本站联系方式
   联系QQ  :1095080675
   联系QQ  :1223950575
  技术指导:1353934434
  
  电子邮箱:1095080675@qq.com
标题  基于存储空间的P2P激励机制的研究
编号  22099
资料明细  学术论文
推荐指数  ★★★★★
论文内容

引言
Nap ster、 Gnutella、 Freenet、 Bit Torrent、 KaZaA、 Skype等文件共享软件在 Internet 上迅速传播 ,用 户数量急剧增长.在一些系统中 ,数据被保存在用户的计算机中(称之为对等结点 peer) ,而不像传统的客 户/服务器模式那样把数据存放在集中的服务器上.在对等网络中 ,数据在对等结点之间直接传递.事实上, 对等计算已逐渐成为一种被网络用户接受的计算模式和利用空闲资源的方法.在这种模式下 ,每个节点根据 自己的情况来决定怎样共享资源给公共社区 ,再从公共社区得到自己需要的资源.虽然网格(grid)有应用的 模式(所有资源和服务由某大型提供商提供 ,用户付费以获得资源并保证服务质量) ,但是 ,对等网的加入代 价低廉,获得资源成本几乎为零 ,可扩展性良好 ,可以对资源进行充分利用 ,从而获得到更广泛的应用空间. 对等网中存在大量的搭便车现象,大量节点不共享资源却可以接近无限获得共享资源(对等网足够大),只 有很少一部分节点愿意共享他们的资源 ,如果没有一个合理机制约束用户(节点)在共享资源的同时 ,贡献资 源给公共社区 ,就会导致愿意共享资源的节点越来越少 ,并且这些节点一退出系统 ,就会极大影响对等网的 稳定性,整个网络的资源越来越少 ,共享资源、 申请获得资源的节点相对越来越多 ,最终导致公共悲剧.
对等网的实际情况是大量用户是动态变化、 匿名、 自私的 ,大部分用户希望来获得资源而不是共享资源.而且 由于上面几个特性,少数志愿共享资源的用户的资源共享也是不可预测的 ,共享资源的价值无法估计. 在 Gnutella 系统中研究发现 ,大约 70 %的用户不提供任何可以共享的资源 ,同时对于其他用户提出的共享资 源的请求有 90 %不给予响应.因此 ,对等网中迫切需要激励机制来鼓励节点稳定地共享他们已有的资源.本 文提供了一种基于时间和共享资源的激励机制 ,来鼓励对等网中多数节点长时间共享资源.
1   相关工作
在 KaZaA 系统中应用了一个名誉的激励机制在文件共享系统中 ,用参与程度来衡量节点的声望水平 , 但是由于对等网的匿名代价低 ,所以负面声望面临着各种棘手的问题.文[ 6 ]中提出了一种价格激励机制(价 格可以是静态也可以是动态的) 来鼓励每一个自私的节点共享自己的资源以达到优化对等网系统运行效率 的目的,研究了在静态和动态两种情况下节点用户的行为 ,并通过试验对比评价了价格激励机制对用户搭便 车行为的影响.文[7 ]中提到 ,通过共享各个节点信息的方法来激励节点共享资源和提高对等网的利用效率 , 共享节点信息可以把网络节点之间的各种计算特别是路由计算、 网络资源的传输等的计算复杂度降到多项 式级(O( n) ) ,并把有利于网络的资源在网络中优化分配.同时在出现竞争节点时 ,因为有节点信息就可以快 速计算出优先获得资源的节点.利用博弈论为资源获得和分配建立数学模型 ,并讨论其纳什平衡和防 御欺骗等特征.
4   结论
提出一个在对等网中基于存储空间的 P2P激励机制.通过计算每个节点的共享资源来影响节点本身在 对等网中的利用率,使主动共享资源的节点能得到较高的资源获得几率 ,从而提高节点网络资源和公共社区 资源的利用率 ,体现公平性.对新加入的节点 ,根据贡献资源的潜力给出一个合适的初值 ,加入社区就可以获 得部分资源 ,随贡献资源的变化会得到获得资源能力的快速反馈.在这种激励机制下对等网会越来越稳定 , 可提供的资源也会越来越多.鼓励节点高效率的贡献资源的提高 ,要对不同节点提供的资源给予标记: ①利 用语义来描述节点所贡献的资源.怎样用语义描述资源就成为提高节点可利用资源的关键 ,贡献资源少 ,但 能被尽可能多的节点访问、 理解和利用 ,那么该节点可利用资源还是高. ②利用市场机制把节点贡献的资源 以虚拟货币标记 ,其他节点访问该资源需要给出相应的虚拟货币 ,节点加入对等网就需要贡献资源来获得虚 拟货币,或者根据节点贡献资源的潜在能力给出一定基于信用的虚拟货币(对新加入的节点) . ③ 加上时间的 标记 ,节点长时间不间断贡献固定的资源 ,会对对等网的稳定性有积极影响.如何利用预留机制来使其他共 享资源的节点得到额外的利益 ,是下一步研究工作中需要解决的问题.

说明
 以上是论文部分内容。如果对以上内容感兴趣,可以QQ:1095080675或邮件1095080675@qq.com继续联系我们。
  • 上一篇:地质图像的图像分割研究
  • 下一篇:SVDD在类别不平衡学习中的应用研究