绩效评估对象的管理政策为P2P网络的方法

文摘

基于网络的多媒体应用的日益普及给内容提供商带来了许多挑战提供高效和可扩展的服务。点对点(P2P)系统已经被证明是一种很有前途的方法来提供大规模视频服务在互联网上,因为从本质上说,这些系统显示高可伸缩性和健壮性。在本文中,我们提出并分析一个物体视频web缓存管理策略方法在P2P环境下,利用对象的元数据,例如,视频人气,和对象的编码技术,例如,可伸缩视频编码(SVC)。我们开展trace-driven模拟,以评估我们的方法的性能,比较它与传统对象管理政策的方法。此外,我们的研究和生产的影响对我们的方法和其他对象管理政策,实施不同的缓存策略。一个YouTube视频收集超过160万个视频记录的日志是用于我们的实验研究。实验结果表明,我们建议的方法可以大大提高缓存的性能。此外,我们发现,无论是简单的扩大同行的存储容量,也不是零复制策略是有效的行动来提高性能对象的管理政策。

1。介绍

基于网络的多媒体应用的日益普及给内容提供商带来了许多挑战提供高效和可扩展的服务。点对点(P2P)系统已经被证明是一种很有前途的方法来提供大规模视频服务在互联网上,因为从本质上说,这些系统显示高可伸缩性和健壮性。

的一个重要的问题在测量这些系统如何执行的分析它们的属性的搅动,集体效应由独立的同行抵达和起飞。弹性、关键设计参数和内容可用性问题在P2P系统中,影响生产。因此,用户驱动的动态对等参与必须考虑设计和评估任何P2P系统及其相关力学,如对象管理政策。例如,当同龄人离线,本地存储的数据不可用。这个临时内容不可用会导致堵塞骨干由于额外的交通生成的链接请求原创内容提供者。

本文的主要贡献如下。(1)首先,我们提出和分析视频对象管理策略方法的web缓存在P2P环境中。在这种方法中,我们利用对象的元数据,例如,视频人气,和对象的编码技术,例如,可伸缩视频编码(SVC)。节5基于流行,我们描述了对象管理政策(流行);我们描述用户生成内容是用来定义对象管理政策。我们已经进行的研究,使用三个不同的场景,分析我们的方法对于其他对象管理政策。我们评估如何插入、替换和丢弃的视频影响对象管理政策。除此之外,我们也研究的影响视频人气和丢弃的视频层的性能对象管理政策。节6我们现在从这些仿真实验收集到的数值结果。我们也显示多少内容型的web缓存机制可以改善传统web缓存机制。基本上,我们已经发现,我们的方法优于传统的一个,因此减少容量需求提出了在社区输出链接通过增加命中率的社区需求和优化网络资源可用。(2)其次,我们研究用户流失的影响对象管理政策。为此,我们使用一种生产模式,是基于一个固定上下交替更新过程的平均行为基于对等的类型(cf。部分4)。通过使用这种生产模式,我们已经评估个别同行存储容量的扩大作为行动以来保持政策表现社区存储容量将会直接影响生产。节7,我们现在从这些仿真实验收集到的数值结果。我们可以点同行能够存储有价值的对象长时间尺度可以改善内容的可用性。我们注意到,所有警察性能之间的差距缩小由于肿大。尽管如此,这种扩大并不影响线性策略的性能。(3)最后,我们有多少复制数据评估影响政策性能通过测量系统使用和不重复的数据。事实上,每次同行离开系统,这将使大量流行的内容不可用其他同行。每当同行前端与系统,其内容可以访问其他同行。因此,自然数据复制到系统由于生产。这自然复制作为标称系统存储容量的减少。所以,我们有多少这种复制数据影响策略性能评估通过测量系统使用和不重复的数据。节7.1,我们现在从这些仿真实验收集到的数值结果。我们发现策略的性能影响,无论是积极的还是消极的,通过这个复制的数据表明内容可用性可以改善的体积是否重复数据政策控制。

我们用于实验研究一个YouTube视频收集、记录超过160万个视频的日志。在我们的实验中,每个同行可以存储多达25平均50分钟的视频短片的长度确定研究视频中收集。整体存储容量,这被定义为所有同行的存储容量的总和,等于百分之一的视频集合存储需求(cf。部分3)。不同的模拟场景定义通过扩大系统容量,直到20%的视频集合存储需求。

我们在实验评估五个政策:(i)环境敏感和内容型的政策(流行),(ii)最近最少使用(LRU)政策,(3)最常用(LFU)政策,(iv) popularity-aware greedy-dual大小(GDSP)政策1),(v)比例部分缓存(部分)政策2]。最后四个政策(部分中描述2)是代表类的实现,也就是说,recency-based frequency-based,基于成本的政策。

2。缓存算法

本节简要地概述一下传统的缓存算法,通过本文我们用。从本质上讲,这些算法可以分为三个主要类型的策略如下。

Recency-Based策略
这种方法使用的近因是一个主要因素。最近最少使用(LRU)策略,及其扩展,这些策略是一个很好的例子。LRU利用位置信息来预测未来访问对象从过去的访问。实际上,有两种位置:(i)时间局部性和空间局部性(ii)。第一个是基于最近访问对象在未来可能会被再次使用。后一种方法,对一些对象建议访问其他对象的引用。利用时间局部性Recency-based策略;也就是说,LRU利用时间局部性。这些策略的主要缺点是,他们不考虑物体的大小的信息。此外,他们不考虑频率信息。

Frequency-Based策略
这些策略利用频率的主要因素。他们都是基于这个想法,不同的对象有不同的声望值,这意味着这些对象有不同的频率值。因此,这些值用于未来的决策。使用的次数最少(LFU)是著名的实施这些策略。有两种实现LFU(和它的扩展):(i)完美的LFU,计算所有请求一个对象。这个一直在更换;(2)缓存LFU的计数进行缓存对象。应该注意的是,这并不代表所有的请求。主要缺点是频率计数太静态为动态环境。

基于成本的策略
在基于成本的政策,一个对象的重要性被定义为一个值从一个成本函数。当缓存耗尽空间,根据成本对象是驱逐;对象以最小成本将被驱逐。greedy-dual大小(GDS)政策是第一个政策实现一个基于成本的缓存策略。为每一个对象,它维护一组特征值嗨这是在第一个请求,并计算每一次请求的对象。改进GDS策略实现了考虑历史和访问频率数据(GDSP-popularity-aware greedy-dual大小(1])和点对点系统的动力学(比例部分缓存)2]。

3所示。视频采集

在本节中,我们现在所使用的视频集合进行我们的实验。我们对用户生成的数据集由元信息与YouTube视频服务。我们有限的实验娱乐收集的类别(3由于大规模的YouTube。这个集合包含1687506个视频,每一行代表一个单一的视频。此外,每个视频记录包含固定和时变信息(如长度、视图、评级、明星,和URL),这意味着(1)视图和评级代表视频的次数已打了用户和评估,(2)星星代表的平均分数等级,(3)URL表示外部视频网页链接的列表。

我们有限的缓存的最大大小视频99分钟;视频有超过这个值被认为是履带的错误。图1(一)描述了视频的长度分布在几秒钟内,视频长度等于291秒。

图1 (b)显示视频的流行分布。通过检查请求的数量记录在我们的视频集合,我们在四组分组视频。在第一组中,我们收集视频不到100的浏览量。这个子集是由34.4%的视频在我们集合。在第二子集我们收集视频的看法100视图和1000年视图,其中包含40.5%的视频在我们集合。第三部分视频的观点到1000 10000年视图和视图和占21.4%的视频记录在我们的收藏。最后,在第四部分我们收集视频记录超过10.000视图,其中包含3.7%的视频在我们集合。根据我们的分析,我们看到,视频请求都高度集中在少量的视频。事实上,第四个子集总数的60%的观点。

这个视频收集了个人用户请求信息;,记录时间戳标记,当用户派遣他/她的请求。部署我们的模拟研究中,我们要有这样的个人用户的行为。因此,我们开发了一个程序来模拟用户的行为基于信息收集的视频收藏。因此,为了使用这个集合,我们定义了一个程序的生成请求,如下。(1)所有请求都将由一个组合的视频长度和“思考时间”。(2)每两个nonpopular视频,我们拿起三个受欢迎的视频。这个比例推导的基础上,分析在我们的视频预览收藏;我们确定的数量(非)流行的视频记录的看法。(3)升温过程受欢迎和不受欢迎的视频是独立的,遵循均匀分布。(4)一个流行的视频必须记录超过10000次的点击数。

背后的基本原理,我们的过程是(我)下载视频观看了端到端,用户会花些时间找相关视频,思考时间,之前派遣一个新的请求;(ii)在时间尺度系统观察,流行和nonpopular视频将保持他们的地位,一个合理的假设,因为我们有兴趣只在受欢迎的有效性作为一个标准来管理这些视频;(iii)在我们的收集、视频超过10000的观点代表了不到4%的整个收藏但记录视图的总数的60%以上。

4所示。一个层次内容型的覆盖网络

在本节中,我们提出我们的研究中使用的网络场景。首先,网络基础设施被认为是,我们描述如何同行进行分类和搜索对象的基础设施。最后,客户流失模型用于描述同行的动态。

4.1。网络基础设施

网络基础设施是一个结构化对等网络(P2P)系统由普通节点和出错和与同伴位置感知集群分为社区或组。这些社区围绕主题,例如,科学,体育,和DIY。图2说明了这个基础设施。同行位置意识限制内容查找很少跳进入社区。克雷斯波和Garcia-Molina [4提出了类似的想法,分享音乐文件覆盖建基于音乐流派,正在向社区有界和查找操作。

在这个网络基础设施,对于每个组都有一个或多个superpeers,这是类似于分层网关路由器的IP网络。我们的目标是使用superpeers群体间传递信息。

在这个网络场景中,收集同行的混合社区定义为同构或异构。因此,同行可分为基于概率和他们可以集中在组。在这篇文章中,我们将和集群在四组(例如,)如下。(我)稳定的组,每个对等或等于概率大。(2)温和的组,每个同行都是概率,但。(3)低组,每个同行都是概率,但。(iv)不稳定的群体,每个同行都是概率小于等于,但。

这些同龄群体的概率是映射到同龄群体的会话持续时间在我们建议的数值研究王et al。5]。具体地说,我们研究了一个社区由同行适合在较低的群体行为;,同行会议去年平均28分钟,和一个典型的YouTube会话持续时间的时候我们视频收集收集,根据王et al。5]。

4.2。生产模型

同行的动力学模型,利用一个通用的生产模型定义为姚明et al。(6]。考虑一个P2P系统同行,每个对等要么是在时间吗或下降。这种行为可以模仿一个更新的过程对于每一个同行:

与[6),向上和向下的持久会话基于类型的同伴。因此,实际的对选择随机设置定义如下。 在哪里是同行的数量在系统类型。

因此,对于每一个过程,它的持久会话有一些联合分布,它的持久会话有另一个联合分布,在那里代表的数量和持续时间的用户和循环上下的会话是由随机变量和,分别。

向上/向下分布本文中使用的例子是(我)指数,定义为 与的意思(2)帕累托,定义为 与的意思。

基于上述模型,以下假设。(1)同行的独立性质,我们假设由相互独立的交替更新过程,图中描述3。因此,同行彼此独立的行为和过程和,对于任何 ,是独立的。(2)请注意,,平均会话持续时间,会议持续时间,平均下来,每个对等是独立的和独特的。一旦两人(;每个对等)生成保持不变,为整个系统的演化。(3)pte bowe bergdahl YouTube平均会话持续时间设置为。另外,一半的价值被设置为。因此,至于内容可用性,要求社区预计同行。(4)同行的upprobability在任意时间实例是由

根据之前的描述,对我们的研究有两种生产模式:沉重的尾巴和指数。当指数波动模型,是由的持久会话分布,而持久的会话是由一个帕累托 分布,代表的预期意味着会话持续时间和代表预期的平均会话持续时间。

图4(一)显示了互补累积分布函数(CCDF)指数(会话)和帕累托分布(会话)和如前所述。指数分布,选择的概率值大于预期的120分钟后消失。然而,对于帕累托分布,这个概率仍然存在较大的时间尺度。这种生产模式可以总结为以下几点:同行保持联系,当他们加入社区,但会随着时间的推移失去兴趣。

在沉重的尾巴流失模型中,上下会议是由帕累托分布。不同于指数波动模型,沉重的尾巴搅动模型仍然吸引了概率意义随着时间的推移,人物4 (b),这意味着选择一个值比平均值大是很有可能的。这个沉重的尾巴模型定义的生产模式可以总结为以下几点:同行将利息内容长时间尺度。

5。基于流行流行:内容型的管理政策

就像前面提到的4.1,同行合作和interesting-oriented社会非常有用的信息来提高缓存系统的性能。在这种背景下,一个视频再次访问的概率的一个社区的其他成员是高于一般情况下因为在社区成员可能有共同利益。因此,多少流行视频的问题是在一个社区似乎是一个重要的元数据时要考虑实现一个对象管理政策。

基于上述假设,我们开发了一个对象管理政策7),即基于流行度(流行)的政策。在这个对象管理政策,我们保持最受欢迎的视频缓存(可视化)基于一个预定义的阈值。的理由我们的政策是,大多数的视频请求目标是受欢迎的,因此保持缓存由流行的视频可能会提高命中率,减少体积的交通流在社区的链接。算法1描述了这个过程。

说,阈值用于识别流行的视频是一个预定义的值和关闭相关视频收集统计数据。在我们的研究中我们设置阈值等于10000可视化定义了一个流行的视频采集和不到4%的整个视频集合,与此同时,这个流行的视频集合拥有超过60%的可视化。总之,阈值设置过程将减少视频的数量必须是经理,但这些视频将获得大部分的请求。

6。性能分析的流行

在本节中,我们显示了数值结果来自我们的第一个研究。我们评估如何插入、替换和丢弃的视频对象管理政策的影响。评估的有效性提出的政策,我们定义了一个引用场景和我们相比其他三个不同的场景,流行的性能进行评估。为此,我们假设同行总是连接到系统,借来的概念从[5),识别和描述了稳定的同伴的重要性。

6.1。数值结果

我们使用trace-driven仿真评估拟议的政策。模拟P2P网络有10000个同行,我们假设只有一个社区,每个点可以连接到任何其他点。每个同行都有一个缓存与存储容量高达1.000秒的视频。视频请求的总数是200000,我们考虑到视频有超过一个阈值是受欢迎的。在我们的实验中,阈值等于10000的观点。

6.2。参考场景

在这个场景中,我们建立如下条件:(i)每个请求的(和不缓存)视频必须被添加到缓存中,(2)LRU对象替换政策实现的web缓存,和(3)整个视频托管缓存已满时将被丢弃。考虑到这些假设,我们模拟了用户请求基于均匀分布。正如我们所指出的那样,结果与其他三个场景相比,如下所述。

6.3。场景1号

在此场景中,我们评估的影响视频流行web缓存的性能。而不是添加所有引用,没有缓存的视频,我们只保留缓存的视频,被认为是受欢迎的,也就是说,视频,有许多观点大于10000。的理由我们的政策是,大多数的视频请求目标是受欢迎的,因此保持缓存由流行的视频可能会提高命中率,减少体积的交通流在社区的链接。总之,在场景1号我们只缓存流行视频、对象管理政策仍然是LRU,整个视频托管缓存已满时被丢弃。

算法2描述了补丁应用到对象管理政策;也就是说,函数的执行insert_cache (·)是习惯于受欢迎的视频。数据5和6,第一条,显示改进,命中率(35.2%)和体积流量的保存(36.2%),当新政策实施。

6.4。场景2号

在这个场景中,我们评估的影响视频人气和丢弃的视频层的性能对象管理政策。不同场景1号,我们只处理视频编码层,提高视频质量,因此请这些层,有最少的数据接收者重现他/她要求视频。最近最少使用标准应用于选视频必须有其层丢弃。房间是否可用的丢弃层仍不足以存储最近访问的视频中,选出新的视频及其层被丢弃。重复这个过程,直到web缓存有足够的空间来存储最近引用视频。我们政策的理论基础是保持尽可能多的一个流行的视频缓存,即使是低质量的副本,因为引用它是非常可能的。

算法3介绍了补丁应用到对象管理政策。函数LRU_video_object (·)发现最近最少使用的缓存对象,并返回这两个视频和节点的对象。函数discard_highest_layer(视频、节点)丢弃的最高层发现视频。例如,如果有两层视频缓存,第二,拥有更少的优先级,将被丢弃。另外,在调用之后discard_highest_layer (·)函数没有层能保持视频,因此参考视频必须从分布式哈希表(DHT)。数据5和6,第二条,显示改进的命中率(35.2%)和保存交通(36.2%)当新政策实施。

6.5。场景3号

在此场景中,我们介绍了层丢弃策略关联到一个全局方法而不是当地的一个部署在场景2号。换句话说,我们随机选择对象缓存和丢弃这个对象的最高一层。我们的方法的基本原理是,当缓存的空间,我们有一组高流行视频缓存这些视频请求率高。因此当我们应用丢弃策略在整个组视频,而不仅仅是“至少”最近使用的设置,我们将增加的流行视频集可以被缓存。因此,我们可以观察到在命中率有所改善。总之,场景3号只有流行的视频缓存,随机对象替代政策,和视频层缓存已满时被丢弃。

算法4介绍了补丁应用到对象管理政策。函数random_video_object (·)选一个缓存对象,并返回这两个目标的视频和节点对象。

数据5和6第三条,显示,改进的命中率(43%)和保存交通(44.2%)当新政策实施。

6.6。讨论

流行的视频请求更比nonpopular视频探头;超过60%的请求记录在我们的视频集合针对流行的视频。此外,流行的视频集合做了3.7%的视频。基于这些事实,我们测试了视频流行元数据作为标准来缓存或处理最近访问的视频。从场景数量1指出,提高缓存命中率为30%,与传统方法相比,让人安心,将元数据对象将保存相关的网络资源与服务器社区围绕主题。

尽管30%的提升是显著的,我们知道,传统的web缓存策略不承担任何关于托管对象。在3号的场景中,我们利用视频分布在层。此外,我们使用基于这些层丢弃策略而不是丢弃整个视频,作为传统的web缓存策略上实现。我们强调,丢弃层不限制web缓存服务器请求视频;视频可以提供,例如,在一个较低的定义而不是高清。因此,每当一个缓存的空间和一个新对象需要缓存,缓存的视频数量的增加自丢弃整个视频将被推迟,至少在第一时刻。

一个重要的发现就是LRU解释政策和视频层丢弃政策相关,指出在场景2号。在这个场景中,我们摒弃视频层属于一组最近最少使用的视频。然而,这种情况并不提供任何改进的缓存对象的数量和质量。这是因为对象使用的群至少是非常小的(只有流行的视频缓存),这严重限制了空间,我们丢弃策略可以提高缓存的视频的数量。

我们也指出,将视频元数据(例如,video popularity) into an object management policy associated with a global layers discard policy can increase substantially the quality and number of cached videos. Consequently, this improves the cache hit rate and saved traffic measured over the output link. Using these approaches, we got over 40% improvement which could mean to postpone updates over an output link.

7所示。数值结果

在本节中,我们已经进行了一些研究,以评估的影响生产对象管理政策实施的同行。因此,我们建立了一个peer-to-peer-assisted视频分发系统,比较部分4,我们测量了降低比率,即多少政策绩效衡量的打击率是影响生产。减少比率被定义为以下方程: 在哪里和分别是测量系统中的命中率,没有生产。在我们的实验中,我们采用指数和沉重的尾巴搅动模型(cf。部分4.2)。

正如我们所指出的那样,一个对象管理政策的成就是考虑的性能指标的影响。例如,LRU政策有很高的命中率,但是执行的字节命中率不佳。因此,我们还研究了减少比率定义的字节命中率收集在一个系统,没有生产。从定性的角度来看,影响测量的下降比率定义为两个,命中率和字节命中率,是相似的。因此,我们显示减少比率定义为(6)。

我们已经评估五个政策:上下文感知和内容型的政策(流行)7),最近最少使用(LRU)政策,最常用(LFU)政策,popularity-aware greedy-dual大小(GDSP)政策1),和比例部分缓存(部分)政策2]。最后四政策代表类的实现,也就是说,recency-based frequency-based,基于成本的政策。

在我们的实验中,每个同行可以存储多达25平均50分钟的视频短片的长度确定研究视频中收集。整体存储容量,这被定义为所有同行的存储容量的总和,等于百分之一的视频集合存储需求,看到部分3。我们定义了不同的模拟场景,扩大系统容量,直到视频集合存储需求的20%。

图7描述的影响生产的命中率下降,当指数和重尾模型驱动生产。尽管他们减少比率定义为(7),有不同的价值观,所有政策的行为如下:他们的表现之间的差距缩小系统存储容量扩大。然而,这种扩大线性策略的性能没有影响。专门为扩大20%,系统存储容量,LFU政策已录得36%的变异(29%)的降低率指数(沉重的尾巴)生产模式。LRU显示34%的变异(27%),而GDSP显示33%的变异(24%)和部分显示变异的29% (23%)。

流行政策代表了一个例外的性能在前面的结论,专门为沉重的尾巴流失模型的变化减少比率等于20%。流行政策,生产的影响是线性减少系统扩大。复制的体积数据的主要原因是性能(cf部分7.1)。

系统存储容量的扩大影响政策的性能,特别是对于指数波动模型,减少比率的变化更明显肿大。图8描述了系统规模的减少,减少的数量的同行,当指数和沉重的尾巴的模型驱动的加入和离开的事件。当生产是由重尾模型,减少对系统的最大大小为39%,而对于指数模型,这个值是48%。一般观测系统设计,我们注意到,由于强烈的假设对同行的存储容量可能危及系统实现,P2P-assisted系统部署机制,在大的时间尺度,同行感兴趣的内容提供社区。

7.1。复制数据

每次同行离开系统,这将使大量流行的内容不可用其他同行。每当同行前端与系统,它的内容可能是访问一个其他同行。这种动态数据复制同行,分享利益,因此,降低名义系统存储容量。图9显示的百分比数据复制到系统由于生产。

LRU, LFU GDSP政策,复制数据的最大数量要求存储容量的20%。然而,对于其他两个政策,部分和流行,复制数据的数量约25%和45%,分别。流行的政策能够处理比其他政策复制数据的两倍。流行政策以来仅保留对象的若干视图(10000观点在我们的实验),这个要求太严格,复制数据的数量由于生产迅速增长。

韧性,失败是P2P系统的一个关键属性。在这种情况下,每次同行失败在提供服务,在其责任,另一个同伴将取代同行提供此服务。这个属性的后果提出了视频分发系统;即研究政策来处理由同行独立复制数据。从预览结果,至少20%的存储数据的复制,这个值大于45%时,使用流行的政策。

衡量政策复制性能的影响,我们使用以下当时表现的实验过程:同行必须驱逐任何复制视频每次加入系统。

在这个新的场景中,我们计算了减少比率如下: 在哪里是与生产系统中收集到的命中率,但没有复制数据,然后呢没有生产是一个系统的命中率。

图10显示了所有研究的减少比例的政策。我们注意到,尽管系统存储容量增大,减少比率约为40%时,指数波动模型驱动的加入和离开动力学。同行在沉重的尾巴生产模式,减少比率约为20%(见图10 (b))。

结果显示在图7,政策两种生产模式下的性能减少了50%。这表明(i)扩大存储容量性能在政策影响有限,(2)控制的复制数据量往往会提高政策的性能。事实上,它正在评估一个算法来支持复制。同行,就开始离开程序将使用该算法来传播对象的元数据,以支持决策由其他同行在驱逐过程中。

8。相关工作

几种方法(例如,8)提出了在文献中,处理视频缓存。在这些方法中,无论是视频或部分不能被发现在当地代理,它可以从原始请求中央提供者。在P2P视频系统中,然而,没有这样的中央视频服务器也没有任何同伴的可用性保证数据缓存。

辛克et al。9和茶等。3)强烈建议度量对象声望等被认为是在缓存对象管理政策。这些研究表明,流行和nonpopular视频访问比率是2 3,尽管流行的视频集合是只有3.7%的整个视频的集合。虽然辛克et al。9]显示,当地人气弱相关与全球流行,仍然大部分视频是当地受欢迎的访问。

Kulkarni和Devetsikiotis10]提出分布式缓存的设计相似原理内容分发网络(CDN)。目标是选择一些最有价值的对象,让他们更接近客户要求他们减少冗余的网络负载。社交网络分析技术被用来确定最有价值的东西应该被缓存。虽然Kulkarni的工作重点是确定的测量可以用来定义对象的受欢迎程度,我们的目标是验证的有效性测量的实现基于P2P系统缓存方法。

P2P系统生产的行为是最基本的问题之一,P2P研究(例如,6,11,12])。几种方法(例如,11,13)处理生产通过调查其特点(例如,会话中位数长度)在大规模P2P系统。Gummadi et al。11)测量会话长度通过监控路由器华盛顿大学。Sripanidkulchai et al。13]研究大型内容交付系统的直播工作负载和现在分析描述流行,到达过程,和会话长度。

9。结论

在本文中,我们研究了对象管理政策在一个对等网络环境。而传统对象管理政策是建立在礼仪只有三个对象,也就是说,老化,大小和频率,我们建立了我们的政策在用户生成内容和元数据由内容提供商提供。我们使用视频的普及和利用视频编码技术来构建我们的政策。我们已经进行了一系列的仿真实验,以评估我们的方法的性能。在我们仿真实验的第一部分,我们发现,我们的方法优于传统的一个,因此将在社区减少带来的能力需求输出链接通过增加命中率的社区需求和优化网络资源可用。

我们也研究了波动的影响在对象管理政策。我们评价同伴的存储容量的扩大行动以来保持政策表现系统存储容量将影响生产。尽管政策的表现之间的差距缩小,我们扩大了存储容量,它不按比例策略性能的影响。

同时,我们进行了研究调查复制数据如何影响性能的对象管理政策。我们发现,最坏的情况,可用性方面的内容,是一个系统而不复制数据。尽管存储容量的增大,总的来说,我们还没有看到改进政策这样的系统的性能。另一方面,由于复制生产改进政策一定程度的性能。然而,我们从流行政策显示性能,是否重复数据的数量控制政策时,可以大大提高可用性的内容。

作为未来的工作,我们有了机制来控制复制的数据通过系统的数量和调查是否激发动机的同行参与机制,为其他内容分发系统开发的,在这种混合P2P-CDN系统可以应用。

引用

1. 美国金和a . Bestavros Popularity-aware贪婪dual-size web代理缓存算法,”《20国际会议分布式计算系统(ICDCS ' 00)IEEE计算机协会,华盛顿,美国,2000年。视图:谷歌学术搜索
2. m . Hefeeda o·萨利赫,“交通建模和比例部分缓存对于点对点系统,”《IEEE / ACM交易网络卷。16日,页。1447 - 1460年IEEE出版社,皮斯卡塔韦,新泽西,美国,2008年。视图:出版商的网站|谷歌学术搜索
3. m . Cha h·夸克·罗德里格斯y y Ahnt,和美国的月亮,“我管,你管,大家都管:分析世界上最大的用户生成内容的视频系统,”学报》第七届ACM SIGCOMM互联网测量会议(IMC ' 07)2007年10月,页1 - 14,。视图:出版商的网站|谷歌学术搜索
4. a·克雷斯波和h . Garcia-Molina“语义覆盖网络P2P系统”代理和点对点计算卷,3601在计算机科学的课堂讲稿页1-13 Springer,柏林,德国,2005年。视图:谷歌学术搜索
5. 刘j . f . Wang, y Xiong,“稳定的同行:存在、重要性和应用点对点视频直播流媒体,”学报》27日IEEE计算机通信国际会议上,联合会议IEEE计算机和通信的社会(INFOCOM ' 08),页1364 - 1372,IEEE计算机协会,凤凰城,亚利桑那州,美国,2008年。视图:出版商的网站|谷歌学术搜索
6. x z姚明,d·伦纳德王,d . Loguinov“异构建模用户流失和当地的非结构化P2P网络的弹性,”《IEEE国际会议网络协议,(ICNP 06年)页32-41,华盛顿,美国,2006年。视图:出版商的网站|谷歌学术搜索
7. A . Bezerra c·梅洛·d·维埃拉,y Ghamri-Doudane,和n Fonseca)“内容型的web缓存策略,”《IEEE拉丁美洲的通信、会议(LATINCOM ' 09)2009年9月,页1 - 6,。视图:出版商的网站|谷歌学术搜索
8. z苗和a·奥尔特加”可伸缩的视频下的代理缓存存储限制,”IEEE在选定地区通讯》杂志上,20卷,不。7,1315 - 1327年,2002页。视图:出版商的网站|谷歌学术搜索
9. m·辛克k . Suh y顾,j . Kurose”看全球,缓存的地方:在校园network-measurements和youtube网络流量影响,”多媒体计算机和网络研讨会论文集,(MMCN ' 08),2008年1月。视图:出版商的网站|谷歌学术搜索
10. 诉Kulkarni和m . Devetsikiotis”通信时间尺度、结构和受欢迎程度:使用社交网络指标进行多媒体内容分发,类似youtube”《IEEE国际会议上沟通,(ICC的10),2010年5月。视图:出版商的网站|谷歌学术搜索
11. k . p . Gummadi r . j . Dunn s Saroiu s . d .蛀木水虱h . m . Levy和j . Zahorjan”测量、建模和分析的点对点文件共享工作负载,”19 ACM学报》研讨会上操作系统原理,(SOSP ' 03)ACM,页314 - 329年,纽约,纽约,美国,2003年10月。视图:谷歌学术搜索
12. d·伦纳德z姚明,诉Rai, d . Loguinov”lifetime-based节点故障和分散的点对点网络的随机应变能力,”IEEE / ACM交易网络,15卷,不。3、644 - 656年,2007页。视图:出版商的网站|谷歌学术搜索
13. k . Sripanidkulchai b运行过程中,h·张,“在互联网上直播工作负载的分析,”ACM SIGCOMM互联网测量研讨会论文集,(IMC的04),页41-54,纽约,纽约,美国,2004年10月。视图:谷歌学术搜索

版权

版权©2012达里奥维埃拉等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。