CN102045392A

CN102045392A - 一种无结构p2p网络的基于兴趣的自适应拓扑优化方法

Info

Publication number: CN102045392A
Application number: CN2010105866604A
Authority: CN
Inventors: 胡瑞敏; 朱永琼; 陈铙; 杨红云; 谭小琼
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2010-12-14
Filing date: 2010-12-14
Publication date: 2011-05-04

Abstract

本发明涉及对等网络（Peer-to-Peer,P2P）技术领域，尤其涉及一种无结构P2P网络的基于兴趣的自适应拓扑优化方法。本发明在搜索过程中根据节点共享内容的兴趣相似性动态调整节点之间的连接，添加兴趣相近的节点作为其直接邻居而断掉兴趣差异较大的逻辑连接，引导查询快速的发现目标资源，包括缓存表的更新、相似度的计算、添加连接、替换连接。本发明解决了搜索过程中开销过大和搜索效率低下的问题，能根据节点的即时兴趣，自适应的添加兴趣相似的节点作为直接邻居并删除兴趣差异较大的邻居，能显著提高搜索效率并节省网络开销。

Description

一种无结构P2P网络的基于兴趣的自适应拓扑优化方法

技术领域

本发明涉及对等网络(Peer-to-Peer，P2P)技术领域，尤其涉及一种无结构P2P网络的基于兴趣的自适应拓扑优化方法。

背景技术

P2P技术已经被证实是能够实施分布式应用的一种有效方式，而部署在Internet上的最主要的P2P应用还是P2P文件共享系统，它提供了一种大规模异构环境下资源共享的有效途径，只要用户给出所需资源的关键字描述，P2P系统就能返回一组符合用户需求的资源列表。因此，P2P系统中资源搜索的效率直接决定着系统的可用性，而资源搜索是要以一定的覆盖网络拓扑结构为前提的，好的覆盖网络拓扑能够减少查询中冗余消息的数量直接影响网络的通信负载，对P2P系统的性能起着决定性的影响。因此，P2P系统的一个最核心的问题就是如何构建覆盖网络拓扑使其能快速地响应用户的资源请求，同时降低网络带宽消耗，保证系统可扩展性。

构建覆盖网络拓扑的本质是让网络中的每个节点分别存储网络中部分节点的信息，通过节点间的合作转发在覆盖网中实现路由，从而能够为丰富多样的P2P应用提供支持。因此，覆盖网络的构建效率对整个P2P系统的运作有着重大影响。当前P2P网络根据其覆盖拓扑结构的不同主要分为集中式P2P网络、无结构P2P网络、有结构P2P网络三种。由于基于DHT的有结构P2P系统只能支持精确的对象键值搜索，缺乏模糊搜索能力并且维护开销过大，而无结构P2P系统具有容错性好，能够支持复杂查询、灵活等更优的特性使得这类系统得到了广泛的应用。无结构P2P网络中节点之间采用随机图的方式进行组织，每个节点随机接入网络，并与自己的邻居节点通过端到端连接构成一个逻辑覆盖网络，查询消息在结点之间转发实现匹配检索。但是无结构网络中结点之间的逻辑拓扑关系较为松散，结点之间随意互联组织成覆盖网络，节点的发现依赖于洪泛式的PING，PONG，这就给目标发现带来了相当的难度，资源搜索过程中消息的路由存在很大的盲目性，产生了大量低效冗余请求，严重限制了无结构化系统的伸缩性和可扩展性。为此需要对覆盖网络的构建进行优化，以提高搜索效率并减少网络的开销。

目前针对无结构P2P网络的拓扑优化技术主要分为三类：(1)基于拓扑特性的覆盖网络优化；(2)基于底层网络信息的覆盖网络优化；(3)基于被请求内容的覆盖网络优化。基于拓扑特性的覆盖网络优化技术是在覆盖网络中维护某种特殊的拓扑结构，利用该拓扑性质来达到提升资源搜索的效率。Brian F.Cooper提出优化无结构P2P拓扑为平方根拓扑就是基于拓扑特性优化的一种思想，它以降低搜索路径为目标，提出平方根规律的结点度分布优化策略，使每个节点的度和其共享文件的流行性系数的平方根成比例，但它做了很强的假设，一方面假设路径长度没有TTL限制，另一方面假设每个数据对象在系统中只有一个副本，这是不太现实的。这一类基于拓扑特性的覆盖网络优化方法都是通过加强覆盖拓扑性质来提高资源搜索的效率。但是这类方法也不可避免地具有与结构化P2P系统类似的缺点：1)在覆盖网络中维护特定的拓扑结构必然要付出相应的代价；2)面对动态的P2P环境，要想维持覆盖网络的拓扑性质同样需要付出相应的代价，在节点频繁离开/加入的情况下必须保持系统的连通性。另一类关于底层网络信息的拓扑优化是针对覆盖网络中节点间的协作忽略底层真实的物理网络的拓扑结构而提出的。

拓扑不匹配(Topology Mismatching)问题给底层基础设施带来很大的负担，它的高效解决可以使非结构化P2P系统更合理地使用底层的基础设施，增强系统的伸缩性。AOTO(参见文献1)就是针对拓扑不匹配问题提出的来动态优化逻辑拓扑以达到提高资源搜索的综合性能。AOTO包含两步：(1)有选择性的洪泛。每个节点和它的直接邻居间建立一个基于最小生成树的覆盖多播树，路由消息在树上传播可以大大减少通信开销并不缩小搜索范围。(2)主动拓扑。每一个节点独立的优化覆盖多播树，通过不断的替代位置较远的间接邻居作为其直接的逻辑邻居来减轻网络不匹配问题。这一类覆盖网络优化方法的基础都是通过网络中节点间的通信延迟来衡量节点间位置，不断的剔除中长距离低效的连接并添加近距离的高效连接来实现覆盖拓扑的优化，因此节点间通信延迟的获取是一个关键问题。特别是在网络动态变化的时候，很难在延迟信息的及时性和获取代价所需开销之间作出很好的平衡。并且，这一类方法操作很复杂，在实际使用中需要一个比较长的准备时间才能实现对覆盖网络进行优化。基于被请求内容的优化这一类技术提出的基础是来自P2P文件共享系统中资源的分布，节点的请求内容都具有某种客观规律，而不是完全随机的，这些在现有的覆盖网络构建策略中往往被忽略，导致系统中存在大量盲目、低效的请求。因此，我们可以对覆盖网络进行优化，利用系统中被请求内容的客观规律，为更高效的目标搜索提供充分的支持。现有的方法主要是将节点按照请求内容的相关性进行分簇，使相同兴趣的节点都在同一个簇中。由于节点的兴趣随时会发生改变，而且一个节点可能会有多种兴趣，使得分簇的实际效果并不是很明显。

文献1：adaptive overlay topology optimization in unstructured P2P systems.Global Telecommunications Conference，2003.GLOBECOM′03.IEEE.

发明内容

针对上述存在的技术问题，本发明的目的是提供一种无结构P2P网络的基于兴趣的自适应拓扑优化方法，该方法在搜索过程中根据节点共享内容的兴趣相似性动态调整节点之间的连接，添加兴趣相近的节点作为其直接邻居而断掉兴趣差异较大的逻辑连接，引导查询快速的发现目标资源，不仅可以提高搜索成功率，而且网络消耗较小，显著提高资源搜索的性能。

为达到上述目的，本发明采用如下的技术方案：

①缓存表的更新步骤，该步骤中每个节点维护一个缓存表，缓存表中存放的是从该节点发起查询的命中节点的信息，包含节点ID、共享的文件信息和权重，节点的权重与节点的命中次数有关，动态反应该节点相对于查询发起节点在当前周期的重要性；

②相似度的计算步骤，该步骤中每个节点都定义自己的兴趣向量，通过向量运算获得节点之间的兴趣相似度；

③添加连接步骤，该步骤将兴趣相似度大的节点添加到自己的邻居列表中；

④替换连接步骤，该步骤将兴趣相似度较小的节点从自己的邻居中替换掉。

所述步骤①中节点缓存表条目中的权重字段是一个(0，1)之间的数字，权重越大的节点命中的几率越大，越可能与其建立直接连接，节点权重计算表达式为：

{CW}_{T} (u, p_{a}) = α \times {CW}_{T - 1} (u, p_{a}) + (1 - α) \times \frac{Hit (p_{a})}{\underset{T}{Σ} Query {Num}_{u}}

其中u是当前节点，P_a是节点u缓存表中的节点。CW_T-1(u，p_a)代表节点在上一周期T-1的权重值，为节点u在当前周期发起的查询次数，Hit(p_a)代表在当前周期T命中u发起的查询次数，α是参数满足0＜α＜1，α取值和节点的兴趣转移频率有关，当节点兴趣频繁转移时，α在(0，0.5)之间取值，否则在(0.5，1)之间取值。

所述步骤②中假设系统中节点共享的文件根据语义划分为本体集T＝{T₁，T₂，L T_n}，对于任何一个节点u∈V，节点u的兴趣定义为I_u＝{<t₁，w_a，1>，<t₂，w_a，2>，L<t_i，w_a，i>}，其中t代表语义类别，t∈T，w代表该语义类别的权重，w∈(0，1)；

假定节点u的兴趣向量为{<t₁，w_u，1>，<t₂，w_u，2>，L<t_i，w_u，i>}，节点v的兴趣向量为{<t₁，w_v，1>，<t₂，w_v，2>，L<t_j，w_v，j>}，则节点u和v的兴趣相似度计算为：

SimIn (u, v) = \frac{Σ_{m = 1}^{i} w_{u, m} \times w_{v, k}}{\sqrt{Σ_{k = 1}^{i} {w^{2}}_{u, i}} \times \sqrt{Σ_{k = 1}^{j} {w^{2}}_{v, j}}} .

所述步骤③中，如果节点当前连接未超过其最大连接上限，则节点从缓存表中选取权值超过阈值W_Threshold的最大非邻居节点直接建立连接。

所述步骤④中，当节点的邻居总数达到其最大连接上限，节点添加新连接时需替换掉一条旧的连接，假定在节点u的缓存表中选择待建立连接的节点为P_k，而选择待删除的邻居节点为v，只要满足：

SatAll(u，P_k，v)＞SatAll(u，v，P_k)

则P_k可以替换v，其中SatAll(u，P_k，v)为节点P_k的全局满意度，SatAll(u，v，P_k)为节点v的全局满意度。

①假定当前节点为u，从u的缓存表中选取权值超过阈值W_Threshold的最大非邻居节点k，所述W_Threshold是系统配置的参数；

②如果节点u没有达到其最大连接数，则插入节点k到邻居列表中将k作为直接邻居，否则，转步骤③；

③从邻居列表中选择相似度小于阈值N_Threshold的权值相似度最小的节点假定为v；

④计算节点k的全局满意度SatAll(u，k，v)；

⑤计算节点v的全局满意度SatAll(u，v，k)；

⑥比较节点k的全局收益是否大于节点v的全局收益，如果满足则将节点u的邻居v替换为k。否则，转步骤⑦；

⑦从u的邻居中选取相似度次小的节点v，转步骤④。

所述步骤①中，每个节点都有一个缓存表存放由该节点发起的查询而命中的节点信息，包含节点的ID，节点所负载的文件信息和节点的权重值。

所述步骤②中，每个节点都有一个邻居列表，记录自己的直接邻居信息，节点所能承受的最大连接的数目L可以计算为：

L = \frac{C}{W}

其中C为节点的容量，W为建立一条连接所需的平均带宽。

所述步骤⑥中，一旦找到一个节点v的全局收益小于步骤①中选出的节点k的全局收益，则不需要再在邻居列表中找相似度次小的邻居节点。

所述步骤④和步骤⑤中的全局满意度计算公式为：

SatAll (u, P_{k}, v) = \frac{SatLocal (u, P_{k}) + SatLocal (P_{k}, v)}{2}

定义节点的局部满意度，假定节点u的缓存表中有节点P_k，则节点P_k相对于节点u的局部满意度为：

SatLocal(u，P_k)＝βSimIn(u，P_k)+(1-β)CW_T(u，P_k)

其中β是参数，并且0＜β＜1，其中

SimIn (u, v) = \frac{Σ_{m = 1}^{i} w_{u, m} \times w_{v, k}}{\sqrt{Σ_{k = 1}^{i} {w^{2}}_{u, i}} \times \sqrt{Σ_{k = 1}^{j} {w^{2}}_{v, j}}}

表示节点间的兴趣相似度；

节点权重为：

{CW}_{T} (u, p_{a}) = α \times {CW}_{T - 1} (u, p_{a}) + (1 - α) \times \frac{Hit (p_{a})}{\underset{T}{Σ} Query {Num}_{u}} .

本发明具有以下优点和积极效果：

1)本发明和无结构P2P系统的拓扑相比，能解决搜索过程中开销过大和搜索效率低下的问题；

2)本发明能根据节点的即时兴趣，自适应的添加兴趣相似的节点作为直接邻居并删除兴趣差异较大的邻居，能显著提高搜索效率并节省网络开销。

附图说明

图1是本发明提供的无结构P2P网络的基于兴趣的自适应拓扑优化方法的流程图。

具体实施方式

本发明提供的无结构P2P网络的基于兴趣的自适应拓扑优化方法，具体包括：

(1)缓存表的更新：每个节点维护一个缓存表，缓存表中存放的是从该节点发起查询的命中节点的信息，包含节点ID、共享的文件信息和权重。节点的权重与节点的命中次数有关，动态反应该节点相对于查询发起节点在当前周期的重要性。

(2)相似度的计算：每个节点都定义自己的兴趣向量，可以通过向量运算获得节点之间的兴趣相似度。

(3)添加连接：将兴趣相似度大的节点添加到自己的邻居列表中。

(4)替换连接：将兴趣相似度较小的节点从自己的邻居中替换掉。

在上述基于兴趣的自适应拓扑优化方法的步骤(1)中，节点缓存表条目中的权重字段是一个(0，1)之间的数字，权重越大的节点命中的几率越大，越可能与其建立直接连接。缓存表按权重降序排序，并且大小固定，最大条目数目为M，当缓存满时使用LRU替换策略。由于缓存表中存放的是命中节点的信息，所以每当有节点命中时，需要对缓存表进行更新。当节点第一次出现在缓存表中，需要记录下节点ID，共享文件的信息并计算权重，如果节点已经存在于缓存表中，则只需更新其权重即可。节点权重计算表达式为：

{CW}_{T} (u, p_{a}) = α \times {CW}_{T - 1} (u, p_{a}) + (1 - α) \times \frac{Hit (p_{a})}{\underset{T}{Σ} Query {Num}_{u}}

其中u是当前节点，P_a是节点u缓存表中的节点。CW_T-1(u，p_a)代表节点在上一周期T-1的权重值，

为节点u在当前周期发起的查询次数，Hit(p_a)代表在当前周期T命中u发起的查询次数。α是参数满足0＜α＜1。α取值和节点的兴趣转移频率有关。当节点兴趣频繁转移时，α在(0，0.5]之间取值，否则在(0.5，1]之间取值。

在上述基于兴趣的自适应拓扑优化方法的步骤(2)中，假设系统中节点共享的文件根据语义划分为本体集T＝{T₁，T₂，L T_n}。对于任何一个节点u∈V，节点u的兴趣定义为I_u＝{<t₁，w_a，1>，<t₂，w_a，2>，L<t_i，w_a，i>}，其中t代表语义类别，t∈T，w代表该语义类别的权重，w∈(0，1)。由于每个节点都有自己的兴趣向量，因此可以通过向量运算获得节点的兴趣相似度。

SimIn (u, v) = \frac{Σ_{m = 1}^{i} w_{u, m} \times w_{v, k}}{\sqrt{Σ_{k = 1}^{i} {w^{2}}_{u, i}} \times \sqrt{Σ_{k = 1}^{j} {w^{2}}_{v, j}}}

在上述基于兴趣的自适应拓扑优化方法的步骤(3)中，如果节点当前连接未超过其最大连接上限，则节点从缓存表中选取权值超过阈值W_Threshold的最大非邻居节点直接建立连接。

在上述基于兴趣的自适应拓扑优化方法的步骤(4)中，一旦节点的邻居总数达到其最大连接上限，节点添加新连接时必须替换掉一条旧的连接。这时，需要考虑添加这样的一条新连接给双方带来的收益是否比待替换的连接的收益要大。如果新添加的连接确实给双方带来了更大的收益，则可以创建这条连接替换旧的连接，否则就不必建立此连接。因此，我们定义节点的局部满意度，假定节点u的缓存表中有节点P_k，则节点P_k相对于节点u的局部满意度为：

SatLocal(u，P_k)＝βSimIn(u，P_k)+(1-β)CW_T(u，P_k)

其中β是参数，并且0＜β＜1。

节点的全局满意度定义为：

SatAll (u, P_{k}, v) = \frac{SatLocal (u, P_{k}) + SatLocal (P_{k}, v)}{2}

在节点u的缓存表中选择待建立连接的节点P_k方法同上节所述，而选择待删除的邻居节点是在邻居节点列表中挑选与其相似度最小并小于阈值N_Threshold的节点，假定为v，要用u→p_k这条新连接取代u→v这条旧连接，就必须保证加入节点P_k给节点u，v带来的收益比原来连接收益的要大，即满足：

SatAll(u，P_k，v)＞SatAll(u，v，P_k)

如果邻居列表中相似度最小的节点不满足条件，则依次选择相似度次小的节点来判断。如果没有找到一个满足条件的节点，则说明新建立的连接不能带来更多的收益，不必建立新连接。

下面以具体实施例结合附图对本发明作进一步说明：

基于兴趣的自适应拓扑优化方法其流程如图1所示，包括以下步骤：

(1)假定当前节点为u，从u的缓存表中选取权值超过阈值W_Threshold的最大非邻居节点k。

(2)如果节点u没有达到其最大连接数，则插入节点k到邻居列表中将k作为直接邻居，否则，转步骤(3)。

(3)从邻居列表中选择相似度小于阈值N_Threshold的权值相似度最小的节点假定为v。

(4)计算节点k的全局满意度SatAll(u，k，v)。

(5)计算节点v的全局满意度SatAll(u，v，k)。

(6)比较节点k的全局收益是否大于节点v的全局收益，如果满足则将节点u的邻居v替换为k。否则，转步骤(7)。

(7)从u的邻居中选取相似度次小的节点v，转步骤(4)。

在步骤(1)中，每个节点都有一个缓存表存放由该节点发起的查询而命中的节点信息，包含节点的ID，节点所负载的文件信息和节点的权重值。W_Threshold是系统配置的参数。

在步骤(2)中，每个节点都有一个邻居列表，记录自己的直接邻居信息。节点所能承受的最大连接的数目L可以计算为：

L = \frac{C}{W}

其中C为节点的容量，W为建立一条连接所需的平均带宽。

在步骤(6)中一旦找到一个节点v的全局收益小于步骤(1)中选出的节点k的全局收益，则不需要再在邻居列表中找相似度次小的邻居节点。

从步骤(7)到步骤(4)是一个不断循环查找节点的过程，如果在循环过程中找不到满足条件的邻居节点v，则不进行替换操作。

以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变型，因此所有等同的技术方案，都落入本发明的保护范围。

Claims

1.一种无结构P2P网络的基于兴趣的自适应拓扑优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的无结构P2P网络的基于兴趣的自适应拓扑优化方法，其特征在于：

{CW}_{T} (u, p_{a}) = α \times {CW}_{T - 1} (u, p_{a}) + (1 - α) \times \frac{Hit (p_{a})}{\underset{T}{Σ} Query {Num}_{u}}

为节点u在当前周期发起的查询次数，Hit(p_a)代表在当前周期T命中u发起的查询次数，α是参数满足0＜α＜1，α取值和节点的兴趣转移频率有关，当节点兴趣频繁转移时，α在(0，0.5)之间取值，否则在(0.5，1)之间取值。

3.根据权利要求1或2所述的无结构P2P网络的基于兴趣的自适应拓扑优化方法，其特征在于：

SimIn (u, v) = \frac{Σ_{m = 1}^{i} w_{u, m} \times w_{v, k}}{\sqrt{Σ_{k = 1}^{i} {w^{2}}_{u, i}} \times \sqrt{Σ_{k = 1}^{j} {w^{2}}_{v, j}}} .

4.根据权利要求1或2所述的无结构P2P网络的基于兴趣的自适应拓扑优化方法，其特征在于：

5.根据权利要求1-3中任一项所述的无结构P2P网络的基于兴趣的自适应拓扑优化方法，其特征在于：

SatAll(u，P_k，v)＞SatAll(u，v，P_k)

6.一种无结构P2P网络的基于兴趣的自适应拓扑优化方法，其特征在于，包括以下步骤：

④计算节点k的全局满意度SatAll(u，k，v)；

⑤计算节点v的全局满意度SatAll(u，v，k)；

⑦从u的邻居中选取相似度次小的节点v，转步骤④。

7.根据权利要求6所述的无结构P2P网络的基于兴趣的自适应拓扑优化方法，其特征在于：

8.根据权利要求6或7所述的无结构P2P网络的基于兴趣的自适应拓扑优化方法，其特征在于：

L = \frac{C}{W}

其中C为节点的容量，W为建立一条连接所需的平均带宽。

9.根据权利要求6或7所述的无结构P2P网络的基于兴趣的自适应拓扑优化方法，其特征在于：

10.根据权利要求6-9中任一项所述的无结构P2P网络的基于兴趣的自适应拓扑优化方法，其特征在于：

所述步骤④和步骤⑤中的全局满意度计算公式为：

SatAll (u, P_{k}, v) = \frac{SatLocal (u, P_{k}) + SatLocal (P_{k}, v)}{2}

SatLocal(u，P_k)＝βSimIn(u，P_k)+(1-β)CW_T(u，P_k)

其中β是参数，并且0＜β＜1，其中

SimIn (u, v) = \frac{Σ_{m = 1}^{i} w_{u, m} \times w_{v, k}}{\sqrt{Σ_{k = 1}^{i} {w^{2}}_{u, i}} \times \sqrt{Σ_{k = 1}^{j} {w^{2}}_{v, j}}}

表示节点间的兴趣相似度；

节点权重为：

{CW}_{T} (u, p_{a}) = α \times {CW}_{T - 1} (u, p_{a}) + (1 - α) \times \frac{Hit (p_{a})}{\underset{T}{Σ} Query {Num}_{u}} .