基于蚁群算法的非结构化P2P网络资源搜索机制研究

摘要

近年来，计算机网络技术迅速发展，互联网在人们生活中扮演越来越重要的角色，成为人们获取信息资源的重要来源，然而，网络用户数量激增，网络信息内容呈爆炸式增长，传统的以服务器为核心的C/S模型缺点日益凸显，P2P网络以其独特的优势得到广泛应用，成为研究热点。
　　 P2P网络又称对等网络，每个节点地位平等，既是服务器端又是客户端，节点之间的数据传输不再依靠中心服务器，使网络中的交互更直接、更容易。然而，在非结构化P2P网络中节点的动态加入或离开，使得网络中的资源不停的变化，如何在缺少集中制、大规模、分布式的P2P网络中找到并定位到资源信息，是P2P资源共享面临的一个难题。现有的搜索机制主要以洪泛和K-Random walks为主，洪泛搜索因查询消息在节点转发时存在盲目性，使得网络中的冗余消息比较多，K-Random walks随机向K个邻居节点转发查询消息，减少了消息转发量，但搜索效果不如洪泛好，因此，在非结构化P2P网络中的资源搜索机制需要进一步研究。
　　 蚁群算法作为一种新型优化算法，成功的解决了多种TSP问题，本文利用蚁群算法的基本特性，在现有研究的基础上，提出了一种改进的蚁群搜索算法，所做的主要工作如下:
　　 1.利用用户在非结构化P2P网络中资源搜索行为与蚁群觅食行为的相似性，提出了一种基于改进的蚁群搜索算法的非结构化P2P网络资源搜索算法，算法分为本地资源搜索算法和网络路由算法。在本地搜索算法中根据搜索关键字与文档资源的语义相似度，实现了语义查询功能。在网络路由算法中，提出了“兴趣信息素”的新概念，用户根据兴趣信息素和选择偏爱度计算转移概率，选择搜索路径。
　　 2.兴趣信息素由资源匹配率和响应速率构成。资源匹配率反映了节点对关键字的贡献能力，该值越大，贡献力越大，从而信息素浓度值越高。响应速率反映了节点的路径长度和搜索时间，搜索路径越短，响应时间越短，说明节点的响应速率越大，从而信息素浓度越高。两者构成的信息素能够有效指导查询消息的转发方向，为下一个搜索蚂蚁提供转发依据。
　　 3.选择偏爱度由节点相关度和通信次数共同构成。节点相关度表示该关键字与节点的相似度，相似度越大，选择这个节点的概率越高，通过该变量的设置，能够有效避免蚂蚁在搜索初期节点选择的随机性。通信次数能够反映出该节点的稳定性，通信次数越多，该节点越稳定，通过该变量的设置，能有效避免访问那些因节点离开而导致的路径失效的节点，提高搜索效率。
　　 4.本文利用PeerSim仿真平台，通过实验方法，将本文算法与经典的非结构化P2P网络资源搜索算法——洪泛算法(Flooding)和K—随机漫步(K-RandomWalks)算法进行比较，结果表明本文算法能在一定程度上减少冗余消息的数量，加快搜索的响应时间，提高搜索效率。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 研究现状

1．3 主要研究内容

1．4 本文框架结构

第2章 P2P网络研究

2．1 P2P网络概述

2．2 P2P网络结构模型

2．2．1 集中式P2P网络

2．2．2 完全分布式P2P网络

2．2．3 混合式P2P网络

2．3 几种常见的完全分布式非结构化P2P网络搜索算法

2．3．1 盲目搜索算法

2．3．2 基于信息的搜索

2．4 本章小结

第3章 蚁群算法相关研究

3．1 蚁群算法的研究背景及意义

3．2 蚁群算法基本原理

3．2．1 蚂蚁行为描述

3．2．2 旅行商问题

3．2．3 用蚁群算法求解旅行商问题

3．2．4 蚁群算法的流程

3．2．5 基本蚁群算法的优缺点

3．3 本章小结

第4章 基于蚁群算法的P2P资源搜索机制研究

4．1 引言

4．2 P2P网络资源搜索机制研究现状

4．3 蚁群算法用于P2P网络资源搜索的可行性分析

4．3．1 非结构化P2P网络结构特点

4．3．2 非结构化P2P资源搜索网络模型

4．4 基于改进的蚁群算法的非结构化P2P网络资源搜索算法研究

4．4．1 算法相关术语定义

4．4．2 主要数据结构

4．4．3 算法设计思想及预期目标

4．4．4 算法实现功能模块

4．4．5 算法描述及实现步骤

4．6 本章小结

第5章 仿真与实验分析

5．1 仿真平台PeerSim

5．2 仿真实验设计

5．3 仿真场景模拟

5．4 算法性能评价指标

5．5 实验结果分析

5．6 本章小结

第6章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢

在学期间学术成果情况