基于蚁群算法的非结构化P2P网络资源搜索研究

发布时间：2017-10-17 21:46

  本文关键词：基于蚁群算法的非结构化P2P网络资源搜索研究

  更多相关文章： 非结构化P2P网络 蚁群算法 信息素 资源搜

【摘要】：对等网络(P2P)技术有效整合互联网的资源,为人们在大规模信息中获取目标资源提供了更有效的途径。其中非结构化P2P网络具有网络拓扑简单,容易维护,支持模糊查询等优点,但由于其拓扑结构简单、松散,其资源搜索与定位效率一直是研究和关注的问题。传统的非结构化P2P网络资源搜索算法使用泛洪算法(Flooding)来定位资源,但随着网络规模的扩大,这种通过Flooding来定位资源的方法会产生大量的冗余信息,使得网络负载加大,导致搜索效率较低。为了解决非结构化P2P网络资源搜索的效率问题,一种可行的方法是精确的选择邻居节点进行查询转发,从而减少冗余信息的产生,降低搜索时间,最终提高搜索算法效率。蚁群算法起源于对蚂蚁觅食行为的观察,是一种模拟进化算法,它具有正反馈机制,这种机制可以使算法精确的选择邻居节点进行查询转发,提高搜索效率。论文在对传统蚁群算法解决非结构化P2P网络资源搜索问题研究的基础上,给出了一种基于改进蚁群算法的非结构化P2P网络资源搜索算法。传统的蚁群算法只有一种信息素指导查询转发,没有考虑节点之间的联系,并且在搜索后期,由于信息素的累积,算法只会对局部网络资源进行搜索,使搜索过早陷入停滞状态。针对以上问题,论文对传统的蚁群算法进行了以下两点改进：(1)设置了节点兴趣信息素。在传统蚁群算法的关键字信息素的基础上,引入了节点兴趣信息素。关键字信息素反映了节点对于某一关键字的历史搜索行为；节点兴趣信息素反映了节点之间的通信频率和节点拥有资源的相似性。用这两种信息素指导查询转发,考虑了节点之间的联系,同时通过这种正反馈机制,能够精确的选择邻居节点进行查询转发,减少冗余信息的产生。(2)加入了伪随机比例规则,平衡了蚂蚁在利用已有历史信息和探索新的网络资源之间的关系,从而避免了算法陷入只对局部进行搜索,过早陷入停滞状态的困境。论文利用PeerSim网络仿真模拟器对该算法进行仿真实验,并且把该算法与传统的非结构化P2P资源搜索算法——泛洪算法和随机漫步算法进行对比,实验结果表明该算法提高了搜索成功率,并且在搜索效果相同的情况下,减少了冗余信息包在网络中的传播。
【关键词】：非结构化P2P网络 蚁群算法 信息素 资源搜
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TP393.02
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 1 绪论11-17
• 1.1 研究背景及意义11-12
• 1.2 国内外研究现状12-15
• 1.3 论文主要工作15-16
• 1.4 论文组织结构16-17
• 2 P2P相关技术介绍17-32
• 2.1 P2P概述17-19
• 2.1.1 P2P的定义17-18
• 2.1.2 P2P的特点18-19
• 2.2 P2P网络拓扑结构19-25
• 2.2.1 集中式拓扑19-21
• 2.2.2 全分布式结构化拓扑21-23
• 2.2.3 全分布式非结构化拓扑23-24
• 2.2.4 混合式拓扑24-25
• 2.3 P2P网络搜索技术25-31
• 2.3.1 结构化P2P网络搜索算法26-28
• 2.3.2 非结构化P2P网络搜索算法28-29
• 2.3.3 P2P网络搜索算法评价标准29-31
• 2.4 本章小结31-32
• 3 蚁群算法相关研究32-40
• 3.1 蚁群算法概述32-36
• 3.1.1 蚁群算法原理32-33
• 3.1.2 蚁群算法解决TSP问题33-35
• 3.1.3 蚁群算法的优缺点35-36
• 3.2 蚁群算法的改进算法介绍36-39
• 3.2.1 精英策略的蚁群算法(EAS)36
• 3.2.2 基于排列的蚁群算法(AS_(rank))36-37
• 3.2.3 最大-最小蚁群算法(MMAS)37-38
• 3.2.4 蚁群系统(ACS)38-39
• 3.3 本章小结39-40
• 4 基于改进蚁群算法的非结构化P2P网络资源搜索研究40-56
• 4.1 蚁群算法解决非结构化P2P网络资源搜索问题描述40-41
• 4.2 改进算法的设计41-44
• 4.2.1 改进算法的设计思想42
• 4.2.2 改进算法的设计目标42-43
• 4.2.3 信息素的设置和伪随机比例规则的引入43-44
• 4.3 改进算法的描述44-51
• 4.3.1 本地资源搜索算法描述46-48
• 4.3.2 网络资源搜索算法描述48-51
• 4.4 改进算法的实现51-55
• 4.4.1 改进算法功能模块设计51-52
• 4.4.2 改进算法数据结构设计52-55
• 4.5 本章小结55-56
• 5 算法仿真与分析56-63
• 5.1 仿真工具PeerSim56-58
• 5.2 仿真步骤与参数配置58-59
• 5.3 实验结果与分析59-62
• 5.3.1 算法评价59
• 5.3.2 实验结果与分析59-62
• 5.4 本章小结62-63
• 6 总结与展望63-64
• 参考文献64-66
• 作者简历66-68
• 学位论文数据集68

【相似文献】

中国期刊全文数据库 前10条

1 刘晴;;昆腾创新归档解决方案减轻了主存储上非结构化数据增长的负担[J];计算机与网络;2013年23期

2 缪红;钟华;龙昕;;元器件企业保护非结构化大数据的研究[J];电子元件与材料;2014年06期

3 王晓丽;;基于网络的中学非结构化教育资源建设探析[J];中国教育信息化;2007年08期

4 ToddMatsler;;深耕大数据 助力平安城市智慧转型[J];中国信息界;2013年12期

5 经有国;但斌;张旭梅;郭钢;;基于本体的非结构化客户需求智能解析方法[J];计算机集成制造系统;2010年05期

6 张广泉;非结构化程序流程图及其等价变换[J];重庆师范学院学报(自然科学版);1993年03期

7 王晓波;;非结构化数据采集和检索技术的研究与实现[J];中国内部审计;2014年07期

8 黄远鸣;;一种非结构化数据的多牵度分配存取实现方法[J];科技通报;2014年08期

9 刘威,武家春,廖建新,丁轶;非结构化补充业务数据中心的设计与实现[J];计算机工程与应用;2005年10期

10 罗文华;;非结构化数据处理分析在电子数据取证中的应用[J];警察技术;2010年03期

中国重要会议论文全文数据库 前10条

1 祝世京;陈s，

本文编号：1051241