P2P系统中基于信誉感知的超级节点选择算法研究

针对层次式P2P系统中恶意超级节点频繁离开网络导致系统不稳定甚至崩溃的问题,提出一种新的基于信誉的超级节点选择算法.建立节点基于历史交换回馈信息的信誉评估算法,以信誉评估为基础,构建信誉感知的超级节点选择算法,选择信誉高的节点为超级节点.理论分析和仿真结果表明,该算法有效地提高了系统的稳定性.

面向认知无线电网络能量高效协作感知的在线节点选择算法

面向认知无线电网络中能量高效协作感知任务需求,提出了面向单次协作感知过程的能量最小化节点选择问题EMNS和面向在线协作感知的能量高效节点选择问题OENS。证明了两问题均为NP-hard难题。针对EMNS问题,提出采用分枝定界算法BAB求最优解和贪婪节点选择算法GS求近似解。针对OENS问题,提出为每个节点引入考虑能量消耗负载均衡的动态权重系数,基于BAB和GS算法设计了启发式的在线节点选择算法OBAB、OGS1。仿真实验结果表明,提出的算法可显著增加网络完成的协作感知过程次数,可有效延长网络"生存期"。

混合群智感知中服务节点优化选择机制

移动群智感知应用依赖于以人为主导的移动用户参与,用户的移动规律和用户所携带感知设备的剩余资源等都会制约其参与感知服务的能力,从而影响系统的感知质量。现有研究工作对服务节点的选取操作比较单一,因此有必要设计合理的节点优化选择机制,选择到达并覆盖目标区域的最优服务节点集,从而保证对目标区域的感知质量。针对服务节点的优化选取展开研究,基于人的移动特性,定义节点服务度量标准,并结合遗传算法设计服务节点优化选取算法,从而提出一种新的服务节点优化选择机制。仿真实验表明,该机制可以有效选取最优服务节点集,达到提高混合群智网络感知服务质量的目的。

基于情感文本数据筛选的感知节点选择机制

通过分析移动群智感知的协作过程,即感知节点的携带-存储-转发过程,发现该过程忽略了对节点携带信息的内容筛选.而对于有目的的数据获取而言,这种先收集后筛选的方法导致在后续对数据的分析与筛选过程中会耗费更多的时间,同时获取的有效数据占比不高.考虑到这个因素,本文结合遗传算法设计了一种在移动群智感知环境下基于情感文本数据筛选的节点选择机制.该节点选择机制主要通过对节点携带数据类型的筛选来选择感知节点,从而获取感知环境下移动用户的情感文本数据.通过实验验证表明,使用此方法在数据处理的效率上最大提高了27.6%,在有效的数据占比上最大提高了21%,因此该方法能够有效的提高对整体数据处理的效率.

一种基于全局复合评价算法的Super Peer选择机制

提出一种基于全局复合评价算法的Super Peer选择机制,该机制以主客观相结合的科学依据从多方面自动选择P2P网络中稳定可靠、长期在线且积极提供服务的大量高性能Peer担当Super Peer职责,从而可以极大地扩充Super Peer的数量,使得全分布式结构化拓扑和半分布式拓扑结构可以在同一个P2P网络中有效地互补并存.全局复合评价算法综合采用在线活跃情况、任务完成能力和平均通信速率这3个指标来作为Super Peer的选择标准.构建了P2P仿真实验系统环境,验证所提出的算法和相应机制的可行性和实用价值.

移动群智感知中基于数据质量的参与者选择

移动群智感知网络中的数据质量对任务是否成功完成有着至关重要的作用,为了提升移动群智感知任务中的数据质量,本文从选择参与者环节进行研究,提出了一种参与者选择方法,重点研究工作者的信誉、工作者的能力以及工作者与任务位置的距离三个方面,在将花费控制在一定范围的同时,最大限度地提高预期的结果质量,并利用启发式算法设计了新的参与者选择方法.经过实验评估,本文的方法与当前较好的方法相比较,任务的平均预算利用率大致相同,而任务的平均错误率下降了30%以上.通过仿真实验,可以看出本方法在控制任务平均错误率方面有了显著的进步.

自组网中一种基于跨层负载感知的蚁群优化路由协议

将蚁群优化和跨层优化方法结合起来,提出了一种基于跨层负载感知和蚁群优化的路由协议(CLAOR).协议将整个路径中各节点MAC层的总平均估计时延和节点队列缓存的占用情况结合起来,共同作为路由选择和路由调整的重要度量标准进行按需路由发现和维护,通过拥塞节点丢弃蚂蚁分组以及借助部分兼具蚂蚁功能的数据分组实现正常路由表的维护等方法,减少了控制开销,增加了算法的可扩展性,较好地解决了自组网中现有基于蚁群优化的路由协议中普遍存在的拥塞问题、捷径问题和引入的路由开销问题.仿真结果表明,CLAOR在分组成功递交率、路由开销以及端到端平均时延等方面具有优良性能,能很好地实现网络中的业务流负载均衡.

基于蚁群算法的P2P层次域网络模型设计

针对现有P2P网络搜索效率低、搜索算法开销大等问题,提出采用蚁群搜索算法(ACO)构建P2P层次域网络模型。该模型在域间资源查询时,通过节点信誉度选择查询路径,有效将搜索蚂蚁导向到可能存在查询资源的高信誉度节点域中。实验证明,该方法有效提高了资源搜索命中率,减少了网络中冗余信息包的传送,有一定的实用性及可扩展性。

移动群智感知中基于任务质量的多任务分发参与者选择

任务分发作为移动群智感知领域的关键研究问题是目前的热点和难点,针对该领域中多任务分发条件下的参与者选择方法进行研究,根据参与者的历史任务完成情况,利用参与者累计信誉以及参与意愿构建参与者服务质量模型(QoS).在最大化QoS的基础上,采用启发式贪心算法解决参与者的选择问题.提出以任务为中心和以用户为中心的两种选择方案,在算法中引入距离约束因子、完整度约束因子以及信誉度约束因子,在保证任务完成质量的前提下,尽可能提升平台最终收益和参与者的收益.对两种算法的可行性和有效性进行评估,与现有的算法在选择出的参与者人数、移动距离以及数据质量等方面进行详细对比,分析各种因素对选择结果的影响.在实验过程中,建立阶跃型数据定价模型,对参与者上传的数据质量进行量化对比.实验结果表明,所提出的算法较现有的算法在服务质量方面取得了很好的效果.