一种基于分层云对等网络的多属性云资源区间查找算法

为了研究多维属性云资源在云对等网络中快速定位问题,结合云对等网络的优势,提出一种基于云对等网络的多属性云资源的查找算法。在分层云对等网络的基础上,分别利用云资源的类型和属性值建立多维索引。首先根据类型索引将相关的数据聚集在同一个资源簇内;然后将属性值的值域划分为多个区段,并将相应资源存储其中。同时建立资源簇融合、区间邻居维护等机制使算法更具效率和扩展性。仿真实验表明,该算法实现了多属性云资源的快速定位,它不会随着网络节点和类型维度增加而产生较大查询迟延,具有很好的扩展性。

改进蚁群算法在移动自组网中的研究

为了解决移动自主网移动节点快速移动导致封包遗失率高的问题,提出一种改进的跨层蚁群算法CAARM。该算法通过MAC跨层计算和预测节点距离,利用前向蚂蚁携带的封包信息进行路由查询,动态地探测移动网络中下一Qo S可靠的节点并进行节点切换,同时采用按需路由机制周期性地进行维护路由。实验结果表明,该算法通过增加一定的传输延时,有效地减少了封包遗失,并且能维持较小的节点切换开销,适合于数据可靠性要求较高的移动自组网络。

基于复杂云资源查询的HChord索引机制

为了研究复杂云资源在巨大资源池中快速定位和查找问题,结合分布式对等技术资源定位的优势,提出分层的HChord云对等模型,通过提取云资源多维属性特征向量构建资源查询索引和相似资源聚类,建立全局与局部索引及缓存机制,并独到地提出依赖备份超级节点数来控制索引缓存率的方法。仿真实验表明,HChord模型比HTC-Chord模型在资源定位时需要更短的平均路径长度;验证HChord模型下不同索引缓存率对资源定位路径不同的有利影响。结果表明,分层HChord模型下构建的资源聚类和索引缓存机制,以牺牲少数节点维护开销能使资源在非常有效的路径范围内被定位。