CN107454196A - 一种邻居节点的分配方法 - Google Patents
一种邻居节点的分配方法 Download PDFInfo
- Publication number
- CN107454196A CN107454196A CN201710834314.5A CN201710834314A CN107454196A CN 107454196 A CN107454196 A CN 107454196A CN 201710834314 A CN201710834314 A CN 201710834314A CN 107454196 A CN107454196 A CN 107454196A
- Authority
- CN
- China
- Prior art keywords
- mrow
- node
- section point
- resource
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
- H04L67/1061—Peer-to-peer [P2P] networks using node-based peer discovery mechanisms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
- H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
- H04L67/1078—Resource delivery mechanisms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种邻居节点的分配方法,该方法包括:第一阶段包括:将第一节点和边缘服务器下的其余节点的资源相似性进行排序,并根据排序后的资源相似性,确定第一节点的邻居第一节点;第二阶段包括:根据第二节点和第二节点所处的聚类簇下的其余节点的评分相似度,第二节点和第二节点所处的聚类簇下的其余节点的兴趣相似性,从而确定第二节点的邻居节点。本发明对系统建立时的两个不同阶段采取了不同的协同过滤推荐算法,其还可调整两个阶段的分配权值以适应不同的应用场景。
Description
技术领域
本发明涉及计算机领域,具体来说,涉及一种邻居节点的分配方法。
背景技术
在CDN-P2P(CDN:Content Delivery Network,内容传递网络;P2P:Peer to Peer,端对端网络)系统的底层P2P网络中,邻居节点之间在查询、分发和共享资源方面拥有更高的效率,邻居节点的选择对整个网络资源共享效率产生重要影响,如果邻居节点分配不当,造成节点在获取资源时大量向服务器发送资源请求,使服务器的负载过大。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种邻居节点的分配方法,根据用户拥有的资源和对资源的评分来计算用户节点之间的兴趣相似性,将兴趣最为相似的节点分配给用户作为邻居节点,使得用户获取资源时尽量在邻居节点上获取,降低服务器的负载,以及通过将本发明的邻居节点的分配算法和其他的邻居分配算法相比较,其提高了用户获取资源的效率,提升了网络的性能。
本发明的技术方案是这样实现的:
根据本发明的一个方面,提供了一种邻居节点的分配方法。
该邻居节点的分配方法包括:第一阶段和第二阶段,其中,第一阶段为系统初始化阶段,第二阶段为系统稳定运行阶段;
第一阶段包括:将新加入的第一节点分配至边缘服务器,并获取第一节点的资源属性,以及根据资源属性,确定第一节点和边缘服务器下的其余的节点的资源相似性;将第一节点和边缘服务器下的其余节点的资源相似性进行排序,并根据排序后的资源相似性,确定第一节点的邻居第一节点;
第二阶段包括:将新加入的第二节点分配至边缘服务器,将边缘服务器下的所有节点进行聚类,以获取多个聚类簇;获取第二节点所处的聚类簇的其他节点上的评分数据,并根据其他节点上的评分数据,确定第二节点和第二节点所处的聚类簇的其他节点的评分相似度,其中,评分数据为已下载资源的评分数据;根据第二节点和第二节点所处的聚类簇下的其余节点的评分相似度,第二节点和第二节点所处的聚类簇下的其余节点的兴趣相似性,从而确定第二节点的邻居节点。
根据本发明的一个实施例,将新加入的第二节点分配至边缘服务器,将边缘服务器下的所有节点进行聚类,以获取多个聚类簇包括:步骤S1,随机挑选K个节点作为初始聚类中心,其中,K为正整数;步骤S2,计算第二节点和所有的初始聚类中心的评分相似度,并确定计算后的所有的评分相似度中的相似度最大的初始聚类中心,将第二节点划分至相似度最大的初始聚类中心所处的聚类簇;步骤S3,在所有的节点都划分完聚类簇的情况下,将每个聚类簇中与对应的聚类簇中其他节点的评分相似度之和最大的节点设为聚类中心;步骤S4,重复步骤S2和步骤S3,直至所有聚类簇中的评分相似度不再变化,从而获得多个聚类簇。
根据本发明的一个实施例,获取第二节点所处的聚类簇的其他节点上的评分数据,并根据其他节点上的评分数据,确定第二节点和第二节点所处的聚类簇的其他节点的评分相似度包括:获取第二节点所处的聚类簇的其他节点上的评分数据,根据其他节点上的评分数据,计算第二节点对未评分资源的评分数据;将未评分资源的评分数据代入评分矩阵,确定第二节点对未评分资源的最终评分;根据第二节点对未评分资源的最终评分,计算第二节点和第二节点所处的聚类簇内的其他节点的评分相似度。
根据本发明的一个实施例,通过第一公式,计算第二节点对未评分资源的评分数据,其中,第一公式为:
其中,fi,m表示第二节点i对未评分资源m的评分,表示第二节点i对之前所有已评资源的平均评分,U(m)表示对未评分资源m进行过评分的其他节点的集合,u表示集合中的任一个,Ru,m表示其他节点的任一节点u对未评分资源m的评分,表示其他节点的任一节点u对之前所有已评资源的平均评分。
根据本发明的一个实施例,,评分矩阵为:
其中,Ri,m表示第二节点i对未评分资源m的最终评分,ri,m表示第二节点i对未评分资源m的实际评分。
根据本发明的一个实施例,通过第二公式,计算第二节点和聚类簇内的其他节点的评分相似度,其中,第二公式为:
其中,Rsim(i,u)表示第二节点i和其余节点中的任一节点u的评分相似度,Ii,u表示第二节点i和其余节点中的任一节点u共同评分过的资源集合,c表示资源集合中的任一个,Ri,c表示第二节点i对资源集合中的任一资源c的评分,Ru,c表示其余节点中的任一节点u对资源集合中的任一资源c的评分,表示第二节点i对本身拥有资源的平均评分,表示其余节点中的任一节点u对本身拥有资源的平均评分。
根据本发明的一个实施例,第二阶段还包括:根据第二节点和第二节点所处的聚类簇的其他节点的评分相似度、和第二节点的资源属性,计算第二节点和第二节点所处的聚类簇的其余节点之间的兴趣相似性;将第二节点和第二节点所处的聚类簇下的其余节点的兴趣相似性进行排序,并根据排序后的兴趣相似性,确定第二节点的邻居节点。
根据本发明的一个实施例,通过第三公式,计算第二节点和第二节点所处的聚类簇的其余节点之间的兴趣相似性,其中,第三公式为:
Ksim(i,u)=αTsim(i,u)+(1-α)Rsim(i,u)
其中,Ksim(i,u)表示第二节点i和第二节点所处的聚类簇的其余节点中的任一节点u的兴趣相似性,Tsim(i,u)表示第二节点i和第二节点所处的聚类簇的其余节点中的任一节点u的资源类型相似性,Rsim(i,u)表示第二节点i和第二节点所处的聚类簇的其余节点中的任一节点u的评分相似度,α为参数,0<α<1。
根据本发明的一个实施例,通过第四公式,计算第二节点i和第二节点所处的聚类簇的其余节点中的任一节点u的资源类型相似性,第四公式为:
其中,表示第二节点i的资源属性,表示第二节点所处的聚类簇的其余节点中的任一节点u的资源属性。
本发明的有益技术效果在于:
本发明通过在不同阶段采取了不同的分配策略,初始化阶段采用TOP-K算法进行邻居节点分配,在系统稳定运行阶段则是根据节点对已下载资源的评分数据和资源属性,通过协同过滤推荐算法确定邻居节点,从而提高了数据准确性,此外,由于对系统建立时的两个不同阶段采取了不同的协同过滤推荐算法,其还可调整两个阶段的分配权值以适应不同的应用场景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的邻居节点的分配方法的流程图;
图2是现有技术中的CDN-P2P融合网络架构的示意图;
图3是根据本发明实施例的α取值对资源查询平均命中率的影响的示意图;
图4是根据本发明实施例的资源查询平均命中率比较的示意图;
图5是根据本发明实施例的资源查询平均查询长度比较的示意图。
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所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种邻居节点的分配方法。
如图1所示,根据本发明实施例的邻居节点的分配方法包括:第一阶段和第二阶段,其中,第一阶段为系统初始化阶段,第二阶段为系统稳定运行阶段;
第一阶段包括:第一阶段包括:步骤S101,将新加入的第一节点分配至边缘服务器,并获取第一节点的资源属性,以及根据资源属性,确定第一节点和边缘服务器下的其余的节点的资源相似性;步骤S103,将第一节点和边缘服务器下的其余节点的资源相似性进行排序,并根据排序后的资源相似性,确定第一节点的邻居第一节点;
第二阶段包括:步骤S105,将新加入的第二节点分配至边缘服务器,将边缘服务器下的所有节点进行聚类,以获取多个聚类簇;步骤S107,获取第二节点所处的聚类簇的其他节点上的评分数据,并根据其他节点上的评分数据,确定第二节点和第二节点所处的聚类簇的其他节点的评分相似度,其中,评分数据为已下载资源的评分数据;步骤S109,根据第二节点和第二节点所处的聚类簇下的其余节点的评分相似度,第二节点和第二节点所处的聚类簇下的其余节点的兴趣相似性,从而确定第二节点的邻居节点。此外,当然可以理解,上述第一节点和第二节点可为同一节点,也可为不同的节点,可根据实际需求进行设置,本发明对此不做限定。
借助于本发明的上述技术方案,通过在不同阶段采取了不同的分配策略,初始化阶段采用TOP-K算法进行邻居节点分配,在系统稳定运行阶段则是根据节点对已下载资源的评分数据和资源属性,通过协同过滤推荐算法确定邻居节点,从而提高了数据准确性,此外,由于对系统建立时的两个不同阶段采取了不同的协同过滤推荐算法,其还可调整两个阶段的分配权值以适应不同的应用场景。
根据本发明的一个实施例,将新加入的第二节点分配至边缘服务器,将边缘服务器下的所有节点进行聚类,以获取多个聚类簇包括:步骤S1,随机挑选K个节点作为初始聚类中心,其中,K为正整数;步骤S2,计算第二节点和所有的初始聚类中心的评分相似度,并确定计算后的所有的评分相似度中的相似度最大的初始聚类中心,将第二节点划分至相似度最大的初始聚类中心所处的聚类簇;步骤S3,在所有的节点都划分完聚类簇的情况下,将每个聚类簇中与对应的聚类簇中其他节点的评分相似度之和最大的节点设为聚类中心;步骤S4,重复步骤S2和步骤S3,直至所有聚类簇中的评分相似度不再变化,从而获得多个聚类簇。
根据本发明的一个实施例,获取第二节点所处的聚类簇的其他节点上的评分数据,并根据其他节点上的评分数据,确定第二节点和第二节点所处的聚类簇的其他节点的评分相似度包括:获取第二节点所处的聚类簇的其他节点上的评分数据,根据其他节点上的评分数据,计算第二节点对未评分资源的评分数据;将未评分资源的评分数据代入评分矩阵,确定第二节点对未评分资源的最终评分;根据第二节点对未评分资源的最终评分,计算第二节点和第二节点所处的聚类簇内的其他节点的评分相似度。
根据本发明的一个实施例,通过第一公式,计算第二节点对未评分资源的评分数据,其中,第一公式为:
其中,fi,m表示第二节点i对未评分资源m的评分,表示第二节点i对之前所有已评资源的平均评分,U(m)表示对未评分资源m进行过评分的其他节点的集合,u表示集合中的任一个,Ru,m表示其他节点的任一节点u对未评分资源m的评分,表示其他节点的任一节点u对之前所有已评资源的平均评分。
根据本发明的一个实施例,,评分矩阵为:
其中,Ri,m表示第二节点i对未评分资源m的最终评分,ri,m表示第二节点i对未评分资源m的实际评分。
根据本发明的一个实施例,通过第二公式,计算第二节点和聚类簇内的其他节点的评分相似度,其中,第二公式为:
其中,Rsim(i,u)表示第二节点i和其余节点中的任一节点u的评分相似度,Ii,u表示第二节点i和其余节点中的任一节点u共同评分过的资源集合,c表示资源集合中的任一个,Ri,c表示第二节点i对资源集合中的任一资源c的评分,Ru,c表示其余节点中的任一节点u对资源集合中的任一资源c的评分,表示第二节点i对本身拥有资源的平均评分,表示其余节点中的任一节点u对本身拥有资源的平均评分。
根据本发明的一个实施例,第二阶段还包括:根据第二节点和第二节点所处的聚类簇的其他节点的评分相似度、和第二节点的资源属性,计算第二节点和第二节点所处的聚类簇的其余节点之间的兴趣相似性;将第二节点和第二节点所处的聚类簇下的其余节点的兴趣相似性进行排序,并根据排序后的兴趣相似性,确定第二节点的邻居节点。
根据本发明的一个实施例,通过第三公式,计算第二节点和第二节点所处的聚类簇的其余节点之间的兴趣相似性,其中,第三公式为:
Ksim(i,u)=αTsim(i,u)+(1-α)Rsim(i,u)
其中,Ksim(i,u)表示第二节点i和第二节点所处的聚类簇的其余节点中的任一节点u的兴趣相似性,Tsim(i,u)表示第二节点i和第二节点所处的聚类簇的其余节点中的任一节点u的资源类型相似性,Rsim(i,u)表示第二节点i和第二节点所处的聚类簇的其余节点中的任一节点u的评分相似度,α为参数,0<α<1。
根据本发明的一个实施例,通过第四公式,计算第二节点i和第二节点所处的聚类簇的其余节点中的任一节点u的资源类型相似性,第四公式为:
其中,表示第二节点i的资源属性,表示第二节点所处的聚类簇的其余节点中的任一节点u的资源属性。
为了更好的描述本发明的技术方案,下面通过具体的实施例对本发明的技术方案进行详细的阐述。
为实现上述发明的目的,本发明的邻居节点的分配方法包括以下步骤:
第一阶段,系统初始化初期。在系统初始化初期阶段节点(或用户或用户节点)刚刚加入进来,系统还没有进入到稳定运行的状态,在这个阶段用户邻居分配方法如下:
步骤S11,节点申请加入系统,向中心服务器发送自身的资源向量,由中心服务器为其分配边缘服务器;
步骤S12,中心服务器得到节点的资源向量后,其计算节点与同一边缘服务器下的其他节点的资源类型相似性;
步骤S13,将节点与其他节点的资源类型相似性排序,取最高的K个节点分配为该节点的论据节点,其中,K为正整数。
第二阶段,系统稳定运行期。系统进入稳定运行状态后,节点会产生一系列的行为,如查询、下载、评分等,我们将这些数据统计下来,因为这些数据都可以反映用户的兴趣变化,尤其是评分,评分是节点对一个资源的兴趣喜好的量化,可以反映用户的兴趣变化,在这个阶段用户邻居分配算法如下:
步骤S21,系统根据已有的评分数据,采用K-means(K-均值)算法对边缘服务器下的节点进行聚类,将这些节点划分成K个聚类,即K个聚类簇(或兴趣子网);
步骤S22,划分完聚类簇后,系统计算节点对资源的填充评分对评分矩阵进行填充,降低评分矩阵稀疏性,其中,在矩阵中,若数值为0的元素数目远远多于非0元素的数目,并且非0元素分布没有规律时,则称该矩阵为稀疏矩阵;
步骤S23,计算节点与聚类簇内其他节点的兴趣相似性,综合资源向量和评分相似性,得出节点之间的兴趣相似性计算方法如下:
Ksim(i,u)=αTsim(i,u)+(1-α)Rsim(i,u) (3-1)
其中,Ksim(i,u)表示节点i和节点u的兴趣相似性,Tsim(i,u)表示节点i和节点u的资源类型相似性,Rsim(i,u)表示节点i和节点u的评分相似度,α表示参数,0<α<1。
步骤S24,将节点与其他节点的资源类型相似性排序,取最高的K个节点分配为该节点的论据节点,其中,K为正整数;
步骤S25,新节点加入时,首先由中心服务器分配边缘服务器,然后计算节点与该边缘服务器下的聚类簇的相似性,为其分配聚类簇,以及重复步骤S22-S23,从而为新加入节点分配邻居节点。
此外,系统稳定运行后,虽然用评分数据计算出用户节点之间的相似度,但不会抛弃用户基于资源属性的相似性,将这两种方法结合起来,分别给予这两种相似性算法的结果一定的权值,尽量得到一个合理的相似度。
另外,如图2所示,CDN-P2P网络是由中心服务器、边缘服务器、用户节点三部分构成,其中,中心服务器处于核心地位,该中心服务器用于负责聚类簇的划分、管理节点的加入或退出、邻居节点的分配等,该边缘服务器用于负责内容的分发共享,当然这一功能在CDN-P2P系统中被很大程度上转移到了用户节点上。同时,在CDN-P2P系统中,中心服务器和边缘服务器以CDN的方式进行组织,组成CDN网络层,边缘服务器下的聚类簇则以P2P的方式进行组织,形成自治域组成了P2P网络层,这样子网中的用户节点就可以以P2P的方式进行资源的共享,使用户获取资源更加方便,同时也很大程度降低网络负载。
此外,本发明中的评分数据是对已下载资源的评分数据,其中,下载的资源可包括:电源、软件、音乐等,下面通过对电源的评分数据进行说明。
本发明的试验系统采用的数据是Movie Lens 100K(电影镜头100k)的电影评分数据集,在数据集中电影文件被划分为19种类型,比如爱情、动作、历史、剧情、悬疑、军事等,这是对电影资源进行特征提取,将类型作为电影资源的特征,用一连串的数字A1,A2,A3,……Ai……An分别表示各类型电影的数量。同时,这时需要定义出节点拥有资源的资源向量,即节点的资源属性,其中,在CDN-P2P系统中的节点i的资源向量定义如下:
另外,节点在CDN-P2P系统初始化加入系统时本身可能带有一些资源,或者经过在系统中下载资源的行为也会在自身节点上积累一些资源。这时根据这些资源的属性我们就可以大致的判断出用户的偏好,用户对于某些类型的电影资源的喜好。节点加入系统时会将本身的资源向量发送给中心服务器,中心服务器根据节点的资源向量来计算两节点的资源类型相似性,使用余弦相似性算法进行计算,节点i和节点j之间的资源类型相似性计算公式如下:
其中,Tsim(i,u)表示节点i和节点u的资源类型相似性,表示用户i的资源向量,表示用户u的资源向量。
同样,系统使用的是Movie Lens 100K电影评分数据集,该电源评分数据集共有943个用户对1682部电影的10万条评分数据,该电源评分数据集的稀疏性为1-100000/(943*1682)=0.937,稀疏程度很高。此外,电影评分数据远小于电影数量,节点之间对于同一电影评分出现的概率很小,公共评分电影集变小使得在计算用户资源评分相似性时只能依赖极少的评分数据,造成计算出来的用户之间资源评分相似度十分片面或者不准确,并不能反映用户之间真正的相关性,对于用户邻居节点有较大的影响,因此,这时,需要对用户评分矩阵进行填充,解决用户评分矩阵稀疏的问题。
此外,在进行用户评分矩阵填充时,首先根据已有的节点评分数据对节点进行聚类,得到多个聚类簇,使用在同一聚类簇内的其他节点的评分数据来预测用户对于电影的评分,这样可以保证评分数据的个性化。同时,对用户聚类时采用K-means算法,计算用户之间相似性时使用公式(5-3)。在CDN-P2P系统中,以用户对于电影的评分矩阵作为输入,设定K的值,最后得到K个聚类簇,聚类算法流程如下:
步骤S31,随机挑选K个用户节点C1,C2,C3……CK作为初始聚类中心;
步骤S32,计算节点与聚类节点的评分相似度,采用皮尔逊相似性算法来计算,同时,选择与用户节点相似度最大的聚类中心,将该节点划归该聚类中心的聚类簇;
步骤S33,所有的节点都划分完聚类簇后,对各聚类簇的聚类中心进行调整,具体地,将各聚类簇中与本聚类簇中其他节点的相似度之和最大的节点设为聚类中心。
步骤S34,重复上述步骤S32和S33,直到超过一半以上的聚类簇的成员不再发生变化或簇内相似度之和不再变化;
步骤S35,得到K个聚类簇,即K个用户类别。
步骤S36,完成用户聚类后,根据该聚类簇内其他节点的电影评分数据来计算节点对于未评分电影的填充评分,用户i对电影m的填充评分fi,m计算公式如下:
其中,表示节点i对其已下载的资源的所有评分的平均评分,U(m)表示该类别内对电影m进行过评分的用户集合,fi,m表示用户i对电影m的评分。
经过以上方法得到用户对未评分电影的填充评分,然后把填充评分存入用户的评分矩阵,则用户i对电影集U中任意一部电影m的评分Ri,m可表示为:
其中,ri,m表示节点i对于电影m的实际评分,Ri,m表示节点i对于电影m的最终评分,包括了填充评分。
此外,一般用户下载了一个资源文件,使用后会根据自己的感受和喜好程度对资源给出一个评分,这个评分就可以认为是对用户对资源偏好程度的量化,是一项很重要的数据。如果两个用户节点对同一个资源给出了相同或相近的评分,说明这两个节点对于某类型资源有很高的偏好程度。以上已经对电影集的评分稀疏矩阵进行了填充处理,可以通过用户评分矩阵计算用户节点之间的评分相似性。针对于此,采用皮尔森相似性算法来计算出节点i和节点u的资源评分相似度:
其中,Rsim(i,u)表示节点i和节点u的评分相似性,Ii,u表示节点i和节点u共同评分过的电影集合,Ri,c表示节点i对电影c的评分,Ru,c表示节点u对电影c的评分,表示节点i对本身拥有电影的平均评分,表示节点u对本身拥有电影的平均评分。
另外,随后综合资源向量和评分相似性,得出节点之间的兴趣相似性计算方法如上述公式(3-1)。
此外,为了说明本发明的技术效果,通过将本发明的邻居节点的分配方法和之前的邻居分配方法进行对比,证明采用新的邻居分配算法后系统性能是否得到提升。其中,与本发明的邻居节点的分配方法进行对比的方法是Top-K邻居分配算法和PSU邻居分配算法,同时,仿真的评价标准是节点资源查询平均查找长度和资源查询平均命中率为性能指标,文献(如面向用户需求的非结构化P2P资源定位泛洪策略,何明,张玉洁,孟祥武)对资源查询的平均查找长度和资源查询的平均命中率做出了明确的定义。
另外,本发明中仿真主要针对底层P2P网络内用户节点的邻居分配,实验数据采用Movie Lens 100K电影评分数据集,包括943个用户对1682部电影的约10万条评分。同时,本发明中模拟用户节点数为300,每个用户节点拥有5个邻居节点,每个节点拥有的单一类型资源最大数量为50,模拟参数及默认值见下表1。
表1
此外,为了对本发明的邻居节点的分配方法性能进行对比,我们进行资源查询时,只在底层P2P网络内进行,不会向边缘服务器发送查询请求。当节点发起资源查询请求后将请求消息发送给邻居节点,邻居节点没能命中则会转发到邻居的邻居,查询请求不断向邻居节点转发,直到资源命中或TTL值为0时停止。每次实验运行10个周期,每个实验周期内每个节点发出一次文件请求,共进行3000次文件请求。最后,统计文件请求命中数和查询长度,算出平均值。
另外,共进行3组实验,分别是公式(3-1)中参数α取值对资源查询平均命中率的影响、资源查询平均命中率比较和资源查询平均查询长度比较,以下分别是这3组实验的结果及分析。
图3是公式(3-1)中α取不同值时,资源查询平均命中率的比较。实验表明,当α分别取值0.2、0.3、0.4、0.5、0.6、0.7时,资源查询平均命中率的结果是不同的,当α取值0.4时资源平均命中率最高,说明α=0.4时底层P2P子网中资源查询在邻居节点命中的机会更大,邻居分配的效果更好。所以,在下面的两组实验中均将α的值取为0.4。
图4是分别采用三种不同邻居分配算法时,资源查询的平均命中率的比较。由实验结果可以看出,随着查询周期的增加,聚集用户兴趣的邻居分配算法随着网络规模的不断扩大,资源查询命中率显著提升,最后资源查询命中率稳定在一个较高的值。而Top-K邻居分配算法,随着时间增加开始命中率刚刚提升又马上回落,随着网络规模的扩大命中率也逐步下滑。PSU邻居分配算法,初期的资源查询命中率一直较低,最后和Top-K算法的命中率持平。由这三种算法的资源查询命中率随查询周期的变化可以看出,聚集用户兴趣的邻居分配算法的资源查询在底层P2P网络内命中率较高,其所查找的资源很多存在其邻居节点或邻居的邻居等节点上。其他两种邻居分配算法由于没能很好的将兴趣相似的用户聚集在一起,所以在底层P2P网络内进行资源查询时尽管随着查询周期增加,查询请求不断转发给邻居节点,但是邻居节点上并不存在查询资源,并不会命中,导致资源查询命中率不会提高。由此可知,采用本文提出的邻居分配算法可以将那些对资源需求有较高相似度的节点组织在一起,显著提升资源查询的命中率。
图5是对三种不同邻居分配算法的资源查询的平均查询长度的比较。在这三种邻居分配算法下,资源的平均查找长度略有区别,采用聚集用户兴趣的邻居分配算法平均查找长度会更低些。开始阶段TOP-K和新的邻居分配算法的资源查找长度相差不大,PSU邻居分配算法则较高,但随着时间增加网络规模扩大,Top-K邻居分配算法的资源平均查找长度变化不大,PSU略有下降,而聚集用户兴趣的邻居分配算法则有明显的下降。在实验的最后阶段,聚集用户兴趣的邻居分配算法的资源平均查找长度比Top-K和PSU邻居分配算法的资源平均查找长度有了显著降低,在这三种邻居分配算法中可以明显看出性能最差的是PSU邻居分配算法,最好的是聚集用户兴趣的邻居分配算法。基于用户兴趣的邻居分配算法的资源平均查找长度之所以能够降低,就是因为节点要查询的资源存在于与它距离较近的节点上,说明邻居节点兴趣相似度较高,而其他两种算法的资源平均查找长度较高时因为节点要查找的资源存在于与它距离较远的节点上。由此可知,采用新的邻居分配算法可以将拥有相似资源的用户节点组织在一起,从而使用户获取资源时降低查找长度。
本发明提出的邻居节点的分配方法是一种基于资源向量和资源评分的邻居节点分配方法,并且上述实验结果表明,该方法提高了用户获取资源时的搜索命中率,降低了用户查找资源时的平均查找长度,均衡了网络负载。
综上所述,借助于本发明的上述技术方案,本发明的技术方案至少存在如下技术效果:当新节点加入后,通过本发明的邻居节点的分配方法将兴趣最为相似的节点分配给用户作为邻居节点,使得用户获取资源时尽量在邻居节点上获取,能够有效地降低服务器的负载;由于评分数量远小于资源数量,评分数据集稀疏程度很高,用户之间对于同一资源评分出现的概率很小,造成计算出来的用户之间资源评分相似度十分片面或者不准确,本发明中通过动态划分用户聚类,根据该聚类内其他节点的资源评分数据来计算节点对于未评分资源的填充评分,解决了用户评分矩阵稀疏的问题,有效地提高了数据集的准确性。本发明对系统建立时的两个不同阶段采取了不同的协同过滤推荐算法,可以调整两个阶段的分配权值以适应不同的应用场景。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种邻居节点的分配方法,其特征在于,包括:第一阶段和第二阶段,其中,所述第一阶段为系统初始化阶段,所述第二阶段为系统稳定运行阶段;
所述第一阶段包括:
将新加入的第一节点分配至边缘服务器,并获取所述第一节点的资源属性,以及根据所述资源属性,确定所述第一节点和所述边缘服务器下的其余的节点的资源相似性;
将第一节点和所述边缘服务器下的其余节点的资源相似性进行排序,并根据排序后的资源相似性,确定所述第一节点的邻居第一节点;
所述第二阶段包括:
将新加入的第二节点分配至所述边缘服务器,将所述边缘服务器下的所有节点进行聚类,以获取多个聚类簇;
获取所述第二节点所处的聚类簇的其他节点上的评分数据,并根据所述其他节点上的评分数据,确定所述第二节点和所述第二节点所处的聚类簇的其他节点的评分相似度,其中,所述评分数据为已下载资源的评分数据;
根据所述第二节点和所述第二节点所处的聚类簇下的其余节点的评分相似度,所述第二节点和所述第二节点所处的聚类簇下的其余节点的兴趣相似性,从而确定所述第二节点的邻居节点。
2.根据权利要求1所述的分配方法,其特征在于,将新加入的第二节点分配至所述边缘服务器,将所述边缘服务器下的所有节点进行聚类,以获取多个聚类簇包括:
步骤S1,随机挑选K个节点作为初始聚类中心,其中,K为正整数;
步骤S2,计算所述第二节点和所有的初始聚类中心的评分相似度,并确定计算后的所有的评分相似度中的相似度最大的初始聚类中心,将所述第二节点划分至所述相似度最大的初始聚类中心所处的聚类簇;
步骤S3,在所有的节点都划分完所述聚类簇的情况下,将每个聚类簇中与对应的聚类簇中其他节点的评分相似度之和最大的节点设为聚类中心;
步骤S4,重复所述步骤S2和所述步骤S3,直至所有聚类簇中的评分相似度不再变化,从而获得多个聚类簇。
3.根据权利要求1所述的分配方法,其特征在于,获取所述第二节点所处的聚类簇的其他节点上的评分数据,并根据所述其他节点上的评分数据,确定所述第二节点和所述第二节点所处的聚类簇的其他节点的评分相似度包括:
获取所述第二节点所处的聚类簇的其他节点上的评分数据,根据所述其他节点上的评分数据,计算所述第二节点对未评分资源的评分数据;
将所述未评分资源的评分数据代入评分矩阵,确定所述第二节点对未评分资源的最终评分;
根据所述第二节点对未评分资源的最终评分,计算所述第二节点和所述第二节点所处的聚类簇内的其他节点的评分相似度。
4.根据权利要求3所述的分配方法,其特征在于,通过第一公式,计算所述第二节点对未评分资源的评分数据,其中,所述第一公式为:
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<mover>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>+</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>R</mi>
<mi>u</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中,fi,m表示所述第二节点i对所述未评分资源m的评分,表示所述第二节点i对之前所有已评资源的平均评分,U(m)表示对所述未评分资源m进行过评分的其他节点的集合,u表示所述集合中的任一个,Ru,m表示所述其他节点的任一节点u对所述未评分资源m的评分,表示所述其他节点的任一节点u对之前所有已评资源的平均评分。
5.根据权利要求4所述的分配方法,其特征在于,所述评分矩阵为:
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,Ri,m表示所述第二节点i对所述未评分资源m的最终评分,ri,m表示所述第二节点i对所述未评分资源m的实际评分。
6.根据权利要求5所述的分配方法,其特征在于,通过第二公式,计算所述第二节点和所述聚类簇内的其他节点的评分相似度,其中,所述第二公式为:
<mrow>
<mi>R</mi>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>u</mi>
</mrow>
</msub>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>R</mi>
<mi>u</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>u</mi>
</mrow>
</msub>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>u</mi>
</mrow>
</msub>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>R</mi>
<mi>u</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中,Rsim(i,u)表示所述第二节点i和所述其余节点中的任一节点u的评分相似度,Ii,u表示所述第二节点i和所述其余节点中的任一节点u共同评分过的资源集合,c表示所述资源集合中的任一个,Ri,c表示所述第二节点i对所述资源集合中的任一资源c的评分,Ru,c表示所述其余节点中的任一节点u对所述资源集合中的任一资源c的评分,表示所述第二节点i对本身拥有资源的平均评分,表示所述其余节点中的任一节点u对本身拥有资源的平均评分。
7.根据权利要求6所述的分配方法,其特征在于,所述第二阶段还包括:
根据所述第二节点和所述第二节点所处的聚类簇的其他节点的评分相似度、和所述第二节点的资源属性,计算所述第二节点和所述第二节点所处的聚类簇的其余节点之间的兴趣相似性;
将所述第二节点和所述第二节点所处的聚类簇下的其余节点的兴趣相似性进行排序,并根据排序后的兴趣相似性,确定所述第二节点的邻居节点。
8.根据权利要求7所述的分配方法,其特征在于,通过第三公式,计算所述第二节点和所述第二节点所处的聚类簇的其余节点之间的兴趣相似性,其中,所述第三公式为:
Ksim(i,u)=αTsim(i,u)+(1-α)Rsim(i,u)
其中,Ksim(i,u)表示所述第二节点i和所述第二节点所处的聚类簇的其余节点中的任一节点u的兴趣相似性,Tsim(i,u)表示所述第二节点i和所述第二节点所处的聚类簇的其余节点中的任一节点u的资源类型相似性,Rsim(i,u)表示所述第二节点i和所述第二节点所处的聚类簇的其余节点中的任一节点u的评分相似度,α为参数,0<α<1。
9.根据权利要求8所述的分配方法,其特征在于,通过第四公式,计算所述第二节点i和所述第二节点所处的聚类簇的其余节点中的任一节点u的资源类型相似性,所述第四公式为:
<mrow>
<mi>T</mi>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mi>i</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>&times;</mo>
<mover>
<mi>u</mi>
<mo>&RightArrow;</mo>
</mover>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mover>
<mi>i</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>|</mo>
<mo>|</mo>
<mo>|</mo>
<mo>|</mo>
<mover>
<mi>u</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中,表示所述第二节点i的资源属性,表示所述第二节点所处的聚类簇的其余节点中的任一节点u的资源属性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710834314.5A CN107454196A (zh) | 2017-09-15 | 2017-09-15 | 一种邻居节点的分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710834314.5A CN107454196A (zh) | 2017-09-15 | 2017-09-15 | 一种邻居节点的分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107454196A true CN107454196A (zh) | 2017-12-08 |
Family
ID=60496586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710834314.5A Pending CN107454196A (zh) | 2017-09-15 | 2017-09-15 | 一种邻居节点的分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107454196A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019144939A (ja) * | 2018-02-22 | 2019-08-29 | Kddi株式会社 | 情報処理装置、情報処理方法、及びプログラム |
CN110912933A (zh) * | 2019-12-17 | 2020-03-24 | 中国科学院信息工程研究所 | 一种基于被动测量的设备识别方法 |
CN113934933A (zh) * | 2021-10-15 | 2022-01-14 | 北京智融云河科技有限公司 | 低延迟的消息转发方法、设备及存储介质 |
CN116151354A (zh) * | 2023-04-10 | 2023-05-23 | 之江实验室 | 网络节点的学习方法、装置、电子装置和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101610184A (zh) * | 2009-07-28 | 2009-12-23 | 中国科学院软件研究所 | 一种p2p网络中基于模糊逻辑的共谋团体识别方法 |
CN102055808A (zh) * | 2011-01-10 | 2011-05-11 | 复旦大学 | 一种降低p2p直播系统中播放延迟的方法与系统 |
CN102076084A (zh) * | 2011-01-04 | 2011-05-25 | 南京邮电大学 | 基于认知架构的无线传感网络定位跟踪方法 |
CN102571839A (zh) * | 2010-12-15 | 2012-07-11 | 北京邮电大学 | 基于用户社会属性的p2p内容分发方法及系统 |
CN102984279A (zh) * | 2012-12-17 | 2013-03-20 | 复旦大学 | Cdn预先主动选择优质节点开展优化内容分发服务的方法 |
CN105069071A (zh) * | 2015-07-30 | 2015-11-18 | 清华大学 | 微博数据的地理位置信息提取方法 |
CN107147731A (zh) * | 2017-06-02 | 2017-09-08 | 国电南瑞科技股份有限公司 | 一种bt网络节点信息的主动测量方法和系统 |
-
2017
- 2017-09-15 CN CN201710834314.5A patent/CN107454196A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101610184A (zh) * | 2009-07-28 | 2009-12-23 | 中国科学院软件研究所 | 一种p2p网络中基于模糊逻辑的共谋团体识别方法 |
CN102571839A (zh) * | 2010-12-15 | 2012-07-11 | 北京邮电大学 | 基于用户社会属性的p2p内容分发方法及系统 |
CN102076084A (zh) * | 2011-01-04 | 2011-05-25 | 南京邮电大学 | 基于认知架构的无线传感网络定位跟踪方法 |
CN102055808A (zh) * | 2011-01-10 | 2011-05-11 | 复旦大学 | 一种降低p2p直播系统中播放延迟的方法与系统 |
CN102984279A (zh) * | 2012-12-17 | 2013-03-20 | 复旦大学 | Cdn预先主动选择优质节点开展优化内容分发服务的方法 |
CN105069071A (zh) * | 2015-07-30 | 2015-11-18 | 清华大学 | 微博数据的地理位置信息提取方法 |
CN107147731A (zh) * | 2017-06-02 | 2017-09-08 | 国电南瑞科技股份有限公司 | 一种bt网络节点信息的主动测量方法和系统 |
Non-Patent Citations (4)
Title |
---|
左启阳: "基于邻居推荐策略的CDN-P2P流媒体传输系统设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
李建强: "CDN-P2P系统的中心服务器与客户端节点的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
毕科: "CDN-P2P网络系统中资源定位策略与推荐子系统的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
黄永生: "基于用户社会属性的点对点内容分发网络模型研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019144939A (ja) * | 2018-02-22 | 2019-08-29 | Kddi株式会社 | 情報処理装置、情報処理方法、及びプログラム |
CN110912933A (zh) * | 2019-12-17 | 2020-03-24 | 中国科学院信息工程研究所 | 一种基于被动测量的设备识别方法 |
CN113934933A (zh) * | 2021-10-15 | 2022-01-14 | 北京智融云河科技有限公司 | 低延迟的消息转发方法、设备及存储介质 |
CN113934933B (zh) * | 2021-10-15 | 2024-04-05 | 北京智融云河科技有限公司 | 低延迟的消息转发方法、设备及存储介质 |
CN116151354A (zh) * | 2023-04-10 | 2023-05-23 | 之江实验室 | 网络节点的学习方法、装置、电子装置和存储介质 |
CN116151354B (zh) * | 2023-04-10 | 2023-07-18 | 之江实验室 | 网络节点的学习方法、装置、电子装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107454196A (zh) | 一种邻居节点的分配方法 | |
Chen et al. | Minimizing inter-server communications by exploiting self-similarity in online social networks | |
Noordhuis et al. | Mining twitter in the cloud: A case study | |
CN109921939B (zh) | 一种通信网络中关键节点的选取方法及系统 | |
HamlAbadi et al. | A framework for cognitive recommender systems in the internet of things (iot) | |
CN105337773A (zh) | 基于ReciprocityRank算法的微博网络影响力节点发现方法 | |
CN106372101A (zh) | 一种视频推荐方法和装置 | |
CN103838831A (zh) | 一种基于社区划分的在线社交网络海量数据存储方法 | |
CN106454958B (zh) | 一种网络资源分配方法及装置 | |
CN109347657B (zh) | Sdn模式下支撑科技业务的虚拟数据域构建方法 | |
CN103546530A (zh) | 基于成组资源管理的对等网络节点负载均衡方法及系统 | |
CN114556381A (zh) | 开发机器学习模型 | |
Boulogne et al. | On the convergence to Nash equilibrium in problems of distributed computing | |
CN111858540A (zh) | 带权重的分布式数据存储方法、系统和存储介质 | |
Yue et al. | Analyzing the performance and fairness of BitTorrent-like networks using a general fluid model | |
Shen et al. | SOS: A distributed mobile Q&A systembased on social networks | |
Yeferny et al. | An efficient peer-to-peer semantic overlay network for learning query routing | |
Müller et al. | On fairness in voting consensus protocols | |
Khatibi et al. | A dynamic data dissemination mechanism for Cassandra NoSQL data store | |
CN101369915B (zh) | 可运营p2p网络资源管理系统 | |
Ferretti | Modeling faulty, unstructured p2p overlays | |
CN103281395A (zh) | 一种基于客户端数量的数据片均分选择系统及方法 | |
Zhang et al. | The client assignment problem for continuous distributed interactive applications | |
Angelopoulos | Parameterized analysis of the online priority and node-weighted steiner tree problems | |
Singh et al. | Local contribution (LC) and trustworthiness factors to induce fairness in P2P networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |