学位论文 > 优秀研究生学位论文题录展示

面向动态网络环境的高鲁棒性数据分发技术研究

作　者: 郑重
导　师: 王意洁
学　校: 国防科学技术大学
专　业: 计算机科学与技术
关键词: 数据分发鲁棒性动态网络环境社交网络发布/订阅 Peer-to-Peer 覆盖网
分类号: TP393.02
类　型: 博士论文
年　份: 2011年
下　载: 36次
引　用: 0次
阅　读: 论文下载

内容摘要

随着网络技术的发展以及人们对信息共享的需求的不断增长，产生了很多基于数据分发的应用。这些应用的共同需求是将数据源动态产生的各种数据在动态的网络环境中快速准确地分发至有着不同需求的用户群体。因此，这些应用对数据分发技术提出了两种要求：具有适应动态网络环境的鲁棒性、能够快速准确地分发数据。特别对于紧急事件管理、网络中心战以及分布式社交网络服务等应用而言，其网络环境的动态性对数据分发技术的鲁棒性提出了更高的要求。已有的数据分发应用根据用户兴趣的表达形式大致可以分为基于内容的数据分发、基于主题的数据分发以及面向社交网络的数据分发三类，本文围绕在动态网络环境中实现高鲁棒性的数据分发这一目标分别针对基于内容的、基于主题的以及面向社交网络的数据分发技术展开深入研究。针对已有的基于内容的数据分发方法缺少对数据分发效率与鲁棒性充分权衡的问题，本文提出了一种基于自组织语义覆盖网的基于内容的数据分发方法——SemanticCast，用以实现动态网络环境中高效的基于内容的数据分发。SemanticCast通过节点间的邻居交换维护一个自组织的语义覆盖网Crowd。在Crowd中，每个节点在周期性地交换邻居的过程中尽可能保留与自己兴趣更相似的邻居。通过节点的这些自组织行为，由兴趣相似节点构成的没有明确边界的各种兴趣簇在覆盖网中涌现。SemanticCast在兴趣簇间利用随机行走路由数据，在匹配的兴趣簇内利用泛洪分发数据。实验结果表明，相对于已有方法，SemanticCast能够在不可靠和动态的网络环境中实现更加高效的基于内容的数据分发，而且SemanticCast还具有强大的自修复能力，即使在大量节点瞬时失效的情况下SemanticCast也能迅速恢复正常工作。针对已有的基于主题的数据分发方法缺少对数据分发效率与鲁棒性充分权衡的问题，本文提出了一种基于混合式覆盖网的基于主题的数据分发方法——Laurel，用以实现动态网络环境中高效的基于主题的数据分发。Laurel根据兴趣对节点进行分簇以减少不必要的数据分发，通过在簇间采用结构化拓扑以实现高效的数据路由，同时通过在簇间采用多重连接及在簇内采用非结构化拓扑以保证较高的鲁棒性。Laurel首先利用簇间结构化拓扑引导数据路由至对其感兴趣的簇，然后再在簇内利用泛洪或gossip的方式将数据分发至所有感兴趣的节点。实验结果表明，相对于基于结构化簇间拓扑的方法，Laurel保证在簇间路由效率相同的同时具有显著更强的鲁棒性，相对于基于非结构化的簇间及簇内拓扑的方法，Laurel则保证在鲁棒性没有显著差距的同时具有显著更高的簇间路由效率，而且Laurel还具有较好的簇内负载平衡效果。针对已有的基于主题的数据分发方法在单个节点主题数相对较多的情况下开销较大难以扩展的问题，本文提出了一种主题采样引导的基于主题的数据分发方法——TopicCast，用以实现动态网络环境中可扩展的基于主题的数据分发。TopicCast可以分为两个相对独立的部分：基于gossip的主题采样方法TopicSampler以及轻量级的主题连通覆盖网构建维护方法TopicGraph。TopicSampler通过基于gossip的节点采样服务实现对不同主题节点的比例估计并据此为每个节点维护一个主题采样表，主题采样表中包含了对不同主题节点的均匀随机采样。与此同时，TopicGraph利用节点采样服务提供的节点采样周期性地更新每个节点的邻居列表，试图以尽可能小的开销保证具有相同主题的节点及其之间的边构成的所有子图都是连通的（即主题连通）。TopicCast首先利用主题采样表引导数据路由至对其感兴趣的任意节点，然后再基于兴趣匹配的主题连通子图将数据分发至所有感兴趣的节点。理论分析与实验结果表明，TopicSampler能够在动态网络环境中实现较高精度的主题比例估计和近似均匀随机的主题采样，TopicGraph能够在动态网络环境中以较小的存储与通讯开销维护主题连通覆盖网，因而相对于已有方法，TopicCast不仅能够在动态网络环境中实现高效的基于主题的数据分发，而且还具有更好的可扩展性。针对已有的面向社交网络的分布式数据分发方法要么缺乏应对高度动态的网络环境的鲁棒性要么不能实现集中式社交网络服务提供的数据分发功能的问题，本文提出了一种面向社交网络的P2P数据分发方法——PeerChatter，用以实现面向社交网络的鲁棒高效的分布式数据分发。PeerChatter维护一个基于多层随机图拓扑的覆盖网SkipCluster，而代表社交网络用户的节点基于SkipCluster彼此连接。SkipCluster各层间的规则关系使得SkipCluster能够支持高效的路由，而SkipCluster层内动态维护的随机图拓扑则保证了高度的鲁棒性。在SkipCluster的基础上，PeerChatter利用基于主题的发布/订阅模式实现了同步及异步组播，以支持社交网络用户向自己的友邻及所属群组分发数据。理论分析与实验结果表明，PeerChatter的路由性能能够达到甚至超过典型结构化拓扑的水平，而且在节点剧烈波动以及大量节点瞬时失效的情况下，PeerChatter仍然能保持较高的数据分发可靠性及效率，因而PeerChatter能够满足面向社交网络的分布式数据分发的要求。

全文目录

摘要  11-13
Abstract  13-16
第一章绪论  16-32
  1.1 研究背景与意义  16-18
    1.1.1 高鲁棒性数据分发的应用场景  16-17
    1.1.2 高鲁棒性数据分发的应用需求  17-18
  1.2 数据分发技术  18-28
    1.2.1 P2P 文件共享  18-20
    1.2.2 内容分发网络  20-22
    1.2.3 应用层组播  22-24
    1.2.4 发布/订阅系统  24-25
    1.2.5 社交网络服务  25-27
    1.2.6 高鲁棒性数据分发的挑战  27-28
  1.3 本文工作  28-30
  1.4 论文结构  30-32
第二章相关研究  32-50
  2.1 覆盖网构建与维护方法  32-39
    2.1.1 非结构化覆盖网构建与维护方法  32-33
    2.1.2 结构化覆盖网构建与维护方法  33-36
    2.1.3 层次式覆盖网构建与维护方法  36-37
    2.1.4 语义覆盖网构建与维护方法  37-39
  2.2 基于内容的数据分发方法  39-43
    2.2.1 基于静态网络的基于内容的数据分发方法  39-40
    2.2.2 基于非结构化覆盖网的基于内容的数据分发方法  40-41
    2.2.3 基于结构化覆盖网的基于内容的数据分发方法  41-42
    2.2.4 基于语义覆盖网的基于内容的数据分发方法  42-43
  2.3 基于主题的数据分发方法  43-46
    2.3.1 基于结构化覆盖网的基于主题的数据分发方法  43-44
    2.3.2 基于层次式覆盖网的基于主题的数据分发方法  44-45
    2.3.3 基于语义覆盖网的基于主题的数据分发方法  45-46
  2.4 面向社交网络的分布式数据分发方法  46-49
    2.4.1 基于非结构化覆盖网的面向社交网络的分布式数据分发方法  47-48
    2.4.2 基于结构化覆盖网的面向社交网络的分布式数据分发方法  48-49
    2.4.3 基于语义覆盖网的面向社交网络的分布式数据分发方法  49
  2.5 本章小结  49-50
第三章基于自组织语义覆盖网的基于内容的数据分发方法  50-64
  3.1 引言  50-51
  3.2 基本思想  51-52
    3.2.1 自组织语义覆盖网  51
    3.2.2 数据分发  51-52
  3.3 SemanticCast 描述  52-56
    3.3.1 兴趣相似度  52-53
    3.3.2 视图交换  53-54
    3.3.3 数据转发  54-56
    3.3.4 动态适应性  56
  3.4 实验评价  56-62
    3.4.1 实验设置  56-57
    3.4.2 Crowd 的语义簇聚  57-59
    3.4.3 Crowd 的带宽开销  59
    3.4.4 数据分发的效率  59-60
    3.4.5 数据分发的鲁棒性  60-62
  3.5 本章小结  62-64
第四章基于混合式覆盖网的基于主题的数据分发方法  64-78
  4.1 引言  64-65
  4.2 基本思想  65-67
    4.2.1 混合式覆盖网  65-66
    4.2.2 数据分发  66-67
  4.3 Laurel 描述  67-72
    4.3.1 节点邻居关系  67-68
    4.3.2 节点加入  68-71
    4.3.3 失效与错误处理  71-72
    4.3.4 负载平衡  72
  4.4 实验评价  72-77
    4.4.1 实验设置  72-73
    4.4.2 簇间路由效率  73-74
    4.4.3 鲁棒性  74-76
    4.4.4 负载平衡  76-77
  4.5 本章小结  77-78
第五章主题采样引导的基于主题的数据分发方法  78-108
  5.1 引言  78-79
  5.2 基本思想  79-81
    5.2.1 主题采样  79-80
    5.2.2 主题连通覆盖网  80-81
    5.2.3 数据分发  81
  5.3 TopicCast 描述  81-86
    5.3.1 TopicSampler  81-85
    5.3.2 TopicGraph  85-86
  5.4 动态适应性  86-87
  5.5 理论分析  87-96
    5.5.1 TopicSampler 的比例估计算法  87-92
    5.5.2 TopicSampler 的采样更新算法  92-95
    5.5.3 TopicSampler 的路由效率  95
    5.5.4 TopicSampler 的存储与通讯开销  95-96
  5.6 实验评价  96-107
    5.6.1 实验设置  96-97
    5.6.2 TopicSampler 的性能  97-104
    5.6.3 TopicGraph 的性能  104-107
  5.7 本章小结  107-108
第六章面向社交网络的 P2P 数据分发方法  108-124
  6.1 引言  108-109
  6.2 基本思想  109-111
    6.2.1 基于多层随机图拓扑的覆盖网  109-110
    6.2.2 数据分发  110-111
    6.2.3 社交网络关系的维护  111
  6.3 PeerChatter 描述  111-116
    6.3.1 视图维护  111-112
    6.3.2 前缀匹配路由  112-114
    6.3.3 同步与异步组播  114-115
    6.3.4 对节点动态性的处理  115
    6.3.5 对簇动态性的处理  115-116
  6.4 实验评价  116-123
    6.4.1 实验设置  116-118
    6.4.2 SkipCluster 的开销  118
    6.4.3 M 和 l 的影响  118-120
    6.4.4 数据分发的鲁棒性  120-123
  6.5 本章小结  123-124
第七章结论与展望  124-128
  7.1 工作总结  124-126
  7.2 研究展望  126-128
致谢  128-130
参考文献  130-142
作者在学期间取得的学术成果  142-144
攻读博士学位期间参加的主要科研工作  144

面向动态网络环境的高鲁棒性数据分发技术研究

内容摘要

全文目录

相似论文