CN105227401A - 一种一致性程度的评估方法及系统 - Google Patents

Abstract

本发明提供一种一致性程度的评估方法及系统，方法包括：在当前网络所包括的多个节点中选择设定个数的节点，将选择的该设定个数的节点状态分别设置为传染状态，以使对应传染状态的节点在当前网络中分别向邻居节点传播数据副本的更新消息；在当前网络中选择任意一个目标节点，计算所述目标节点分别处于易感状态、传染状态、免疫状态的概率；根据计算结果，计算在传播结束后当前网络中免疫状态的节点的密度。根据本方案，可以快速实现对网络一致性程度的评估。

Description

一种一致性程度的评估方法及系统

技术领域

本发明涉及计算机技术领域，特别涉及一种一致性程度的评估方法及系统。

背景技术

随着计算机技术的飞速发展，互联网环境中存在容量巨大、形式多样、分散存储的数据资源，对于这些数据资源实施有效的管理是一个挑战性问题。为了在数据管理中提高数据可用性、减少网络流量、增强数据访问性能，在跨域云数据中心中引入了副本管理技术。

目前，有人在分布式网络中提出一种CAP理论，是指一致性(Consistency)、可用性(Availability)和分区容错性(TolerancetoPartitions)，其内容包括：当应用系统变得越来越web化时，在分区容错性一定的情况下，无法同时保证数据的一致性(dataconsistency)和高可用性(highavailability)。其中，CAP理论的核心是需要在高可用性和一致性上实现一种平衡策略，以达到最终一致性。

在对分布式网络中各个节点中的数据进行更新时，需要进行更新消息的传播，如何保证在传播结束后，实现分布式网络中较高的一致性程度，成为当前云计算中的一个研究热点。其中，一致性程度与下面几个参数有关：节点向邻居节点传播更新消息的次数、邻居节点接收到更新消息并成功进行更新的概率、节点不再向邻居节点传播更新消息的概率。目前，尚未提出一种一致性程度的评估方法，以确定上述几个参数的设定所能够实现的一致性程度。

发明内容

有鉴于此，本发明提供一种一致性程度的评估方法及系统，以快速实现对一致性程度的评估。

本发明提供了一种一致性程度的评估方法，包括：

在当前网络所包括的多个节点中选择设定个数的节点，将选择的该设定个数的节点状态分别设置为传染状态，以使对应传染状态的节点在当前网络中分别向邻居节点传播数据副本的更新消息；

在当前网络中选择任意一个目标节点，计算所述目标节点分别处于易感状态、传染状态、免疫状态的概率；

根据计算结果，计算在传播结束后当前网络中免疫状态的节点的密度；

其中，在初始状态下，当前网络所包括的每一个节点均对应易感状态；其中，易感状态用于表征节点尚未接收到数据副本的更新消息，传染状态用于表征节点已成功对其存储的数据副本进行了更新，免疫状态用于表征节点不再向邻居节点传播更新消息。

优选地，

所述计算所述目标节点处于易感状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于易感状态的概率I^v(t+1)：

$I^v(t+1)=I^v\left(t\right)\×q_v^{ii}\left(t\right)$

其中，I^v(t)用于表征所述目标节点v在(t)时刻处于易感状态的概率，用于表征所述目标节点v在(t)时刻不被传染的概率；其中，

$q_v^{ii}\left(t\right)=\underset{j}{\overset{N}{\Π}}(1-{\mathrm{\λr}}_{jv}{S}_j(t\left)\right)$

$r_{jv}=1-{(1-\frac{w_{jv}}{w_j})}^{\mathrm{\μ}}$

w_j＝Σ_vw_jv

其中，S_j(t)用于表征所述目标节点v的邻居节点j在(t)时刻处于传染状态的概率；λ用于表征邻居节点j的状态成为传染状态的概率；μ用于表征所述目标节点v向周围的邻居节点传播数据副本的更新消息的次数，每一次向一个邻居节点传播数据副本的更新消息；N用于表征当前网络中所包括的节点的总个数；

所述计算所述目标节点处于传染状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于传染状态的概率S^v(t+1)：

$S^v(t+1)=I^v\left(t\right)\×q_v^{is}\left(t\right)+S^v\left(t\right)\×q_v^{ss}\left(t\right)$

$q_v^{is}\left(t\right)=1-q_v^{ii}\left(t\right)$

$q_v^{ss}\left(t\right)=\underset{j}{\overset{N}{\Π}}(1-{\mathrm{\αr}}_{jv}(S_j\left(t\right)+R_j\left(t\right)\left)\right)$

其中，S^v(t)用于表征所述目标节点v在(t)时刻处于传染状态的概率，用于表征所述目标节点v在(t)时刻依然是传染状态的概率；α用于表征所述目标节点v成为免疫状态的概率；R_j(t)用于表征所述目标节点v的邻居节点j在(t)时刻处于免疫状态的概率；

所述计算所述目标节点处于免疫状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于免疫状态的概率R^v(t+1)：

$R^v(t+1)=R^v\left(t\right)+S^v\left(t\right)\×q_v^{sr}\left(t\right)$

其中，R^v(t)用于表征所述目标节点v在(t)时刻处于免疫状态的概率，其中，

$q_v^{sr}\left(t\right)=1-q_v^{ss}\left(t\right)$

其中，用于表征所述目标节点v在(t)时刻的状态成为免疫状态的概率。

优选地，利用下式计算邻居节点j的状态成为传染状态的概率λ：

λ＝w_b×b+w_e×e+w_l×l

其中，b用于表征所述目标节点v与邻居节点j之间的带宽；e用于表征所述目标节点v与邻居节点j之间的故障率；l用于表征所述目标节点v与邻居节点j之间的负载；w_b用于表征所述目标节点v与邻居节点j之间带宽b的权值；w_e用于表征所述目标节点v与邻居节点j之间故障率e的权重；w_l用于表征所述目标节点v与邻居节点j之间负载l的权重。

优选地，所述计算在传播结束后当前网络中免疫状态的节点的密度，包括：

对计算所述目标节点v在(t+1)时刻处于易感状态的概率的公式、计算所述目标节点v在(t+1)时刻处于传染状态的概率的公式、以及计算所述目标节点v在(t+1)时刻处于免疫状态的概率的公式进行数值计算，以计算出R^v；

根据计算出的R^v，通过下式计算在传播结束后当前网络中免疫状态的节点的密度：

${\mathrm{\ρ}}^r=\frac{1}{N}\underset{v=1}{\overset{N}{\Σ}}{R}^v$

其中，R^v为当前网络中的所述目标节点v处于免疫状态的概率。

优选地，进一步包括：

利用蒙特卡洛随机模拟方式在当前网络中传播数据副本的更新消息，并在传播结束后，计算当前网络中免疫状态的节点的个数，与当前网络中所包括的节点的总个数的比值，以利用该比值对计算的所述免疫状态的节点的密度进行验证。

本发明还提供了一种一致性程度的评估系统，包括：

第一选择单元，用于在当前网络所包括的多个节点中选择设定个数的节点，将选择的该设定个数的节点状态分别设置为传染状态，以使对应传染状态的节点在当前网络中分别向邻居节点传播数据副本的更新消息；

第二选择单元，用于在当前网络中选择任意一个目标节点；

第一计算单元，用于计算所述目标节点分别处于易感状态、传染状态、免疫状态的概率；

第二计算单元，用于根据第一计算单元的计算结果，计算在传播结束后当前网络中免疫状态的节点的密度；

其中，在初始状态下，当前网络所包括的每一个节点均对应易感状态；其中，易感状态用于表征节点尚未接收到数据副本的更新消息，传染状态用于表征节点已成功对其存储的数据副本进行了更新，免疫状态用于表征节点不再向邻居节点传播更新消息。

优选地，

所述第一计算单元，具体用于计算所述目标节点处于易感状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于易感状态的概率I^v(t+1)：

$I^v(t+1)=I^v\left(t\right)\×q_v^{ii}\left(t\right)$

其中，I^v(t)用于表征所述目标节点v在(t)时刻处于易感状态的概率，用于表征所述目标节点v在(t)时刻不被传染的概率；其中，

$q_v^{ii}\left(t\right)=\underset{j}{\overset{N}{\Π}}(1-{\mathrm{\λr}}_{jv}{S}_j(t\left)\right)$

$r_{jv}=1-{(1-\frac{w_{jv}}{w_j})}^{\mathrm{\μ}}$

w_j＝Σ_vw_jv

其中，S_j(t)用于表征所述目标节点v的邻居节点j在(t)时刻处于传染状态的概率；λ用于表征邻居节点j的状态成为传染状态的概率；μ用于表征所述目标节点v向周围的邻居节点传播数据副本的更新消息的次数，每一次向一个邻居节点传播数据副本的更新消息；N用于表征当前网络中所包括的节点的总个数；

所述第一计算单元，具体用于计算所述目标节点处于传染状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于传染状态的概率S^v(t+1)：

$S^v(t+1)=I^v\left(t\right)\×q_v^{is}\left(t\right)+S^v\left(t\right)\×q_v^{ss}\left(t\right)$

$q_v^{is}\left(t\right)=1-q_v^{ii}\left(t\right)$

$q_v^{ss}\left(t\right)=\underset{j}{\overset{N}{\Π}}(1-{\mathrm{\αr}}_{jv}(S_j\left(t\right)+R_j\left(t\right)\left)\right)$

其中，S^v(t)用于表征所述目标节点v在(t)时刻处于传染状态的概率，用于表征所述目标节点v在(t)时刻依然是传染状态的概率；α用于表征所述目标节点v成为免疫状态的概率；R_j(t)用于表征所述目标节点v的邻居节点j在(t)时刻处于免疫状态的概率；

所述第一计算单元，具体用于计算所述目标节点处于免疫状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于免疫状态的概率R^v(t+1)：

$R^v(t+1)=R^v\left(t\right)+S^v\left(t\right)\×q_v^{sr}\left(t\right)$

其中，R^v(t)用于表征所述目标节点v在(t)时刻处于免疫状态的概率，其中，

$q_v^{sr}\left(t\right)=1-q_v^{ss}\left(t\right)$

其中，用于表征所述目标节点v在(t)时刻的状态成为免疫状态的概率。

优选地，所述第一计算单元，用于利用下式计算邻居节点j的状态成为传染状态的概率λ：

λ＝w_b×b+w_e×e+w_l×l

其中，b用于表征所述目标节点v与邻居节点j之间的带宽；e用于表征所述目标节点v与邻居节点j之间的故障率；l用于表征所述目标节点v与邻居节点j之间的负载；w_b用于表征所述目标节点v与邻居节点j之间带宽b的权值；w_e用于表征所述目标节点v与邻居节点j之间故障率e的权重；w_l用于表征所述目标节点v与邻居节点j之间负载l的权重。

优选地，

所述第二计算单元，具体用于对计算所述目标节点v在(t+1)时刻处于易感状态的概率的公式、计算所述目标节点v在(t+1)时刻处于传染状态的概率的公式、以及计算所述目标节点v在(t+1)时刻处于免疫状态的概率的公式进行数值计算，以计算出R^v；根据计算出的R^v，通过下式计算在传播结束后当前网络中免疫状态的节点的密度：

${\mathrm{\ρ}}^r=\frac{1}{N}\underset{v=1}{\overset{N}{\Σ}}{R}^v$

其中，R^v为当前网络中的所述目标节点v处于免疫状态的概率。

优选地，进一步包括：

验证单元，用于利用蒙特卡洛随机模拟方式在当前网络中传播数据副本的更新消息，并在传播结束后，计算当前网络中免疫状态的节点的个数，与当前网络中所包括的节点的总个数的比值，以利用该比值对计算的所述免疫状态的节点的密度进行验证。

本发明实施例提供了一种一致性程度的评估方法及系统，通过在当前网络中所包括的多个节点中选择设定个数的节点，以将选择的这些节点的状态分别设置为传染状态，并通过计算当前网络中任意选择的一个目标节点分别处于易感状态、传染状态、免疫状态的概率，以进一步计算在传播结束后当前网络中免疫状态的节点的密度，从而确定出当前网络中在进行传播结束后一致性程度，无需在当前网络中进行实际传播，即可快速实现对一致性程度的评估。

附图说明

图1是本发明实施例提供的方法流程图；

图2是本发明另一实施例提供的方法流程图；

图3是本发明实施例提供的评估系统的硬件架构图；

图4是本发明实施例提供的评估系统的结构图；

图5是本发明另一实施例提供的评估系统的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供了一种一致性程度的评估方法，该方法可以包括以下步骤：

步骤101：在当前网络所包括的多个节点中选择设定个数的节点，将选择的该设定个数的节点状态分别设置为传染状态，以使对应传染状态的节点在当前网络中分别向邻居节点传播数据副本的更新消息。

步骤102：在当前网络中选择任意一个目标节点，计算目标节点分别处于易感状态、传染状态、免疫状态的概率。

步骤103：根据计算结果，计算在传播结束后当前网络中免疫状态的节点的密度。

其中，在初始状态下，当前网络所包括的每一个节点均对应易感状态；其中，易感状态用于表征节点尚未接收到数据副本的更新消息，传染状态用于表征节点已成功对其存储的数据副本进行了更新，免疫状态用于表征节点不再向邻居节点传播更新消息。

根据本方案，通过在当前网络中所包括的多个节点中选择设定个数的节点，以将选择的这些节点的状态分别设置为传染状态，并通过计算当前网络中任意选择的一个目标节点分别处于易感状态、传染状态、免疫状态的概率，以进一步计算在传播结束后当前网络中免疫状态的节点的密度，从而确定出当前网络中在进行传播结束后一致性程度，无需在当前网络中进行实际传播，即可快速实现对一致性程度的评估。

为使本发明的目的、技术方案和优点更加清楚，下面结合附图及具体实施例对本发明作进一步地详细描述。

网络的一致性程度与，如图2所示，本发明实施例提供了一种一致性程度的评估方法，该方法可以包括以下步骤：

步骤201：确定当前网络中所包括的节点的总个数N。

在本实施例中，可以包括一个待进行一致性程度评估的网络，也可以是利用MATLAB生成的一个虚拟网络，目的在于通过设定的一些参数，以快速确定这些参数使网络达到的一致性程度。

例如，当前网络中所包括的节点的总个数N为500。

在本实施例中，当前网络的网络类型包括分布式网络。若当前网络中的节点是利用MATLAB生成的，那么需要按照小世界网络、无标度网络等拓扑规则对生成的节点之间进行连边。

步骤202：对网络中各个节点之间的带宽b、故障率e、负载l进行赋值，以及对每一个节点向周围的邻居节点传播数据副本的更新消息的次数μ、每一个节点成为免疫状态的概率α进行赋值。

步骤203：根据网络中各个节点之间的带宽b、故障率e、负载l，计算邻居节点的状态成为传染状态的概率λ。

在本实施例中，影响网络一致性程度取决于三个参数：μ、λ、α。

其中，μ值可以根据网络的情况进行人工设置，μ用于表征每一个节点向周围的邻居节点传播数据副本的更新消息的次数，在理论上，该次数越多能够到达一致性程度越高，但是次数越多往往越会加重网络负载，因此，根据以往经验可以设定μ值为3。

其中，α用于表征每一个节点成为免疫状态的概率，在理论上，该值越小越好，然而，网络中传播终止的条件是网络中不再存在传染状态的节点，只存在易感状态的节点和免疫状态的节点。而更小的α值往往意味着节点会一直不成为免疫状态，导致传播过程不断重复迭代。因此，该α值可以设置为0.5。

本实施例中，若网络中包括有N个节点，那么网络的邻接矩阵就可以表示为N-by-N的矩阵，矩阵元素是a_vj，如果节点v与节点j是邻居节点，那么a_vj等于1，反之，则a_vj等于0。

其中，λ用于表征邻居节点的状态成为传染状态的概率，其中，该λ值受带宽b、故障率e、以及节点负载l的影响较大，可以通过设定带宽b、故障率e、以及节点负载l分别对应的权重w_b、w_e、w_l，以利用权重来计算λ值。

在本实施例中，可以通过下式(1)计算该λ值：

λ＝w_b×b+w_e×e+w_l×l(1)

其中，影响成功传播最大的参数为故障率e，因此可以设置w_b为0.3，w_e为0.5，w_l为0.2；b，e，l可以为归一化后的值。

步骤204：在网络中选择设定个数的节点，将选择的这些节点的状态设置为传染状态。

在本实施例中，根据网络中数据副本的更新过程，可以将更新过程中的节点分为三个状态，易感状态(Ignorant)、传染状态(Spreader)、免疫状态(Stifler)。

易感状态：是指节点尚未接收到数据副本的更新消息，存储的仍是历史版本数据。

传染状态：是指节点已成功对其存储的数据副本进行了更新，并且能够向其邻居节点发送数据副本的更新消息，以使邻居节点(若是易感状态的节点)进行数据副本的更新。

免疫状态：是指节点中存储的数据副本已经是最新的状态，为了节省网络带宽与保证节点负载均衡等问题，该节点不再向邻居节点传播更新消息。

其中，在进行数据副本的更新过程之前，需要在网络中选择设定个数的节点，先将这些节点中所存储的数据进行数据副本的更新，即将这些节点的状态转变为传染状态，然后由传染状态的这些节点在网络中传播数据副本的更新消息，以实现网络中其他节点的数据副本的更新。

若在网络中选择较少个数的节点将其节点状态设置为传染状态，在后续传播过程中，可能会导致传播结束后一致性程度较低；若在网络中选择较多个数的节点将其节点状态设置为传染状态，则会在一定程度上影响传播效率。

因此，该设定个数可以设置为5％。

步骤205：计算目标节点分别处于易感状态、传染状态、免疫状态的概率。

在本实施例中，由于节点中存储数据的更新及传播是一个典型的社会复杂系统的演化过程，具有复杂系统理论所认为的一切复杂系统的特征，所以可以利用复杂网络理论新成果、复杂网络的许多性质和结论，采用人工生命方法建立节点更新请求传播的微观Agent模型来模拟单独节点的行为模式以及节点之间的交互过程，通过它们的相互作用涌现出宏观网络中所有节点状态发展变化的态势。

在本实施例中，假设任意时刻(t)，在网络中选择一个目标节点v，该目标节点v分别处于易感状态、传染状态以及免疫状态的概率为I^v(t),S^v(t)以及R^v(t)，那么存在如下公式(2)：

I^v(t)+S^v(t)+R^v(t)＝1(2)

那么，在(t+1)时刻目标节点v分别处于易感状态、传染状态以及免疫状态的概率为I^v(t+1)、S^v(t+1)、R^v(t+1)。

本实施例中，可以根据下式(3)计算(t+1)时刻目标节点v处于易感状态的概率I^v(t+1)：

$I^v(t+1)=I^v\left(t\right)\×q_v^{ii}\left(t\right)\left(3\right)$

其中，用于表征目标节点v在(t)时刻不被传染的概率；其中，

$q_v^{ii}\left(t\right)=\underset{j}{\overset{N}{\Π}}(1-{\mathrm{\λr}}_{jv}{S}_j(t\left)\right)---\left(4\right)$

$r_{jv}=1-{(1-\frac{w_{jv}}{w_j})}^{\mathrm{\μ}}---\left(5\right)$

w_j＝Σ_vw_jv(6)

其中，S_j(t)用于表征所述目标节点v的邻居节点j在(t)时刻处于传染状态的概率；λ用于表征邻居节点j的状态成为传染状态的概率；r_jv用于表征目标节点v选择邻居节点j作为其邻居节点进行传播的概率；μ用于表征所述目标节点v向周围的邻居节点传播数据副本的更新消息的次数，每一次向一个邻居节点传播数据副本的更新消息。

本实施例中，可以根据下式计算(t+1)时刻目标节点v处于传染状态的概率S^v(t+1)：

$S^v(t+1)=I^v\left(t\right)\×q_v^{is}\left(t\right)+S^v\left(t\right)\×q_v^{ss}\left(t\right)---\left(7\right)$

$q_v^{is}\left(t\right)=1-q_v^{ii}\left(t\right)---\left(8\right)$

$q_v^{ss}\left(t\right)=\underset{j}{\overset{N}{\Π}}(1-{\mathrm{\αr}}_{jv}(S_j\left(t\right)+R_j\left(t\right)\left)\right)---\left(9\right)$

其中，S^v(t)用于表征目标节点v在(t)时刻处于传染状态的概率，用于表征所述目标节点v在(t)时刻依然是传染状态的概率；α用于表征所述目标节点v成为免疫状态的概率；R_j(t)用于表征所述目标节点v的邻居节点j在(t)时刻处于免疫状态的概率。用于表征目标节点v如果处于易感状态，那么在(t)时刻成功进行副本更新，成为传染状态的概率。用于表征目标节点v在(t)时刻不被其邻居节点影响而依然是传染状态的概率。

在本实施例中，可以通过下式计算目标节点v在(t+1)时刻处于免疫状态的概率R^v(t+1)：

$R^v(t+1)=R^v\left(t\right)+S^v\left(t\right)\×q_v^{sr}\left(t\right)---\left(10\right)$

其中，R^v(t)用于表征所述目标节点v在(t)时刻处于免疫状态的概率，其中，

$q_v^{sr}\left(t\right)=1-q_v^{ss}\left(t\right)---\left(11\right)$

其中，由于节点的传染状态只能变为免疫状态，用于表征如果目标节点v是传染状态，在(t)时刻的状态成为免疫状态的概率。

在本实施例中，存在如下公式(12)：

I^v(t+1)+S^v(t+1)+R^v(t+1)＝1(12)

步骤206：根据计算结果，计算在传播结束后当前网络中免疫状态的节点的密度。

在本实施例中，在一次传播结束时，网络中节点只存在两种状态：易感状态和免疫状态。

在步骤205中，可以利用MATLAB，对计算目标节点v在(t+1)时刻处于易感状态的概率的公式、计算所述目标节点v在(t+1)时刻处于传染状态的概率的公式、以及计算所述目标节点v在(t+1)时刻处于免疫状态的概率的公式进行数值计算，以计算出R^v。

根据计算出的R^v，通过下式计算在传播结束后当前网络中免疫状态的节点的密度：

${\mathrm{\ρ}}^r=\frac{1}{N}\underset{v=1}{\overset{N}{\Σ}}{R}^v---\left(13\right)$

其中，在传播结束后，当前网络中免疫状态的节点的密度即是此时网络中的一致性程度。

步骤207：利用蒙特卡洛随机模拟方式在当前网络中传播数据副本的更新消息，并在传播结束后，计算当前网络中免疫状态的节点的个数，与当前网络中所包括的节点的总个数的比值，以利用该比值对计算的所述免疫状态的节点的密度进行验证。

为了验证本实施例中计算公式的正确性，可以使用蒙特卡洛随机模拟方式，利用上述设定的参数数值对网络进行数据副本的更新传播，当传播结束后，计算网络中免疫状态的节点的个数与当前网络中所包括的节点的总个数的比值，若此时该比值与步骤206中计算结果在一个设定的误差范围内，则确定本实施例中的计算公式正确。

如图3、图4所示，本发明实施例提供了一种一致性程度的评估系统。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图3所示，为本发明实施例一致性程度的评估系统所在设备的一种硬件结构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图4所示，作为一个逻辑意义上的装置，是通过其所在设备的CPU将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。本实施例提供的一致性程度的评估系统包括：

第一选择单元401，用于在当前网络所包括的多个节点中选择设定个数的节点，将选择的该设定个数的节点状态分别设置为传染状态，以使对应传染状态的节点在当前网络中分别向邻居节点传播数据副本的更新消息；

第二选择单元402，用于在当前网络中选择任意一个目标节点；

第一计算单元403，用于计算所述目标节点分别处于易感状态、传染状态、免疫状态的概率；

第二计算单元404，用于根据第一计算单元的计算结果，计算在传播结束后当前网络中免疫状态的节点的密度；

其中，在初始状态下，当前网络所包括的每一个节点均对应易感状态；其中，易感状态用于表征节点尚未接收到数据副本的更新消息，传染状态用于表征节点已成功对其存储的数据副本进行了更新，免疫状态用于表征节点不再向邻居节点传播更新消息。

进一步地，所述第一计算单元403，具体用于计算所述目标节点处于易感状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于易感状态的概率I^v(t+1)：

$I^v(t+1)=I^v\left(t\right)\×q_v^{ii}\left(t\right)$

其中，I^v(t)用于表征所述目标节点v在(t)时刻处于易感状态的概率，用于表征所述目标节点v在(t)时刻不被传染的概率；其中，

$q_v^{ii}\left(t\right)=\underset{j}{\overset{N}{\Π}}(1-{\mathrm{\λr}}_{jv}{S}_j(t\left)\right)$

$r_{jv}=1-{(1-\frac{w_{jv}}{w_j})}^{\mathrm{\μ}}$

w_j＝Σ_vw_jv

其中，S_j(t)用于表征所述目标节点v的邻居节点j在(t)时刻处于传染状态的概率；λ用于表征邻居节点j的状态成为传染状态的概率；μ用于表征所述目标节点v向周围的邻居节点传播数据副本的更新消息的次数，每一次向一个邻居节点传播数据副本的更新消息；N用于表征当前网络中所包括的节点的总个数；

所述第一计算单元403，具体用于计算所述目标节点处于传染状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于传染状态的概率S^v(t+1)：

$S^v(t+1)=I^v\left(t\right)\×q_v^{is}\left(t\right)+S^v\left(t\right)\×q_v^{ss}\left(t\right)$

$q_v^{is}\left(t\right)=1-q_v^{ii}\left(t\right)$

$q_v^{ss}\left(t\right)=\underset{j}{\overset{N}{\Π}}(1-{\mathrm{\αr}}_{jv}(S_j\left(t\right)+R_j\left(t\right)\left)\right)$

其中，S^v(t)用于表征所述目标节点v在(t)时刻处于传染状态的概率，用于表征所述目标节点v在(t)时刻依然是传染状态的概率；α用于表征所述目标节点v成为免疫状态的概率；R_j(t)用于表征所述目标节点v的邻居节点j在(t)时刻处于免疫状态的概率；

所述第一计算单元403，具体用于计算所述目标节点处于免疫状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于免疫状态的概率R^v(t+1)：

$R^v(t+1)=R^v\left(t\right)+S^v\left(t\right)\×q_v^{sr}\left(t\right)$

其中，R^v(t)用于表征所述目标节点v在(t)时刻处于免疫状态的概率，其中，

$q_v^{sr}\left(t\right)=1-q_v^{ss}\left(t\right)$

其中，用于表征所述目标节点v在(t)时刻的状态成为免疫状态的概率。

进一步地，第一计算单元403，用于利用下式计算邻居节点j的状态成为传染状态的概率λ：

λ＝w_b×b+w_e×e+w_l×l

其中，b用于表征所述目标节点v与邻居节点j之间的带宽；e用于表征所述目标节点v与邻居节点j之间的故障率；l用于表征所述目标节点v与邻居节点j之间的负载；w_b用于表征所述目标节点v与邻居节点j之间带宽b的权值；w_e用于表征所述目标节点v与邻居节点j之间故障率e的权重；w_l用于表征所述目标节点v与邻居节点j之间负载l的权重。

进一步地，所述第二计算单元404，具体用于对计算所述目标节点v在(t+1)时刻处于易感状态的概率的公式、计算所述目标节点v在(t+1)时刻处于传染状态的概率的公式、以及计算所述目标节点v在(t+1)时刻处于免疫状态的概率的公式进行数值计算，以计算出R^v；根据计算出的R^v，通过下式计算在传播结束后当前网络中免疫状态的节点的密度：

${\mathrm{\ρ}}^r=\frac{1}{N}\underset{v=1}{\overset{N}{\Σ}}{R}^v$

其中，R^v为当前网络中的所述目标节点v处于免疫状态的概率。

在本发明一个实施例中，如图5所示，可以进一步包括：

验证单元501，用于利用蒙特卡洛随机模拟方式在当前网络中传播数据副本的更新消息，并在传播结束后，计算当前网络中免疫状态的节点的个数，与当前网络中所包括的节点的总个数的比值，以利用该比值对计算的所述免疫状态的节点的密度进行验证。

综上，本发明实施例至少可以实现如下有益效果：

1、本发明实施例中，通过在当前网络中所包括的多个节点中选择设定个数的节点，以将选择的这些节点的状态分别设置为传染状态，并通过计算当前网络中任意选择的一个目标节点分别处于易感状态、传染状态、免疫状态的概率，以进一步计算在传播结束后当前网络中免疫状态的节点的密度，从而确定出当前网络中在进行传播结束后一致性程度，无需在当前网络中进行实际传播，即可快速实现对一致性程度的评估。

2、本发明实施例中，由于一致性程度与邻居节点j的状态成为传染状态的概率λ、目标节点v向周围的邻居节点传播数据副本的更新消息的次数μ、目标节点v成为免疫状态的概率α有关，通过将设定的这些参数输入到MATLAB中以对网络的一致性程度进行评估，可以快速确定这些参数使得网络达到的一致性程度，从而可以根据本实施例确定能够使网络达到较高的一致性程度的参数设定值。

3、在本发明实施例中，为了保证本实施例提供的计算公式的正确性，可以利用蒙特卡洛随机模拟方式在当前网络中传播数据副本的更新消息，并在传播结束后，计算当前网络中免疫状态的节点的个数，与当前网络中所包括的节点的总个数的比值，以利用该比值对计算的所述免疫状态的节点的密度进行验证，通过该验证方式，可以得出本实施例的计算公式是正确的。

4、在本发明实施例中，该评估方法可以指导在不同运行环境、不同负载场景下的一致性策略选择，优化网络传输负载和保证满足一致性需求。

上述设备内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个······”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。

最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种一致性程度的评估方法，其特征在于，包括：

在当前网络所包括的多个节点中选择设定个数的节点，将选择的该设定个数的节点状态分别设置为传染状态，以使对应传染状态的节点在当前网络中分别向邻居节点传播数据副本的更新消息；

在当前网络中选择任意一个目标节点，计算所述目标节点分别处于易感状态、传染状态、免疫状态的概率；

根据计算结果，计算在传播结束后当前网络中免疫状态的节点的密度；

其中，在初始状态下，当前网络所包括的每一个节点均对应易感状态；其中，易感状态用于表征节点尚未接收到数据副本的更新消息，传染状态用于表征节点已成功对其存储的数据副本进行了更新，免疫状态用于表征节点不再向邻居节点传播更新消息。

2.根据权利要求1所述的方法，其特征在于，

所述计算所述目标节点处于易感状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于易感状态的概率I^v(t+1)：

$I^v(t+1)=I^v\left(t\right)\×q_v^{ii}\left(t\right)$

其中，I^v(t)用于表征所述目标节点v在(t)时刻处于易感状态的概率，用于表征所述目标节点v在(t)时刻不被传染的概率；其中，

$q_v^{ii}\left(t\right)=\underset{j}{\overset{N}{\Π}}(1-{\mathrm{\λr}}_{jv}{S}_j(t\left)\right)$

$r_{jv}=1-{(1-\frac{w_{jv}}{w_j})}^{\mathrm{\μ}}$

w_j＝Σ_vw_jv

其中，S_j(t)用于表征所述目标节点v的邻居节点j在(t)时刻处于传染状态的概率；λ用于表征邻居节点j的状态成为传染状态的概率；μ用于表征所述目标节点v向周围的邻居节点传播数据副本的更新消息的次数，每一次向一个邻居节点传播数据副本的更新消息；N用于表征当前网络中所包括的节点的总个数；

所述计算所述目标节点处于传染状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于传染状态的概率S^v(t+1)：

$S^v(t+1)=I^v\left(t\right)\×q_v^{is}\left(t\right)+S^v\left(t\right)\×q_v^{ss}\left(t\right)$

$q_v^{is}\left(t\right)=1-q_v^{ii}\left(t\right)$

$q_v^{ss}\left(t\right)=\underset{j}{\overset{N}{\Π}}(1-{\mathrm{\αr}}_{jv}(S_j\left(t\right)+R_j\left(t\right)\left)\right)$

其中，S^v(t)用于表征所述目标节点v在(t)时刻处于传染状态的概率，用于表征所述目标节点v在(t)时刻依然是传染状态的概率；α用于表征所述目标节点v成为免疫状态的概率；R_j(t)用于表征所述目标节点v的邻居节点j在(t)时刻处于免疫状态的概率；

所述计算所述目标节点处于免疫状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于免疫状态的概率R^v(t+1)：

$R^v(t+1)=R^v\left(t\right)+S^v\left(t\right)\×q_v^{sr}\left(t\right)$

其中，R^v(t)用于表征所述目标节点v在(t)时刻处于免疫状态的概率，其中，

$q_v^{sr}\left(t\right)=1-q_v^{ss}\left(t\right)$

其中，用于表征所述目标节点v在(t)时刻的状态成为免疫状态的概率。

3.根据权利要求2所述的方法，其特征在于，利用下式计算邻居节点j的状态成为传染状态的概率λ：

λ＝w_b×b+w_e×e+w_l×l

其中，b用于表征所述目标节点v与邻居节点j之间的带宽；e用于表征所述目标节点v与邻居节点j之间的故障率；l用于表征所述目标节点v与邻居节点j之间的负载；w_b用于表征所述目标节点v与邻居节点j之间带宽b的权值；w_e用于表征所述目标节点v与邻居节点j之间故障率e的权重；w_l用于表征所述目标节点v与邻居节点j之间负载l的权重。

4.根据权利要求2所述的方法，其特征在于，所述计算在传播结束后当前网络中免疫状态的节点的密度，包括：

对计算所述目标节点v在(t+1)时刻处于易感状态的概率的公式、计算所述目标节点v在(t+1)时刻处于传染状态的概率的公式、以及计算所述目标节点v在(t+1)时刻处于免疫状态的概率的公式进行数值计算，以计算出R^v；

根据计算出的R^v，通过下式计算在传播结束后当前网络中免疫状态的节点的密度：

${\mathrm{\ρ}}^r=\frac{1}{N}\underset{v=1}{\overset{N}{\Σ}}{R}^v$

其中，R^v为当前网络中的所述目标节点v处于免疫状态的概率。

5.根据权利要求1-4中任一所述的方法，其特征在于，进一步包括：

利用蒙特卡洛随机模拟方式在当前网络中传播数据副本的更新消息，并在传播结束后，计算当前网络中免疫状态的节点的个数，与当前网络中所包括的节点的总个数的比值，以利用该比值对计算的所述免疫状态的节点的密度进行验证。

6.一种一致性程度的评估系统，其特征在于，包括：

第一选择单元，用于在当前网络所包括的多个节点中选择设定个数的节点，将选择的该设定个数的节点状态分别设置为传染状态，以使对应传染状态的节点在当前网络中分别向邻居节点传播数据副本的更新消息；

第二选择单元，用于在当前网络中选择任意一个目标节点；

第一计算单元，用于计算所述目标节点分别处于易感状态、传染状态、免疫状态的概率；

第二计算单元，用于根据第一计算单元的计算结果，计算在传播结束后当前网络中免疫状态的节点的密度；

其中，在初始状态下，当前网络所包括的每一个节点均对应易感状态；其中，易感状态用于表征节点尚未接收到数据副本的更新消息，传染状态用于表征节点已成功对其存储的数据副本进行了更新，免疫状态用于表征节点不再向邻居节点传播更新消息。

7.根据权利要求6所述的评估系统，其特征在于，

所述第一计算单元，具体用于计算所述目标节点处于易感状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于易感状态的概率I^v(t+1)：

$I^v(t+1)=I^v\left(t\right)\×q_v^{ii}\left(t\right)$

其中，I^v(t)用于表征所述目标节点v在(t)时刻处于易感状态的概率，用于表征所述目标节点v在(t)时刻不被传染的概率；其中，

$q_v^{ii}\left(t\right)=\underset{j}{\overset{N}{\Π}}(1-{\mathrm{\λr}}_{jv}{S}_j(t\left)\right)$

$r_{jv}=1-{(1-\frac{w_{jv}}{w_j})}^{\mathrm{\μ}}$

w_j＝Σ_vw_jv

其中，S_j(t)用于表征所述目标节点v的邻居节点j在(t)时刻处于传染状态的概率；λ用于表征邻居节点j的状态成为传染状态的概率；μ用于表征所述目标节点v向周围的邻居节点传播数据副本的更新消息的次数，每一次向一个邻居节点传播数据副本的更新消息；N用于表征当前网络中所包括的节点的总个数；

所述第一计算单元，具体用于计算所述目标节点处于传染状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于传染状态的概率S^v(t+1)：

$S^v(t+1)=I^v\left(t\right)\×q_v^{is}\left(t\right)+S^v\left(t\right)\×q_v^{ss}\left(t\right)$

$q_v^{is}\left(t\right)=1-q_v^{ii}\left(t\right)$

$q_v^{ss}\left(t\right)=\underset{j}{\overset{N}{\Π}}(1-{\mathrm{\αr}}_{jv}(S_j\left(t\right)+R_j\left(t\right)\left)\right)$

其中，S^v(t)用于表征所述目标节点v在(t)时刻处于传染状态的概率，用于表征所述目标节点v在(t)时刻依然是传染状态的概率；α用于表征所述目标节点v成为免疫状态的概率；R_j(t)用于表征所述目标节点v的邻居节点j在(t)时刻处于免疫状态的概率；

所述第一计算单元，具体用于计算所述目标节点处于免疫状态的概率，包括：通过下式计算所述目标节点v在(t+1)时刻处于免疫状态的概率R^v(t+1)：

$R^v(t+1)=R^v\left(t\right)+S^v\left(t\right)\×q_v^{sr}\left(t\right)$

其中，R^v(t)用于表征所述目标节点v在(t)时刻处于免疫状态的概率，其中，

$q_v^{sr}\left(t\right)=1-q_v^{ss}\left(t\right)$

其中，用于表征所述目标节点v在(t)时刻的状态成为免疫状态的概率。

8.根据权利要求7所述的评估系统，其特征在于，所述第一计算单元，用于利用下式计算邻居节点j的状态成为传染状态的概率λ：

λ＝w_b×b+w_e×e+w_l×l

其中，b用于表征所述目标节点v与邻居节点j之间的带宽；e用于表征所述目标节点v与邻居节点j之间的故障率；l用于表征所述目标节点v与邻居节点j之间的负载；w_b用于表征所述目标节点v与邻居节点j之间带宽b的权值；w_e用于表征所述目标节点v与邻居节点j之间故障率e的权重；w_l用于表征所述目标节点v与邻居节点j之间负载l的权重。

9.根据权利要求7所述的评估系统，其特征在于，

所述第二计算单元，具体用于对计算所述目标节点v在(t+1)时刻处于易感状态的概率的公式、计算所述目标节点v在(t+1)时刻处于传染状态的概率的公式、以及计算所述目标节点v在(t+1)时刻处于免疫状态的概率的公式进行数值计算，以计算出R^v；根据计算出的R^v，通过下式计算在传播结束后当前网络中免疫状态的节点的密度：

${\mathrm{\ρ}}^r=\frac{1}{N}\underset{v=1}{\overset{N}{\Σ}}{R}^v$

其中，R^v为当前网络中的所述目标节点v处于免疫状态的概率。

10.根据权利要求6-9中任一所述的评估系统，其特征在于，进一步包括：

验证单元，用于利用蒙特卡洛随机模拟方式在当前网络中传播数据副本的更新消息，并在传播结束后，计算当前网络中免疫状态的节点的个数，与当前网络中所包括的节点的总个数的比值，以利用该比值对计算的所述免疫状态的节点的密度进行验证。