文摘

本文我们首先进行模拟的并行进化点对点(P2P)网络技术(称为P-EP2P)我们以前提出的现实环境的使用模型检查如果P-EP2P实用。这里的环境是由网络用户和想要的东西,和P-EP2P适应P2P网络拓扑环境以一种进化的方式。仿真结果表明,P-EP2P很难适应网络拓扑的一些现实的环境。然后,基于结果的讨论,我们提出一个更好的适应性战略P-EP2P现实环境。的策略首先法官如果进化适应网络拓扑可能出现在目前的环境下,如果法官,它实际上试图实现网络拓扑的进化适应。否则,它将随机改变网络拓扑。仿真结果表明P-EP2P提出的策略可以更好地适应网络拓扑的现实环境。这项研究的主要贡献是提出这样一个有前途的方式实现一个可演化网络的进化方向是由用户。

1。介绍

最近增长的信息和通信技术,例如,通信的进步速度、存储容量和处理速度,值得关注。在这种定量技术的进步,人类对网络的依赖程度变得更高。例如,世界上互联网的用户数量达到约三千零二几亿2015年,而2000年是四亿左右。定量技术进步正在不断,人类的定量特征作为网络社会的一部分,如计算速度,到目前为止没有改变,基本上不会改变未来。因此,人类和网络之间的定量特征的差异变得更大,所以它需要可持续发展的网络社会深深考虑人类和网络之间的关系。

一个技术,认为人类和计算机之间的关系,之间的定量差异也变得更大,这是交互式进化计算(1,2]。交互式进化计算结合了电脑,执行快速固定的程序,和一个人,法官的事情不是很快,但是从不同的观点。具体地说,这种技术使用计算机快速执行进化算法(简称EA以下)作为优化方法也使用人类作为目标函数的优化问题得到解决。这种技术使我们能够优化参数的系统的输出只能由人类来评估。这是一种形式的人类和计算机之间的合作。与此同时,很少有技术考虑人类和网络之间的关系。

网络和人类之间的合作表明,网络和用户之间的相互作用使网络在网络更好的为用户服务。意识到这样一个合作,首先,网络实现一个服务需要与用户进行交互。网络和用户之间的相互作用表明,网络的影响人类的行为,反之亦然。网络之一,有能力的相互作用是一个点对点(P2P)网络(3]。更精确地说,是一个非结构化的P2P网络。非结构化P2P网络在逻辑上是建立在物理网络,如互联网,和非结构化P2P网络中,节点可以是服务器和客户端之间的相互直接联系和提供服务。在某些应用程序文件共享等非结构化P2P网络节点可以被视为用户节点之间的联系和逻辑相当于用户是由用户自己的意志决定的。也就是说,非结构化P2P网络拓扑形成逻辑上和由用户自由。如果一个非结构化P2P网络可以收到用户需求和变化之间如何联系节点(用户)基于用户的需求,这样的非结构化P2P网络是一种形式,实现我们所期望的合作网络和人类。

在我们之前的研究中,我们认为可持续发展的网络社会,网络适应人类的需求是社会网络的一个主要部分是必要的。也就是说,我们认为上述合作网络和人类的可持续增长是必须的网络社会。本文的研究也是基于同样的思想。然后,在我们之前的研究中,我们提出了进化的P2P网络技术进化拓扑重构基于健身的P2P网络由节点(用户)以在线的方式,叫做EP2P以下(4]。

然而,EP2P的基本评价4)没有考虑网络真正的P2P网络的大尺寸。例如,根据一些调查公司2014年,bt的累计数量的用户,这是一个代表P2P文件共享网络,一个月是三亿左右。自EP2P需要一个特殊的节点称为超级节点,扮演的角色从节点(用户)和执行收集健身EA自适应改变P2P网络拓扑结构,它可以发生,超级节点超载节点数的增加,然后由于,P2P网络停止工作。这是EP2P的问题。虽然我们没有估计准确的负荷不断增加所带来的超级节点的节点在我们之前的研究4),这个问题基本上是等于一个单点故障的风险,我们必须解决它。

所以,作为解决EP2P的问题,然后提出了并行进化P2P网络技术,叫做P-EP2P以下,首先将整个P2P网络划分为多个更小的网络,以避免过载的超级节点,然后EP2P适用于每一个小型网络,使整个网络自适应(5]。然而,即使P-EP2P有一个难题。问题是搜索失败率成为高将节点组数量的增加。更准确地说,在P-EP2P,时间评估和重建网络拓扑是相同的所有节点组,同时评估和拓扑重建导致低效的适应网络拓扑的用户的需求。

然后,作为一个问题的解决方案,我们进一步提出了一种新的评价方法在P-EP2P网络拓扑。新方法使所有节点组评估他们的网络拓扑顺序不同时。在这项研究中,它是通过模拟表明,P-EP2P使用新的方法产生更好的搜索失败率比P-EP2P使用前面的方法当节点组的数量变大(6]。

然而,在一系列的上述研究[4- - - - - -6),我们只考虑一个特殊的评估场景。特殊情况是,所有节点只寻找一个特定的节点。检查如果P-EP2P实际,我们需要评估技术和方法提出使用更多的现实的评估场景。

为目的的检查P-EP2P的实用性,在本文中,我们首先要为P-EP2P更加现实的评估场景和评估一些类型的P-EP2P我们提议在我们先前的研究使用的现实评估场景。现实评估场景假设现实环境中不同的用户而言,他们想要在网络存在。然后,基于第一个评价结果的讨论,我们提出一个新的战略P-EP2P更好地适应网络拓扑的现实环境。最后,我们与新战略评估P-EP2P P-EP2P的实用性。事实上,第一个评价结果表明,P-EP2P不能进化适应网络拓扑一些现实的环境。对于这些环境,随机网络拓扑建设被认为是合适的。因此,新策略,我们提出本文首先法官如果进化适应网络拓扑的可能发生在当下的环境中,如果法官,它实际上试图实现网络拓扑的进化适应。否则,它将随机改变网络拓扑。P-EP2P包括策略的仿真结果表明,它能更好地适应网络拓扑的现实环境。

本研究的主要贡献是提出一个有前途的方法来实现一个可演化网络的进化方向是由人类(非结构化P2P网络的节点),也就是说,P-EP2P提出策略。由于没有替代方法与P-EP2P此时此刻,我们与新战略评估P-EP2P P-EP2P通过比较它与变异。然而,P-EP2P所示的新战略是通过模拟,其中最实用,我们可以期望从P-EP2P新的战略顺利实施的结果甚至在现实世界中。

本文的其余部分组织如下。节2我们描述P-EP2P,目标是评估和改进,我们之前提出。部分3解释了两种类型的方法来评估和重建网络拓扑,我们之前提出。部分4首先描述了现实的评估场景我们设计然后显示仿真结果评估的P-EP2P部分中解释的方法3使用的现实评估场景。节5基于仿真结果和讨论部分4为P-EP2P,我们提出一个新的策略和评估P-EP2P包括新战略与一个评估场景假设一个动态环境以及部分的仿真场景一样4。部分6描述了相关工作和结论部分7。

2。平行进化的P2P网络技术

并行进化P2P网络技术,P-EP2P,将所有的节点划分为多个节点组,然后应用进化P2P网络技术,EP2P,每组。P-EP2P如图的概述1。评估和重建网络拓扑的方法解释部分3与时间有关的网络拓扑是评估和重建应用EP2P时每个节点组。

2.1。网络的作文

如图1,使用P-EP2P网络是由一个P2P网络,包括几种网络拓扑,在所有的节点都包含在同一时间,和多个超级节点,EA是用来优化拓扑。P-EP2P首先将整个网络划分为多个更小的网络。让节点组的数量,得到除以整个网络,和中的节点数量th节点组()。然后,一个超级节点分配给每个节点组。

超级节点的实际作用(1)来确定节点的链接的节点组首次加入网络,(2)重建的网络拓扑节点组通过执行EA,和(3)管理节点组中的节点加入网络。超级节点不管理哪些服务每个节点的节点组可以提供到其他节点。例如,在一个P2P文件共享网络,超级节点每个节点并不管理哪些文件。然而,P2P节点沟通他们的超级节点的加入和离开网络。因此,超级节点可以确定哪些P2P节点组中的节点加入网络,目前这些节点是否在网络。

2.2。加入和离开节点

P2P节点的加入和离开网络通信到超级节点的节点组。因此,超级节点可以确定哪些P2P节点组加入了网络中的节点,这些节点是否仍在网络。

当一个节点加入P2P网络第一次的超级节点随机决定了节点加入节点将所有的P2P节点之间链接的节点组。自从有了网络拓扑,超级节点决定加入的链接的所有拓扑节点。接下来,当加入节点离开网络,加入节点首先告知超级节点,它将离开网络,然后通知超级节点与网络汇合。然而,目标节点与节点的相同节点与之前离开网络,尽管目标节点可能不再是网络中。

2.3。健身指定的节点

在P-EP2P,给健身网络拓扑节点。健身不是明确的评价从用户自己。然而,这里假定网络拓扑实现可靠的搜索是有用的,在这个假设下,节点被认为是相当于用户自动提供健身网络拓扑。即使在这种情况下,用户可以被认为是一个进化的P2P网络问题的目标函数。

P2P节点在每个节点组使用它包含所有的网络拓扑然后分配一个健身的拓扑。每个网络拓扑的健身最初设置为零,在每一个时间间隔。否则,每个网络拓扑基本上增加健身使用的节点。

当一个P2P节点的P2P网络搜索P2P节点能提供所需的服务,这个P2P节点使用所有的P2P网络拓扑结构中包含搜索。因此,它是可能的,在一个给定的允许跳数,,P2P节点可以找到所需的服务在某些拓扑而无法找到其他拓扑中的服务。如果没有找到所需的服务在某种拓扑,拓扑的健身是增加了一个。否则,健身不会改变。

如果上述搜索和转让健身一段时间进行,每个拓扑将每个节点组被分配一定的健身。然后,拓扑与较小的EA的健康被视为更好的使用。

在P-EP2P,一个超级节点分配给每个人节点组,只从收集健身节点属于它的节点组。所有节点同时属于网络拓扑和分为节点组。因此,它可能发生的节点组分配不同的健身相同的网络拓扑。

2.4。网络拓扑结构的表征

在EA,候选人一个优化问题的解决方案是用另一种形式表示。这种替代形式是由一个人设计试图解决问题使用EA和被称为基因型或一个独立的个体。同时,解决候选人本身被称为表型在EA P-EP2P, P2P网络拓扑结构的优化是一个对象和一个人的另一种形式是P2P网络拓扑结构。

假设一个P2P网络组成节点。P2P网络拓扑结构假定这是通过每一个生成的节点使直接链接到其他节点。因此,一个人是一种内部表示的EA的网络拓扑。

每个节点分配一个序列号作为它的标识符,而当标识符对应的索引向量代表个人。当标识符对应的指数代表的每一块元素。个人代表一个标识符的元素值的节点集中的节点直接链接。方向由一个直接链接显示一个搜索查询只能转发那个方向。因此,如果洪水被用作查询转发方法,搜索查询生成的节点在某个节点转发节点的直接链接,所代表的方向和路径转发查询(洪水树)然后相应确定。然而,当数据,例如一个文件,在此搜索,发现节点的对象传输数据的节点查询通过直接沟通。

事实上,最可靠的方式搜索网络所需的内容形成一个全网状网络拓扑中,每个节点链接到所有其他节点,并使用洪水搜索查询转发节点发出一个搜索查询的查询转发给所有相邻节点。全网状网络拓扑上的洪水,用户发布一个搜索查询肯定能找到所需内容,如果所需的内容存在于现在的网络。然而,全网状网络拓扑上的洪水导致沉重的网络流量。此外,如果用户需要确认是否每个节点拥有所需的内容,用户会感到疲劳。因此,我们采用进化P2P网络的小次数有限的查询转发执行进化优化网络拓扑。

数据2和3个人使用的EA的显示表示这里时和,分别。

2.5。进化的运营商

进化算子应用于个体的集合中提到的部分2.4被称为人口,以生成一个新的个体,这被称为新的人口。个人在EA的数量,即人口规模,。进化运营商通常包括选择算子,通过自然选择进化论的启发,重组或交叉算子,模型基因重组、基因突变和变异算子,模型。进化操作符用于P-EP2P解释如下。

2.5.1。选择

此处使用的选择算子是锦标赛选择比赛的大小。锦标赛选择随机选择个人从EA人口和选择最好的个人素质个人。重复,直到这个选择过程个人被选中。是一个人口规模和偶数。

在每个节点组,分配给个人的比赛进行的选择是使用健身编码网络拓扑。因为它可以发生的节点组提供不同的健身相同的个体,个人可以选择不同的节点组。

2.5.2。交叉

这是使用的交叉算子节点连接交叉(NLX)之前,我们提出了4]。NLX已被证明比传统一点形成更好的网络拓扑和均匀交叉操作符的评估场景下所有节点仅属于一个节点组,只在网络搜索一个特定的节点。

NLX应用于所选个人锦标赛选择在每个节点组,如下所示。范围内哪些NLX应用在每个节点组记者的向量元素(位点)的节点组。(1) 个人选择的选择运营商分成对个人。选中的个体成为父母的人。(2)交叉算子应用于每一对父母个人的概率,这被称为交叉率。孩子个人来自每一对父母个人是相同的父个体在交叉算子。每个父个体都有对应的子个体。(3)为每一对父母个人的交叉算子,是中随机选择一个元素个人的元素。所选元素的重组进行概率。(4)的元素的复合应用,哪一个孩子个体对应一个父个体接收元素值的其他家长个人复制本身是随机决定的。(5)后决定哪些父个体提供了重组的元素值,生成的节点(元素值)链接直接复制到目标节点之间的联系孩子的个体。数据4和5展示NLX的示例和当,分别。例如,在图5,第三个节点被选中作为初始节点的联系。然而,由于每个节点使两个直接链接,第三个节点有两个元素可以引用NLX,,在这个例子中,和。然后,NLX随机选择的两种可能的元素之一,指的是所选元素的值,这是。接下来,因为第二个节点的链接,这是第十个节点,也有两个元素,NLX随机选择一个元素指的是所选元素的值,这是。通过这种方式,节点连接形成。一般来说,当,NLX以相同的方式执行。然而,当有多个节点组(),变得复杂。例如,假设一个节点节点组1的焦点直接链接到一个节点在另一个节点组2和节点直接链接到一个节点在另一个节点组3。然后,我们将考虑一份这些节点之间的联系,。在这种情况下,连接的节点的节点组1,这是重点,节点外的节点组1,复制,但从节点的联系的节点外,这也是节点组,不能被复制。在NLX尝试之一,当复合的次数没有达到,一组链接从一个节点一个节点的集中出现在另一个节点一个节点组,一个链接的节点,另一组一些节点不能被复制,如上所述。在这种情况下,选择一个新的向量元素的向量的所有元素节点群集中被复制。所选元素的节点链接再次从(节点)。NLX尝试之一是完成当向量元素的总数复制。(6)重复步骤3到5次了。

2.5.3。突变

此处使用的变异算子,在每个元素的值(基因)个人获得NLX后随机改变其他的可能值的概率,称为突变率。个人的元素值代表一个节点的节点的标识符对应的元素位置有关,这样的变异算子变化节点集中的节点相连。因为所有的超级节点交换信息节点出现在他们的网络中,每个元素的值标识符的人可以成为整个网络中所有的节点的变异算子。本介绍了变异算子主要让小说基因并没有出现在初始种群。此外,如果我们设置突变率高,P-EP2P方法随机方法。

2.6。EA人口转换为网络拓扑

EA人口获得应用进化算子后转换成一组新的P2P网络拓扑在超级节点上面所提到的,每个节点和节点必须直接链接然后沟通网络中的每个节点。节点然后直接链接到其他节点根据这些信息。网络中的节点不存在此刻获得节点的信息,他们必须链接加入网络。

3所示。同时网络拓扑和连续的评估方法

在我们之前的两项研究[4,5),我们认为EP2P或P-EP2P部队所有节点组同时开展的健身价值从节点和网络拓扑的进化重建网络拓扑的基础上同时健身值。我们称这种方法为评估和重建网络拓扑同时拓扑评价方法。

在我们最近的研究(6),从仿真结果表明,当使用同步拓扑评价方法,网络拓扑变化的一些节点组可以对健康造成不良影响其他节点组的值;即进化的网络拓扑结构,每个节点组管理不和谐发生。在使用同步拓扑P-EP2P评价方法中,所有节点组可以给不同的健身价值的一种网络拓扑结构,然后每个节点组可以选择和修改不同的下一代网络拓扑。然后,整个网络拓扑是由随机结合形成的不同的网络拓扑结构,所有的节点组。毫无基础,这种随机组合的不同网络拓扑收益更好的网络拓扑。P-EP2P上面提到的问题也显示在图6。所以,我们提出一个方法,评估并重建网络拓扑一分之一固定顺序(见图7)。这种方法允许一个节点组重建自己的网络拓扑条件下,其他节点的网络拓扑组织是固定的。我们称这种方法为连续的拓扑结构评价方法。

P-EP2P程序使用同步拓扑结构评价方法如下:(1)所有节点分为节点组,(2)节点每个节点组使用一个固定时间段的网络拓扑,(3)一个超级节点在每个节点组集健身价值观从节点,(4)所有节点组进化重建其网络拓扑结构在同一时间,和(5)返回(2)。

P-EP2P使用连续的拓扑的过程评价方法如下:(1)所有节点分为节点组,(2)节点每个节点组使用一个固定时间段的网络拓扑,(3)一个超级节点在每个节点组集健身价值观从节点,(4)只有一个节点组,现在在其进化过程中其网络拓扑结构,在所有节点的拓扑重建组的顺序是事先决定的,和(5)返回(2)。例如,假设两个节点组,a和B,存在。然后,只有节点组第一次进化重建其网络拓扑使用适应度值,获得网络拓扑的实际使用的节点来。接下来,只有节点B组重建其网络拓扑使用健身值聚集来。然后,再把涉及到的节点组。重复这个过程。

4所示。模拟

我们这里假设仿真场景,更现实的比那些在我们之前的研究中使用(6)和评估P-EP2P假定下模拟场景。模拟器用于模拟在C编程语言是我们自找的。

4.1。配置并行进化的P2P网络技术

表1显示配置的P-EP2P使用。的配置是我们之前的研究中使用的相同(6]。模拟,至于每次节点的加入和离开,我们认为两个场景。一个是,所有网络中节点始终保持。这种情况被称为“总场景。“另一个概率随机确定在60%和100%之间分配到每个节点,每个节点参与网络在每次分配的概率。一个单位的时间在一个模拟世界中被定义为一个时间段相同数量的搜索所需的节点数量,参与网络时期的开始。进行搜索的节点随机选择的节点参与网络时期的开始。这种情况被称为“部分场景。“节点的行为通常被称为节点动态加入和离开网络生产(7,8]。

正如上面提到的,单位时间的模拟被定义为所有当前节点所需时间进行搜索。类似的,单位时间在现实执行P-EP2P应该被定义为一个固定数量的搜索所需时间要做。理想情况下,单位时间在现实执行P-EP2P应该一样的单位时间的模拟,因为现在的网络拓扑是相当评估所有当前节点。此外,它是可取的,环境没有改变在一些单位为了进化拓扑重建有效地工作。然而,很难让我们知道环境的变化速度。所以,我们将考虑一种自适应地确定单位时间在未来的工作。

在总场景中,所有参与网络在每一个时间节点。与此同时,在部分场景中,我们通过仿真证实,大约参与网络在每一个时间节点。

4.2。模拟的场景

我们已经提到过模拟场景节点加入和离开。我们从其他方面本设计仿真场景并将它们合并到场景节点的加入和离开,也就是说,总场景和部分场景。

在模拟中,我们假设一个P2P网络流的运动视频(9运动),复制视频的流不是和每个节点搜索网络进行必要时所需的运动视频。复制在P2P网络中其他节点代表创建副本的原始内容。P2P文件共享网络通常使用一个复制策略10]。

模拟场景是由改变如何决定每个节点和流媒体内容如何决定每个节点流媒体内容检索。类型的流媒体内容的总数由网络中的所有节点是200。每个节点包含一种内容搜索和检索的内容。200种内容分配序号从1到200。

我们用两种方式来决定每个节点所持有的一个内容。一个是随机决定的,被称为随机控股,另一种是决定根据Zipf定律(11),叫做Zipf控股。Zipf定律的上下文中检索的信息表明,当流行的一个内容的顺序,概率正比于节点检索的内容。这里我们不考虑的概率检索的内容,但概率节点内容。的参数调整内容中受欢迎程度的偏差。更大的价值是,偏差越大。我们设置了α1对所有模拟。

我们用三种方法来决定哪些节点搜索网络内容。一个是随机决定的,这叫做随机搜索。另一个是决定他们根据Zipf定律,叫做Zipf的搜索。这种方法基本上是一样的方式来决定内容由节点根据Zipf定律(Zipf控股)但考虑的概率搜索内容。当内容由节点和内容搜索的节点都是根据Zipf定律决定的,受欢迎的内容是相同的。也就是说,一个内容的序列号举行,寻找一个节点有相同的概率成正比吗。另一个原因是,所有节点只在网络搜索一种内容,叫做特定的搜索。

就像前面提到的2,一个超级节点P-EP2P并不管理每个节点包含什么内容。因此,基本上是不可能提供的列表内容分布式网络中的节点。然后,搜索查询节点不能出具内容名称的一种形式。我们这里最理想的假设一个搜索查询关键字的一种形式和节点可以猜测关键词来检索所需的内容。

我们准备6个评估场景相结合两种方法来决定内容由节点和节点的三种方式来决定内容搜索网络。此外,供参考,我们使用相同的评估场景在我们之前的研究中使用(6]。这个场景是并非一种内容,但一个节点由所有节点在网络搜寻,叫做一个节点搜索。

4.3。仿真结果

我们观察到的时间过渡搜索失败率每20倍单位一个模拟的结果。我们的仿真结果P-EP2P使用同步和连续的拓扑结构评价方法当所有节点总是呆在网络图8当每个节点参与的网络随机概率在60%和100%之间每次在图9。P-EP2P对于每一个评估场景的仿真结果的平均结果30多个独立的模拟运行。在所有评估场景,同一组30初始网络拓扑用于30独立的模拟运行。

在数据8和9同步拓扑的仿真结果评估方法是标记为“同步”,连续拓扑的评价方法是标记为“顺序。“此外,节点组的数量是由“”。例如,节点组的数量是2,仿真结果是贴上“”。

首先,比较数据8和9与相同的配置,我们可以确认P-EP2P也有类似的趋势之间的过渡时间的搜索失败率节点加入和离开时没有发生,当它发生时,虽然搜索失败率在该节点的加入和离开比那些发生在节点加入和离开的情况不会发生在大多数评估场景。因此,我们讨论时间转变的倾向的搜索失败率在以下两种情况。

比较P-EP2P使用同步的仿真结果和连续的拓扑结构评价方法,我们可以观察到,所有评估场景和数量的组,P-EP2P使用连续的拓扑结构评价方法优于或等于,使用同步拓扑结构评价方法。较小的数量种类的内容搜索目标,它们之间的性能差异越大。也就是说,性能差异变得更大的一个节点的顺序搜索特定的搜索,Zipf的搜索和随机搜索。

与此同时,我们可以观察到,搜索失败率增加仿真开始后评估场景。更加多样化的搜索目标的内容,更重要的是搜索失败率增加。这样做的原因是,虽然搜索目标的内容多样化,进化方法,特别是网络拓扑结构的选择产生了专门的网络拓扑发现在不同所需的特定内容。因此,它将成为很难找到内容除了使用进化网络拓扑的特定内容,因此,搜索失败率会显著增加。当搜索目标的内容是特定的搜索失败率也增加了发展网络拓扑专门用于在特定的搜索目标的内容。然而,这一增长暂时发生。由于内容的搜索目标的数量很小首先,使用的交叉和变异算子可以发展适合的网络拓扑发现那些特定的内容。然后,正如上面提到的,使用顺序P-EP2P拓扑评价方法是更好的。

从上述仿真结果,我们可以得出这样的结论:P-EP2P导致显著增加搜索失败率进化后重建新的随机网络拓扑。这只是一个过渡状态,这将是一个重要的状态后的过渡状态。正如我们上面提到的,当搜索目标的内容多样化,似乎很难改善搜索失败率即使通过过渡状态。也就是说,当搜索目标的内容多样化,没有进化网络拓扑重建,造成网络拓扑收敛,但随机网络拓扑重建、多样化网络拓扑,将是合适的。因此,我们需要一个方法,第一个法官是一个合适的方式现状,进化网络拓扑重建,或者随机的重建,然后合适的方式适用于当前的网络拓扑。

5。战略网络拓扑适应现实的和动态的环境

如前所述的部分4,P-EP2P需要判断哪些方式适用于现状,进化网络拓扑重建,或者随机的重建。很明显从仿真结果得到了在上一节的更特定搜索的目标节点在网络中成为更适合一个进化的方式,在相反的情况下,一个随机的方式更合适。然而,在现实中很难知道哪些对象节点以实时的方式搜索网络因为P2P网络的本质作为一个分布式系统。我们需要另一种方法来解决这个问题。代表一种进化的方式改变网络拓扑通过应用选择,交叉,变异操作中解释部分2对他们来说,和一个随机的方式代表一种改变他们通过应用只变异算子的突变率0.25 ()。

因此,我们提出以下适应性策略选择一个合适的网络拓扑重建。在每个节点组th网络拓扑重建的时间,如果一个搜索失败率目前采用的方式获得的,这是进化的方法或随机的方式,,比搜索失败率获得一次在当前时间之前,,目前采用的方法是使用直到下一次的网络拓扑重建,也就是说,时间。另一方面,如果搜索失败率比前一个,目前采用的方法是改变另一种方式。在任何情况下,下次的网络拓扑重建,也就是说,th时间,获得搜索失败率,相比,。提出的自适应策略如图10。

我们结合P-EP2P使用连续的拓扑结构评价方法与自适应策略建议。我们称这个P-EP2P P-EP2P以下与自适应策略。然后,我们进行了模拟P-EP2P与自适应策略使用相同的评估场景提出了部分4。我们一起把仿真结果数据8和9,其中包括部分的仿真结果4。P-EP2P对于每一个评估场景的仿真结果的平均结果30多个独立的模拟运行。在所有评估场景,同一组30初始网络拓扑用于30独立模拟运行和他们是相同的模拟中使用的那些部分4。在数据8和9,仿真结果P-EP2P贴上“适应性。“此外,节点组的数量是由“”。

首先,类似于使用同时P-EP2P和连续拓扑评价方法,比较数据8和9与自适应策略,我们可以确认P-EP2P相同的配置也有类似的趋势之间的过渡时间的搜索失败率节点加入和离开没有发生时,当它发生。因此,我们讨论时间转变的倾向的搜索失败率在以下两种情况。

比较P-EP2P使用连续的拓扑结构的仿真结果评价方法,使用同步拓扑P-EP2P评价方法,和P-EP2P自适应策略,我们可以观察到,除了内容,搜索目标的特定的节点组的数量,P-EP2P之一,自适应策略改进搜索失败率比其他人更重要的是在最初的快速增长的搜索失败率发生。正如预期的那样,我们可以认为当搜索目标的内容多样化,随机拓扑重建方式确实是选择和随机性引入网络拓扑重建导致改善搜索失败率。

此外,研究自适应策略的影响,我们认为一个评估场景包括环境的动态变化。评估场景的评估的情况下,使用“随机控股和一个节点搜索”不时1到2000,然后突然转向评估场景的“随机控股和随机搜索”2001和场景持续时间5000。这种动态评估场景的场景是一个极端的例子的情况持有所需的搜索对象的节点数量很小是转向了一个节点拥有所需的搜索对象的数量是相当大的。然而,这里使用的动态评估场景,这将是一个概况,用户搜索网络,只有少数几个流行的搜索对象节点保持很短的时间内,但人气下降搜索对象,然后,各种搜索对象的用户搜索网络,许多节点分别举行。

我们应用P-EP2P使用连续的拓扑结构评价方法与自适应策略和P-EP2P上述评估场景包括动态环境变化。我们的仿真结果显示两种P-EP2P当所有节点总是呆在网络图11当每个节点参与的网络随机概率在60%和100%之间每次在图12。从数据我们可以猜11和12当只有进化拓扑重建,几乎网络拓扑聚合特定的网络拓扑。因此,搜索失败率会迅速增加在2001年和以后的时间。与此同时,P-EP2P自适应策略可以限制搜索失败率的迅速增加。这些结果表明,在动态环境中自适应策略的有效性。

此外,我们观察到的拓扑重建方式是由每个节点组在每次P-EP2P使用自适应策略,在一起的时间变异搜索失败率。结果如图13和14。

我们之前预期的执行这个模拟进化拓扑重建方法主要是选择从时间1到2000的场景中采用“随机控股和一个节点搜索”和随机选择从拓扑重建方法主要是2001年到5000年的场景采用“随机控股和随机搜索”。从数据我们可以观察到13和14期望大致是这样无论节点波动存在。

然而,在任意数量的节点组的情况下,我们可以观察到在模拟时间,搜索失败率首先在一定程度上降低,然后增加再减少。此外,由于一种重建网络拓扑搜索失败率在这样的波动变化,搜索失败率的波动被认为是由拓扑重建方式的变化引起的。例如,当节点组的数量是1,搜索失败率最初可以减少通过选择进化拓扑重建方式直到2000年时间。然而,自适应策略有时选择了随机拓扑重建方法,并相应搜索失败率停止减少。这一结果表明,拓扑重建方式的变化的影响在搜索失败率很大。我们需要进一步研究和调整适应战略环境变化的敏感性。

6。相关的研究

我们目前研究处理技术,P2P网络拓扑优化基于健身从节点以在线的方式获得。所以,我们在这里描述研究P2P网络拓扑的优化计算智能技术。

首先,除了我们先前的研究[4- - - - - -6),只有一个进化研究P2P网络技术(EP2P) [12]。这项研究不是平行进化处理P2P网络技术(P-EP2P)但是EP2P中只存在一个节点组,提出两种方法对维护网络拓扑的人口的多样性进化算法。

第一种方法提出了(12)是设计适应度函数来维持网络拓扑,包括各种人群中节点之间的联系。方法引入了索引,措施之间的联系网络拓扑的重叠程度,它被命名为“重复的因素,“如果多个网络拓扑提供相同的搜索成功率存在,优先需要网络拓扑方法较低程度的重叠的联系。

此外,情况下,第一种方法保持种群的多样性,介绍了精英策略,使更好的一半的人口占据了下一代人口的一半。这个精英策略是第二种方法。一个极端的精英策略常常导致进化搜索过早收敛,但这里的精英策略有效地作为一个方法来维护下的有用链接使用的方法维持网络拓扑的多样性。EP2P使用这两个方法被证明是比EP2P没有使用他们的搜索失败率以及收敛速度下更好地为所有节点网络拓扑搜索网络所有节点的评估场景只有一个节点,这是一样的“一个节点搜索”部分中使用的场景4和5在静态和动态环境。这里的静态环境意味着网络中的所有节点始终保持和动态环境意味着传入和传出的节点存在于网络。

此外,本研究也认为流行的评估场景内容搜索目标遵循Zipf定律在我们现在的纸和显示,在两个复制使用和未使用的情况下,只有EP2P使用这两个方法好于或等于一个P2P网络使用随机生成的网络拓扑搜索失败率。在不使用的情况下复制方法,节点之间失去联系的多样性的进化方式将搜索失败率增加有关。因此,这两种方法可以有效地保持良好的多样性链接工作。我们提出了自适应策略同样的目的,也就是说,保持多样性的链接,在部分4。使用复制的方法,产生一个副本节点内容的搜索和获取内容,正如我们在我们先前的研究显示[4),一种渐进的方式不能有效地工作,因为一个节点的一个非常有用的网络拓扑获取所需内容在一个时刻成为一个无用的一个节点的节点已经举行了所需的内容和内容分布随时间将内容复制。

遗传算法被用于确定相邻节点的P2P文件共享网络(13]。另外,粒子群优化(PSO)被用于确定他们(14]。在这些研究中,假设一个文件分为片段和片段构建整个文件是从许多节点,下载和目标是实现最短的下载时间下载整个文件的碎片。这些研究类似于我们现在研究meta-heuristics技术优化网络拓扑结构,但优化(13,14)可以认为是离线优化,虽然没有描述,这是一个我们目前研究的显著差异。

为每个节点在P2P网络中快速找到所需的资源可靠,方法确定每个节点的链接对他人提出(15]。该方法执行一个神经网络来确定每个节点。这种方法,正如我们P-EP2P,每次改变网络拓扑结构固定数量的搜索查询以在线的方式生成。然而,神经元之间的权重在神经网络训练之前使用P2P网络中的神经网络,不同于我们的方法学习本身,更精确地强化学习本身,以在线的方式执行。

遗传算法被用于构建P2P网络拓扑结构,其中包括定义的所有现有的节点和最小化成本(16,17]。然而,这些研究进行离线优化,利用整个网络的信息。与此同时,我们的方法进行在线优化。

用遗传算法来优化覆盖网络的拓扑结构包括一个P2P网络以在线的方式(18]。本研究评估使用评估场景的方法提出一些链接物理网络为基础的覆盖网络失败了,然后试图重建一个覆盖网络拓扑结构的方法,使有效的数据给出两个覆盖节点之间的通信。这项研究是类似于我们的研究对进化的在线优化。然而,本研究的优化目标是一个单一的网络拓扑结构,而我们研究的是一组网络拓扑。此外,本研究评估基于结果的网络拓扑结构的两个节点之间的路由,而我们的研究评估网络拓扑基于搜索的结果由许多节点(用户)所需的内容。

7所示。结论

在本文我们进一步扩展我们的一系列研究并行进化对等网络技术(P-EP2P)。我们评估如果P-EP2P能够适应网络拓扑通过模拟现实的环境和显示,有些情况下P-EP2P很难适应他们。然后,根据仿真结果,我们提出了一种自适应策略,使P-EP2P适应现实环境的网络拓扑,表明自适应策略实际上是能够增强P-EP2P现实环境的适应性。虽然没有其他技术比较P-EP2P和我们相比的变化P-EP2P彼此,我们可以证明的能力框架P-EP2P和可以预期的结果与新战略,P-EP2P适用甚至在现实世界中。我们认为本研究的主要贡献是提出这样一个有前途的方式实现一个可发展的网络是由人类的进化方向。非结构化P2P网络的节点可以被认为是相当于人类取决于应用程序。例如,节点的非结构化P2P共享网络基本上是相当于用户的内容。

P-EP2P一系列研究的最终目标是要实现一个实际的P2P网络实现P-EP2P和检查如果发现P-EP2P用户能够适应网络拓扑(节点)的要求。例如,通过使用WebRTC(网络实时通信)技术使我们能够通过Web浏览器实现P2P通信,我们能够建立一个P2P网络视频流媒体实现P-EP2P一样在本文中提到其实际应用的一个例子。如果我们构建一个真正实现P-EP2P P2P网络,我们可以获取知识实现P-EP2P P2P网络中用户行为,以及将使用这些知识为模拟研究开发新技术。

此外,在未来的工作中,我们将考虑一个方法,将整个网络划分为小型网络。这个过程需要实现P-EP2P。然而,在本文我们假设网络部门已经提前完成。对于这个网络部门,我们将专注于细粒度的计算19,20.]。更具体地说,我们将考虑将基于粒度计算的数据聚类方法应用于并行P2P网络的问题。细粒度的计算是一个计算框架,构建一个复杂的系统通过组织颗粒如集群和间隔和最近吸引了注意力。同时,P-EP2P包括P2P节点(用户),小型网络由节点和整个网络的小型网络。如果我们考虑节点和网络作为颗粒小,集群节点建立小型网络,整个网络匹配基于粒度计算的数据聚类的概念。例如,我们可以考虑收集节点(用户)也有类似的兴趣相同的小网络促进共同利益相关的网络服务。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项工作部分是由日本支持促进社会科学科学研究通过补助金(C)(25330289),部分信息计划中心的合作研究项目,北海道大学。