因发送错误的反馈，此时，由于这些节点声望不高，从而P(S₀|E)较低，只会使节点声望稍微降低，不会出现节点声望降至低于下限θ_l而误删除该节点信息。

3)声望的时间效应

为了缓解索引服务器的负载，减少不必要的网络流量，节点只反馈探测到的无效节点的信息，如果所有邻居节点都有效，则不发送反馈。

选取一段固定长度的时间作为时间效应的计算时间单元TTU。对于任意的节点，如果当前TTU内索引服务器没有收到任何关于该节点的反馈信息，则表明该节点仍然存活。

另一方面，根据对P2P文件共享系统的调查，可以认为：节点存活的时间越长，其发生故障的概率就越低，可用性与可信度就越高，声望就越高。

由上述两方面可做出推断如下：如果当前TTU内，索引服务器没有收到任何关于某个节点的反馈信息，则该节点的声望增高。

于是，对新加入的节点给定声望初始值k₃，并且如果在当前TTU内未收到任何关于该节点的反馈，则更新其的声望R：

$R^{\mathrm{new}}=\left\{\begin{array}{c}R+R({\mathrm{\&theta;}}_u-R),R\&le;{\mathrm{\&theta;}}_u\\ {\mathrm{\&theta;}}_u,R>{\mathrm{\&theta;}}_u\end{array}\right.---\left(1.3\right)$

如果在连续几个TTU内都没有收到任何关于节点的反馈，节点声望将逐渐逼近上限θ_u。

本发明的优点在于，通过本发明的应用，在P2P流媒体系统中建立声望模型，根据反馈信息动态计算并更新节点的声望值，根据用户的需求选择合适的邻居节点，从而提高系统的整体可用性，有效地避免了采用心跳技术所造成的对索引服务器的巨大负载(带宽、处理能力)。

附图说明

图1为结合声望模型的P2P流媒体系统的架构；

图2为结合声望模型的P2P流媒体系统的一具体应用场景。

具体实施方式

下面，参照附图对本发明的用于P2P流媒体系统的声望模型进行详细说明。

图1为结合声望模型的P2P流媒体系统的具体架构。如图1所示，在控制中心部署管理服务器、频道服务器、索引服务器及若干数据源服务器；用户节点通过运行于终端(计算机，机顶盒，手机等)的客户端软件加入系统接受服务。图中实线箭头表示系统中的控制流，虚线箭头表示系统中的数据流。

结合声望模型的P2P流媒体系统中，各服务器的功能如下所述：管理服务器负责对索引服务器、数据源服务器、数据中转服务器的人工管理及动态配置；频道服务器周期性地从数据库中读取所有数据源服务器的信息，生成包含所有频道信息的可扩展标记语言(XML)文件，并以超文本传输协议(HTTP)的方式响应用户的请求而发送该XML文件；索引服务器作为所在区域的P2P网络的中心索引服务器保存了该区域中P2P网络中所有节点的信息，包括每个节点的声望值；每个数据源服务器对应一个频道，流化视频文件，生成能够在网络上传输的流媒体数据包，并作为P2P网络中的一个节点响应其它节点的请求而发送流媒体数据；客户端软件向用户节点提供用户界面(UI)，用户节点与其它节点进行交互以获取流媒体数据。

结合声望模型的P2P流媒体系统中，用户节点声望计算的实现方式如下所述：

每个用户节点周期性地探测邻居节点是否为无效节点：如果长时间内未从邻居节点收到消息，则向该邻居节点发送“探测”信令。如果邻居节点仍然存活，则以“响应”信令进行回应；否则，用户节点无法收到邻居节点的“响应”信令，则判断其为无效节点，向索引服务器发送反馈信息。

在声望模型中，设定节点声望下限θ_l为0.15，上限θ_u为0.85。选取计算时间单元CTU为60秒，选取时间效应的计算时间单元TTU为180秒。

每个CTU结束时，索引服务器根据当前CTU内收到的反馈信息对节点的声望进行修正。

假设在当前CTU内，节点P₁、P₂……P_n向索引服务器发送反馈信息，报告A为无效节点。节点A的声望为R_A，节点P_i的声望为R_i(1≤i≤n)；用E_i表示节点P_i的反馈事件，E＝E₁E₂……E_n，表示E₁、E₂……E_n同时发生；S₀表示节点A为无效节点。根据贝叶斯公式进行推导计算，在收到节点P₁、P₂……P_n反馈信息的条件下，节点A为无效节点的概率，即条件概率P(S₀/E)，约等于：

$P(S_0/E)=\frac{1-R_A}{1-R_A+R_A(1-R_1)(1-R_2)...(1-R_n)}---\left(1.4\right)$

由式1.4，得到了在节点P₁、P₂……P_n反馈信息的条件下，节点A为无效节点的概率，由此更新节点A的声望R_A：

$R^{\mathrm{new}}=\left\{\begin{array}{c}{R}_A(1-P\left(S_0\right|E)),R_A\&GreaterEqual;\frac{0.15}{1-P\left(S_0\right|E)}\\ 0.15,R_A<\frac{0.15}{1-P\left(S_0\right|E)}\end{array}\right.---(1.5)$

另一方面，对新加入的节点给定声望初始值0.5，并且如果在当前TTU内未收到任何关于该节点的反馈，则更新其的声望R：

$R^{\mathrm{new}}=\left\{\begin{array}{c}R+R(0.85-R),R\&le;0.85\\ 0.85,R>0.85\end{array}\right.---\left(1.6\right)$

下面通过一个具体例子，对本发明提供的结合声望模型的P2P流媒体系统的步骤流程作进一步阐述。

如图2所示，本发明提供的方法的一个具体应用场景：在本场景中具有下列设备：位于控制中心的管理服务器、频道服务器、索引服务器、数据源服务器1和数据源服务器2。

假设此时存在用户节点A、B、C、D，其声望分别为0.8、0.7、0.5、0.45，用户节点B的邻居节点为用户节点A、C、D。下面描述当用户节点B因网络故障而退出后，其邻居节点发送反馈信息、索引服务器更新其声望的过程步骤：

(1)用户节点A、C、D通过探测得知用户节点B为无效节点，向索引服务器发送反馈信息；

(2)在当前CTU内，索引服务器收到关于用户节点B的反馈，于是根据反馈更新用户节点B的声望：首先计算得到P(S₀/E)为0.8863；根据P(S₀/E)更新用户节点B的声望为0.0796；

(3)用于用户节点B的声望低于声望下限0.15，索引服务器从数据库中删除用户节点B的信息；

综上所述，采用结合声望模型的P2P流媒体系统进行流媒体信息的发布，与采用心跳技术的P2P流媒体系统相比，能够有效地减轻索引服务器的负载，提高系统的可扩展性与可用性，降低系统的实施和运营成本。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，并且在应用上可以延伸到其他的修改、变化、应用和实施例，同时认为所有这样的修改、变化、应用、实施例都在本发明的精神和范围内。

Claims (6)

1、一种利用声望模型的P2P流媒体系统节点有效性的检测方法，其特征在于，包括以下步骤：

1)设定节点的声望的下限值θ_l和上限值θ_u，其中，0<θ_l<θ_u<1；

2)根据反馈更新所述声望，即选取一段固定长度的时间作为计算时间单元CTU，每个计算时间单元CTU结束时，根据当前计算时间单元CTU内收到的反馈信息对节点的所述声望进行修正，直至所述声望低于所述下限值而从索引服务器中删除该节点信息；

3)设定所述声望的时间效应，即选取一段固定长度的时间作为时间效应的计算时间单元TTU，如果当前时间效应的计算时间单元TTU内索引服务器没有收到任何关于某任意节点的反馈信息，则更新其声望直至接近所述上限值。

2、根据权利要求1所述的检测方法，其特征在于，所述步骤2)对声望进行修正时所采用的方法包括：作为传统方法的主观贝叶斯方法、确定性理论、可能性理论或证据理论，或作为新型方法的灰色系统理论、粗糙集理论或概念图。

3、根据权利要求2所述的检测方法，其特征在于，采用贝叶斯方法进行所述声望的修正：若在当前所述计算时间单元CTU内，所述节点P₁、P₂……P_n向索引服务器发送反馈信息，报告A为无效节点，则根据贝叶斯公式进行推导计算，在收到节点P₁、P₂……P_n反馈信息的条件下，节点A为无效节点的概率，即条件概率P(S₀/E)，约等于：

$P(S_0/E)=\frac{1-R_A}{1-R_A+R_A(1-R_1)(1-R_2)...(1-R_n)}---\left(1.1\right)$

其中，R_A为节点A的声望；R_i(1≤i≤n)为用户节点P_i的声望；E_i表示用户节点P_i的反馈事件，且E＝E₁ E₂……E_n，表示E₁、E₂……E_n同时发生；S₀表示节点A为无效节点；

由式1.1，得到了在节点P₁、P₂……P_n反馈信息的条件下节点A为无效节点的概率，由此更新节点A的声望R_A：

$R^{\mathrm{new}}=\left\{\begin{array}{c}{R}_A(1-P\left(S_0\right|E)),R_A\&GreaterEqual;\frac{{\mathrm{\&theta;}}_l}{1-P\left(S_0\right|E)}\\ {\mathrm{\&theta;}}_l,R_A<\frac{{\mathrm{\&theta;}}_l}{1-P\left(S_0\right|E)}\end{array}\right.---\left(1.2\right)$

直至所述节点声望R_A低于下限θ_l而从所述索引服务器中删除该节点信息。

4、根据权利要求3所述的检测方法，其特征在于，如果当前所述时间效应的计算时间单元TTU内，索引服务器没有收到任何关于某个节点的反馈信息，则该节点的声望增高，然后对新加入的节点给定声望初始值，如果在当前所述时间效应的计算时间单元TTU内未收到任何关于该新加入节点的反馈，则更新其的声望R：

$R^{\mathrm{new}}=\left\{\begin{array}{c}R+R({\mathrm{\&theta;}}_u-R),R\&le;{\mathrm{\&theta;}}_u\\ {\mathrm{\&theta;}}_u,R{>\mathrm{\&theta;}}_u\end{array}\right.---\left(1.3\right)$

如果在连续几个所述时间效应的计算时间单元TTU内都没有收到任何关于该节点的反馈，则该节点声望将逐渐逼近所述上限θ_u。

5、根据权利要求4所述的检测方法，其特征在于，所述节点声望的下限θ_l为0.1～0.2，上限θ_u为0.8～0.9，所述计算时间单元CTU为45～75秒，所述时间效应的计算时间单元TTU为150～240秒。

6、根据权利要求4所述的检测方法，其特征在于，所述节点声望的下限θ_l为0.15，上限θ_u为0.85，所述计算时间单元CTU为60秒，所述时间效应的计算时间单元TTU为180秒。