91精品人妻互换日韩精品久久影视|又粗又大的网站激情文学制服91|亚州A∨无码片中文字慕鲁丝片区|jizz中国无码91麻豆精品福利|午夜成人AA婷婷五月天精品|素人AV在线国产高清不卡片|尤物精品视频影院91日韩|亚洲精品18国产精品闷骚

作者：張毅

1  引言

  對等網(wǎng)絡(luò)由于自組織、低部署維護(hù)成本，網(wǎng)絡(luò)中的節(jié)點(diǎn)行為自由，屬性自私。對等節(jié)點(diǎn)參與網(wǎng)絡(luò)活動時，注重個體利益忽略集體利益，如文件共享系統(tǒng)中的“free riding”現(xiàn)象。P2P網(wǎng)絡(luò)是一種分布式的動態(tài)網(wǎng)絡(luò)，隨著各對等節(jié)點(diǎn)的動態(tài)加入與退出，整個網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)始終處于動態(tài)變化中。

  存在自私節(jié)點(diǎn)的對等網(wǎng)絡(luò)隨著時間的流逝，拓?fù)浣Y(jié)構(gòu)會逐漸出現(xiàn)分化現(xiàn)象，網(wǎng)絡(luò)性能越來越差，最后整個網(wǎng)絡(luò)趨于癱瘓。如何改變網(wǎng)絡(luò)節(jié)點(diǎn)的屬性，鼓勵節(jié)點(diǎn)積極參與網(wǎng)絡(luò)活動？SLAC(selfish link-based adaptation for cooperation,基于自私連接的自適應(yīng)合作)算法通過每周期完全重構(gòu)連接自適應(yīng)地產(chǎn)生合作網(wǎng)絡(luò)，但容易在合作網(wǎng)絡(luò)中產(chǎn)生“部落”現(xiàn)象。SLACER算法中，節(jié)點(diǎn)通過參與PD (prisoner's dilemma，囚徒困境)游戲獲取收益值，算法根據(jù)節(jié)點(diǎn)收益值進(jìn)行有保留的隨機(jī)型拓?fù)渲貥?gòu)，進(jìn)而自適應(yīng)地產(chǎn)生合作網(wǎng)絡(luò)。為了激勵節(jié)點(diǎn)之間的協(xié)作，建立一種基于重復(fù)博弈理論和懲戒機(jī)制的P2P網(wǎng)絡(luò)信譽(yù)模型，模擬仿真證實(shí)，該模型在促進(jìn)節(jié)點(diǎn)間協(xié)作方面是有效的�；�于進(jìn)化博弈理論，評估了P2P文件共享系統(tǒng)在異構(gòu)環(huán)境下的

性能，討論了自私節(jié)點(diǎn)的不作為行為，仿真結(jié)果證實(shí)，文件共享系統(tǒng)使用頻率較低的文件的消失與自私節(jié)點(diǎn)的不作為有關(guān)系，異構(gòu)環(huán)境有利于文件的可用性和系統(tǒng)的穩(wěn)固性�；�于博弈論的對等網(wǎng)絡(luò)節(jié)點(diǎn)自私性研究，提出了基于混合策略Bayes博弈的P2P文件共享機(jī)制，該機(jī)制可有效地抑制自私節(jié)點(diǎn)的行為，并使其更好地為其他節(jié)點(diǎn)提供服務(wù)。量化分析節(jié)點(diǎn)行為，提出共享型P2P節(jié)點(diǎn)策略( share  strategy)，在隨機(jī)博弈矩陣的基礎(chǔ)上，調(diào)整參數(shù)引導(dǎo)P2P網(wǎng)絡(luò)向動態(tài)平衡的方向演化。

  SLACER算法初始化所有節(jié)點(diǎn)為不合作節(jié)點(diǎn)，忽略了合作節(jié)點(diǎn)的引導(dǎo)作用；拓?fù)渲貥?gòu)是隨機(jī)的，網(wǎng)絡(luò)中高水平合作狀態(tài)出現(xiàn)較慢；且缺少對不合作節(jié)點(diǎn)的激勵措施。針對這些不足，本文提出了G-SLACER算法。首先，初始化部分節(jié)點(diǎn)為合作節(jié)點(diǎn)，充當(dāng)標(biāo)兵，起引導(dǎo)作用，引導(dǎo)不合作節(jié)點(diǎn)轉(zhuǎn)化成合作節(jié)點(diǎn)，初始時網(wǎng)絡(luò)中的合作節(jié)點(diǎn)稱為標(biāo)兵節(jié)點(diǎn)；其次，在拓?fù)渲貥?gòu)過程中，新增一條到收益最高節(jié)點(diǎn)的引導(dǎo)型連接；再次，為了激勵節(jié)點(diǎn)之間的協(xié)作，加大對不合作節(jié)點(diǎn)的獎勵。

2拓?fù)渲貥?gòu)算法描述

  SLACER算法是一種隨機(jī)進(jìn)化算法，主要分為PD游戲過程和隨機(jī)型拓?fù)渲貥?gòu)過程兩個階段。PD游戲中參與雙方有4種策略，每種策略對應(yīng)不同的收益值。為了方便后面的討論，簡單介紹一下SLACER算法中的一些參數(shù)。

  ·節(jié)點(diǎn)策略：對等網(wǎng)絡(luò)中的節(jié)點(diǎn)策略集S=f合作，不

  合作l。

·PD游戲收益矩陣：博弈雙方在游戲時采取不同的策略，獲取不同的收益值。任意2個對等節(jié)點(diǎn)之間博弈的收益矩陣見表1。

  ·合作節(jié)點(diǎn)比例：網(wǎng)絡(luò)中合作節(jié)點(diǎn)數(shù)目與網(wǎng)絡(luò)總節(jié)點(diǎn)

  數(shù)目的比值。

  ·CC（clustering coefficient，集聚系數(shù)）：節(jié)點(diǎn)i的鄰居

  節(jié)點(diǎn)之間實(shí)際的連接數(shù)與所有可能的連接數(shù)的比

  例。多個節(jié)點(diǎn)集聚系數(shù)的平均值稱為平均集聚系數(shù)。

  ·節(jié)點(diǎn)收益值：節(jié)點(diǎn)通過參加PD游戲獲得的獎勵值。

  ·合作連接路徑(CCP)：連通路徑上的連接節(jié)點(diǎn)對數(shù)

  與網(wǎng)絡(luò)中總節(jié)點(diǎn)對數(shù)的比值。連接節(jié)點(diǎn)對由信息傳

  輸路徑上的源節(jié)點(diǎn)和目的節(jié)點(diǎn)組成。

3  引導(dǎo)型拓?fù)渲貥?gòu)算法描述

  學(xué)習(xí)中有學(xué)習(xí)標(biāo)兵，生活中有勞動模范，工作中有企業(yè)精英，這些都是本領(lǐng)域的突出角色，具有標(biāo)榜引導(dǎo)作用。SLACER算法初始化網(wǎng)絡(luò)中的所有節(jié)點(diǎn)為不合作節(jié)點(diǎn)，忽視了合作節(jié)點(diǎn)的引導(dǎo)作用，雖然最后網(wǎng)絡(luò)中也出現(xiàn)了高水平的合作狀態(tài)，但高水平合作狀態(tài)出現(xiàn)的時延較大。

3.1  初始化標(biāo)兵節(jié)點(diǎn)

  本文先采用SJACER算法，初始化對等網(wǎng)絡(luò)中一部分節(jié)點(diǎn)為標(biāo)兵節(jié)點(diǎn)。仿真中分別初始化2 000個總節(jié)點(diǎn)的0、10%、20%、30%、40%為標(biāo)兵節(jié)點(diǎn)，實(shí)驗(yàn)運(yùn)行100次，計(jì)算100個周期中網(wǎng)絡(luò)合作節(jié)點(diǎn)比例變化平均值，結(jié)果如圖1所示。

從圖1可以看出，當(dāng)網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例達(dá)到90%

時，初始化標(biāo)兵節(jié)點(diǎn)比例為網(wǎng)絡(luò)總數(shù)的0、10%、20%、30%、40%的模擬實(shí)驗(yàn)，分別要到90、70、60、50、60個周期才能滿足要求。因此，當(dāng)初始化網(wǎng)絡(luò)中標(biāo)兵節(jié)點(diǎn)為網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù)的30%時，標(biāo)兵節(jié)點(diǎn)引導(dǎo)作用最強(qiáng)。

3.2 G-SLACER算法描述

  G-SLACER算法在SLACER算法的基礎(chǔ)上引入了標(biāo)兵節(jié)點(diǎn)，改進(jìn)隨機(jī)型拓?fù)渲貥?gòu)過程為引導(dǎo)型拓?fù)渲貥?gòu)過程。下面簡單描述一下C-SLACER算法的執(zhí)行過程。

  (1)初始化網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù)的300/0為標(biāo)兵節(jié)點(diǎn)，模擬周期數(shù)N=O。

  (2)節(jié)點(diǎn)i從自己的鄰居節(jié)點(diǎn)中隨機(jī)選擇一個節(jié)點(diǎn)進(jìn)行PD游戲：如果節(jié)點(diǎn)i不存在鄰居節(jié)點(diǎn)，則從網(wǎng)絡(luò)中隨機(jī)選擇一個節(jié)點(diǎn)進(jìn)行PD游戲。

  (3)游戲結(jié)束，兩個節(jié)點(diǎn)分別獲取本次游戲的收益值。

  (4)多次執(zhí)行步驟(2)、步驟(3)，獲得節(jié)點(diǎn)i的平均收益（執(zhí)行次數(shù)與當(dāng)前節(jié)點(diǎn)的度數(shù)有關(guān)）。

  (5)節(jié)點(diǎn)i進(jìn)入引導(dǎo)型拓?fù)渲貥?gòu)過程。

  (6)N++；如果N<100，跳轉(zhuǎn)至步驟(2)；如果N=100，跳轉(zhuǎn)至步驟(7)。

  (7)結(jié)束。

  C-SLACER算法的引導(dǎo)型拓?fù)渲貥?gòu)過程在SLACER算法的隨機(jī)型拓?fù)渲貥?gòu)過程基礎(chǔ)上進(jìn)行了4個方面的改進(jìn)，兩種算法拓?fù)渲貥?gòu)過程的比較見表2。其中，Lncigbons代表當(dāng)前節(jié)點(diǎn)到鄰居節(jié)點(diǎn)的連接，Nmax代表收益值最大的節(jié)點(diǎn)，nrand代表隨機(jī)選擇一個有收益值的節(jié)點(diǎn)，vj代表節(jié)點(diǎn)j的平均收益值，假定本次模擬中節(jié)點(diǎn)i的收益小于節(jié)點(diǎn)j。

  下面是G-SIACER算法中引導(dǎo)型拓?fù)渲貥?gòu)過程實(shí)現(xiàn)的一段偽代碼。

  for節(jié)點(diǎn)i

  隨機(jī)選擇節(jié)點(diǎn)j；

  ifUi< Uj

  ／／主動學(xué)習(xí)過程

  i復(fù)制j的策略Si；

  i以概率W斷開自己的Lncigbons；

  i動態(tài)有選擇地復(fù)制節(jié)點(diǎn)j的Lncigbons；

  ／／拓?fù)渲貥?gòu)過程

  i連接到j(luò)；

  i以概率M改變策略Si；

  i以概率MR丟棄Lnew連接到Nrand和Nmax哪；

  ／／復(fù)位過程

  設(shè)置i收益值為vj;

  else if Uj<Ui

  執(zhí)行與上述相反的過程；

  ／／若兩個節(jié)點(diǎn)收益相等

  else UFUj且i、j同時為合作節(jié)點(diǎn)

  節(jié)點(diǎn)二選一，執(zhí)行引導(dǎo)型拓?fù)渲貥?gòu)過程；

  end if

  end for

  其中，Ui代表節(jié)點(diǎn)i的收益值，Uj代表節(jié)點(diǎn)j的收益值，Lnew代表當(dāng)前節(jié)點(diǎn)新學(xué)習(xí)到的連接。

4仿真結(jié)果及分析

4.1  仿真參數(shù)配置

  PeerSjm是基于Java的P2P網(wǎng)絡(luò)仿真工具。本文模擬仿真采用PeerSim中的Cycle_based模式，具體參數(shù)設(shè)置如下：網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)力2 000，模擬周期數(shù)N=100，重連概率W=0.9，策略改變概率M=O.OOl，連接改變概率MR=0.01，PD游戲收益值T=1.9，R=l，P=O，S=O。

  仿真中設(shè)置3個控制器，控制器control.0監(jiān)測網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例、節(jié)點(diǎn)平均集聚系數(shù)、節(jié)點(diǎn)平均收益以及合作節(jié)點(diǎn)收益的變化趨勢；控制器control.l監(jiān)測合作連通路徑的變化趨勢，每周期記錄一次數(shù)據(jù)；控制器contr01.2監(jiān)測網(wǎng)絡(luò)節(jié)點(diǎn)平均度數(shù)的變化趨勢，每周期記錄一次數(shù)據(jù)。

4.2仿真結(jié)果及分析

  基于Bayes均衡博弈算法以及share strategy算法中網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù)、博弈收益值、模擬周期數(shù)的配置與上述具體參數(shù)保持一致，參數(shù)配置完成，運(yùn)行仿真軟件，分析3個控制器的輸出結(jié)果。

  SLACER算法、G-SLACER算法、基于Bayes均衡博弈算法以及share strategy算法中合作節(jié)點(diǎn)比例對比如圖2所示�；�于Bayes算法、share strategy算法分別設(shè)置網(wǎng)絡(luò)中標(biāo)兵節(jié)點(diǎn)比例為70%和15 %,運(yùn)行100個周期，網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例分別達(dá)75%和80%：SLACER算法初始化網(wǎng)絡(luò)節(jié)點(diǎn)全部為不合作節(jié)點(diǎn)，算法在第90個周期左右，網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例為900/0；G-SLACER算法初始化網(wǎng)絡(luò)中30%的節(jié)點(diǎn)為標(biāo)兵節(jié)點(diǎn)，算法在第50個周期，網(wǎng)絡(luò)中合作節(jié)點(diǎn)

比例為900/0。算法執(zhí)行100個周期，SLACER算法可以達(dá)到合作節(jié)點(diǎn)比例為98010的高水平合作網(wǎng)絡(luò)，而G-SLACER算法在70個周期左右就可以達(dá)到合作節(jié)點(diǎn)比例為98%的高水平合作網(wǎng)絡(luò)，且G-SLACER算法中合作節(jié)點(diǎn)比例的上升速度明顯高于其他兩種算法。G-SLACER算法在前10個周期，網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例出現(xiàn)下滑趨勢。在算法初期，合作節(jié)點(diǎn)處于非合作節(jié)點(diǎn)的包圍中，合作節(jié)點(diǎn)的優(yōu)勢還沒顯現(xiàn)出來，整個網(wǎng)絡(luò)中的節(jié)點(diǎn)信心不足，導(dǎo)致合作節(jié)點(diǎn)比例出現(xiàn)下滑，度過初期后，網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例急速上升。G-SLACER算法的優(yōu)勢主要?dú)w因于算法在拓?fù)渲貥?gòu)過程中引導(dǎo)型鏈接的選取。

  SLACER算法和G-SLACER算法的平均集聚系數(shù)對比如圖3所示。SLACER算法的平均集聚系數(shù)保持在0.45左右，而G-SLACER算法的平均集聚系數(shù)保持在0.5左右。C-SLACER算法使得節(jié)點(diǎn)的鄰居節(jié)點(diǎn)之間的連接更加緊密，增強(qiáng)了網(wǎng)絡(luò)的穩(wěn)定性。

  SLACER算法和G-SLACER算法的節(jié)點(diǎn)平均收益和合作節(jié)點(diǎn)收益對比如圖4、圖5所示。SLACER算法的節(jié)點(diǎn)平均收益在80個周期后分布在l附近，G-SLACER算法的節(jié)點(diǎn)平均收益在40個周期后分布在1.4以上。C-SLACER算法受獎懲機(jī)制的啟發(fā)，加大了對收益較差節(jié)點(diǎn)的獎勵，鼓勵這些節(jié)點(diǎn)不斷學(xué)習(xí)以增加網(wǎng)絡(luò)整體收益：SLACER算法中合作節(jié)點(diǎn)收益在70個周期后分布在0.9左右,C-SLACER算法中合作節(jié)點(diǎn)收益在40個周期后分布在1.3左右。對比圖4和圖5．發(fā)現(xiàn)兩種算法的節(jié)點(diǎn)平均收益與合作節(jié)點(diǎn)收益的變化趨勢在整個模擬過程中大體保持一致。

  圖6是兩種算法的合作連接路徑對比。兩種算法的CCP值均收斂于1，前30個周期SLACER算法的CCP值波動較大，G-SLACER算法則波動較小。從圖5可以看出，前10個周期，兩種算法的CCP值均呈下滑趨勢，主要因?yàn)榇藭r網(wǎng)絡(luò)處于合作初期，節(jié)點(diǎn)之間波動較大。總體來說，兩種算法都保持著穩(wěn)定的CCP值，確保了網(wǎng)絡(luò)節(jié)點(diǎn)間路徑的連通性。高合作性網(wǎng)絡(luò)中可以存在不合作節(jié)點(diǎn)，只要不合作節(jié)點(diǎn)所在位置不影響連接路徑上其他節(jié)點(diǎn)的消息傳遞過程,CCP值就可以無限接近于1。

  圖7是4種算法的節(jié)點(diǎn)平均度數(shù)對比�；�于Bayes博弈網(wǎng)絡(luò)算法和share strategy算法考慮到P2P網(wǎng)絡(luò)存在“Small World”現(xiàn)象，節(jié)點(diǎn)度數(shù)分別設(shè)置為3和7，且算法運(yùn)行過程中，節(jié)點(diǎn)的度數(shù)均保持不變。另外兩種算法中，網(wǎng)絡(luò)中節(jié)點(diǎn)度的最大值設(shè)置為20，SLACER算法的節(jié)點(diǎn)平均度數(shù)為13,C-SJACER算法的節(jié)點(diǎn)平均度數(shù)為14，度數(shù)增加1。G-SLACER算法中的引導(dǎo)型拓?fù)渲貥?gòu)過程比SLACER算法多連接了一個具有高收益的節(jié)點(diǎn)，因此節(jié)點(diǎn)平均度數(shù)增加了1。度數(shù)增多，有利于節(jié)點(diǎn)之間的交流，促進(jìn)節(jié)點(diǎn)相互學(xué)習(xí)。產(chǎn)生合作網(wǎng)絡(luò)初期，由G-SLACER與SLACER算法所構(gòu)成的網(wǎng)絡(luò)中節(jié)點(diǎn)的度數(shù)不穩(wěn)定，主要?dú)w因于此時網(wǎng)絡(luò)動蕩較大，節(jié)點(diǎn)屬性不穩(wěn)定。初期過后，兩種算法所形成的網(wǎng)絡(luò)中節(jié)點(diǎn)度數(shù)趨于穩(wěn)態(tài)。

4.3算法通用性

  C-SLACER算法明顯促進(jìn)了網(wǎng)絡(luò)高水平合作狀態(tài)的出現(xiàn)，改善了網(wǎng)絡(luò)性能參數(shù)，第4.2節(jié)的仿真是在2 000個節(jié)點(diǎn)的網(wǎng)絡(luò)上模擬的，為了驗(yàn)證G-SLACER算法的通用性，分別在大小為4 000、8 000、16 000個節(jié)點(diǎn)的網(wǎng)絡(luò)上仿真標(biāo)兵節(jié)點(diǎn)為30%時，網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例的變化趨勢，結(jié)果如圖8所示。

  由圖8可以看出，雖然在構(gòu)建合作網(wǎng)絡(luò)的初期，由于網(wǎng)絡(luò)節(jié)點(diǎn)間信任匱乏，而出現(xiàn)了短暫的合作節(jié)點(diǎn)比例下滑的情況，但不論網(wǎng)絡(luò)規(guī)模多大，模擬實(shí)驗(yàn)中合作節(jié)點(diǎn)比例的變化趨勢幾乎是一致的。因此得出結(jié)論：G-SLACER算法適用于任意大小的網(wǎng)絡(luò)，通用性良好。

5結(jié)束語

本文提出了一種引導(dǎo)型C-SLACER算法，引入標(biāo)兵節(jié)點(diǎn)，優(yōu)化拓?fù)渲貥?gòu)過程，同時加大對收益較低節(jié)點(diǎn)的獎勵。仿真結(jié)果表明，G-SLACER算法促進(jìn)了網(wǎng)絡(luò)節(jié)點(diǎn)之間的協(xié)作，增強(qiáng)了網(wǎng)絡(luò)連通性和穩(wěn)定性。選取引導(dǎo)型連接時，僅考慮了收益最高的節(jié)點(diǎn)，下一步研究工作可從選取多樣化引導(dǎo)型連接人手，以達(dá)到快速形成高水平合作網(wǎng)絡(luò)的目的。

6摘  要：為促進(jìn)動態(tài)開放性對等網(wǎng)絡(luò)中節(jié)點(diǎn)間的合作，在SLACER (selfish link-based adaptation for cooperationexcluding rewiring，基于自私連接排除重構(gòu)的自適應(yīng)合作)算法的基礎(chǔ)上引入標(biāo)兵節(jié)點(diǎn)，提出了引導(dǎo)型進(jìn)化博弈算法G-SLACER(guided-SLACER)。通過初始化，網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù)的30%為標(biāo)兵節(jié)點(diǎn)：拓?fù)渲貥?gòu)過程中，新增一條到最具優(yōu)勢節(jié)點(diǎn)的引導(dǎo)型連接；為鼓勵節(jié)點(diǎn)相互學(xué)習(xí)，加大網(wǎng)絡(luò)整體收益。實(shí)驗(yàn)結(jié)果表明，C-SLACER算法針對不同規(guī)模的網(wǎng)絡(luò)均具有良好的通用性，網(wǎng)絡(luò)中CCP(cooperative connected path，合作連接路徑)的穩(wěn)定性增強(qiáng)。與其他進(jìn)化博弈算法相比，G-SLACER算法形成的P2P網(wǎng)絡(luò)的合作狀態(tài)出現(xiàn)得更早、更平穩(wěn)。