基于节点兴趣和Q-learning的P2P网络搜索机制
发布时间：2021-08-30 13:28
将智能手机设备加入基于非结构化P2P网络的资源共享系统中能够满足人们对资源共享的多样化、便利性、高频性、实时性、高效性等要求,但是该系统网络规模的扩张和网络节点互异性的加大,必将导致系统资源搜索效率的降低、冗余信息的剧增以及网络更加不稳定。为了解决这些问题,文中设计了一种改进的基于节点兴趣和Q-learning的资源搜索机制。首先将节点根据兴趣相似度进行兴趣聚类,划分兴趣集,然后根据兴趣集中节点的能力值构建兴趣树,该结构避免了消息环路的产生,极大地降低了冗余信息;在资源搜索中,兴趣树内采用洪泛算法转发消息,兴趣树之间采用基于Q-learning的消息转发机制,不断强化最可能获取目标资源的路径,查询消息优先在这些路径上传播。另外,针对"热点"资源问题,设计了自适应热点资源索引机制,减少了重复路径搜索,进一步减少了冗余消息量;针对节点失效的问题,给出了根节点冗余机制和捎带检测的策略方法,分别解决了根节点失效和普通节点失效导致的兴趣树的不完整性问题,分析表明该方法能够减少消息冗余量。仿真实验结果表明,与GBI-BI算法和Interest CN算法相比,所提搜索算法能够提高命中率,缩短响应时间...
【文章来源】：计算机科学. 2020,47(02)北大核心CSCD
【文章页数】：6 页
【部分图文】：
Q-learning的原理图
实验使用Matlab对本文算法SMBNIQL(Search Mechanism Based on Node Interest and Q-learning)进行仿真,为了保证实验的效果,同时将文献[11]的Interest CN算法和文献[12]的GBI-BI算法作为对比。根据第4节的内容,该实验将对SMBNIQL算法中搜索策略的第一阶段和第二阶段分别进行仿真分析,总体实验流程如图2所示。图2中,SN集表示超级节点集,GN集表示普通节点集。在节点初始化函数node()中,为了使仿真环境更符合实际情况,节点兴趣向量的初始化符合齐夫分布;在Observer()函数中,分别根据CBI-BI算法、Interest CN算法以及本文算法SMBNIQL设计不同的路由实现函数。
由图3可知,当TTL在较小的范围时,SMBNIQL算法和CBT-BI算法的命中率比Interest CN算法高,这是因为SMBNIQL算法优先将查询消息转发给资源数较多的节点,CBT-BI算法优先将查询消息转发给兴趣最相似的节点,而Interest CN算法则将查询消息转发给网络中与其随机连接的邻居节点;另外,SMBNIQL和CBT-BI算法的命中率相差不大,SMBNIQL算法略微高一点,这是因为两者具有相同的树状拓扑结构,只是生成树的策略不同,但是都提高了命中率。由图4可知,Interest CN算法的查询消息数目最多,这是因为该算法中每个兴趣集的网络是随机拓扑结构,消息以Flooding的方式转发,必然会产生较多的冗余消息;而另外两种算法使用树状拓扑结构,消息不会被重复转发。
【参考文献】：
期刊论文
[1]一类非结构化对等网资源搜索问题的蚁群算法机制研究[J]. 涂振宇,曾瑄. 南昌工程学院学报. 2016(01)
[2]一种改进的非结构化P2P网络洪泛搜索机制[J]. 卢苇,周韬,邢薇薇. 西北工业大学学报. 2015(02)
[3]基于节点兴趣的非结构化P2P网络拓扑结构研究[J]. 何可,吴晓军,张玉梅. 计算机工程与应用. 2016(09)
[4]非结构化P2P网络的一种改进搜索算法[J]. 叶培顺. 计算机与现代化. 2013(12)
[5]基于节点信誉改进Q学习的P2P资源搜索策略[J]. 刘焕淋,陈高翔,吴帅勇. 重庆邮电大学学报(自然科学版). 2013(06)
[6]基于行为特征的超级节点节流算法研究[J]. 何钦,刘丹,周明. 计算机工程与应用. 2013(11)
[7]面向非结构化P2P网络的双向随机漫步搜索机制[J]. 马文明,孟祥武,张玉洁. 软件学报. 2012(04)
[8]基于兴趣域中心节点的P2P网络拓扑[J]. 赵新慧,冯锡炜,石元博. 科学技术与工程. 2011(21)
[9]非结构化P2P网络拓扑结构的改进机制[J]. 许松. 计算机工程与应用. 2009(10)
[10]改进的基于概率的非结构化对等网搜索算法[J]. 王新生,邢丹,李帼. 计算机仿真. 2008(09)
本文编号：3372864
【文章来源】：计算机科学. 2020,47(02)北大核心CSCD
【文章页数】：6 页
【部分图文】：
Q-learning的原理图
实验使用Matlab对本文算法SMBNIQL(Search Mechanism Based on Node Interest and Q-learning)进行仿真,为了保证实验的效果,同时将文献[11]的Interest CN算法和文献[12]的GBI-BI算法作为对比。根据第4节的内容,该实验将对SMBNIQL算法中搜索策略的第一阶段和第二阶段分别进行仿真分析,总体实验流程如图2所示。图2中,SN集表示超级节点集,GN集表示普通节点集。在节点初始化函数node()中,为了使仿真环境更符合实际情况,节点兴趣向量的初始化符合齐夫分布;在Observer()函数中,分别根据CBI-BI算法、Interest CN算法以及本文算法SMBNIQL设计不同的路由实现函数。
由图3可知,当TTL在较小的范围时,SMBNIQL算法和CBT-BI算法的命中率比Interest CN算法高,这是因为SMBNIQL算法优先将查询消息转发给资源数较多的节点,CBT-BI算法优先将查询消息转发给兴趣最相似的节点,而Interest CN算法则将查询消息转发给网络中与其随机连接的邻居节点;另外,SMBNIQL和CBT-BI算法的命中率相差不大,SMBNIQL算法略微高一点,这是因为两者具有相同的树状拓扑结构,只是生成树的策略不同,但是都提高了命中率。由图4可知,Interest CN算法的查询消息数目最多,这是因为该算法中每个兴趣集的网络是随机拓扑结构,消息以Flooding的方式转发,必然会产生较多的冗余消息;而另外两种算法使用树状拓扑结构,消息不会被重复转发。
【参考文献】：
期刊论文
[1]一类非结构化对等网资源搜索问题的蚁群算法机制研究[J]. 涂振宇,曾瑄. 南昌工程学院学报. 2016(01)
[2]一种改进的非结构化P2P网络洪泛搜索机制[J]. 卢苇,周韬,邢薇薇. 西北工业大学学报. 2015(02)
[3]基于节点兴趣的非结构化P2P网络拓扑结构研究[J]. 何可,吴晓军,张玉梅. 计算机工程与应用. 2016(09)
[4]非结构化P2P网络的一种改进搜索算法[J]. 叶培顺. 计算机与现代化. 2013(12)
[5]基于节点信誉改进Q学习的P2P资源搜索策略[J]. 刘焕淋,陈高翔,吴帅勇. 重庆邮电大学学报(自然科学版). 2013(06)
[6]基于行为特征的超级节点节流算法研究[J]. 何钦,刘丹,周明. 计算机工程与应用. 2013(11)
[7]面向非结构化P2P网络的双向随机漫步搜索机制[J]. 马文明,孟祥武,张玉洁. 软件学报. 2012(04)
[8]基于兴趣域中心节点的P2P网络拓扑[J]. 赵新慧,冯锡炜,石元博. 科学技术与工程. 2011(21)
[9]非结构化P2P网络拓扑结构的改进机制[J]. 许松. 计算机工程与应用. 2009(10)
[10]改进的基于概率的非结构化对等网搜索算法[J]. 王新生,邢丹,李帼. 计算机仿真. 2008(09)
本文编号：3372864
本文链接：https://www.wllwen.com/jingjilunwen/guojimaoyilunwen/3372864.html
