基于改进Gossip算法的多微网孤岛系统分布式电力交易策略

多微网系统的去中心化是微电网的重要发展趋势。关注多微网系统的分布式控制策略,将Gossip算法应用于由多个微电网组成的组合孤岛系统中;给出零售市场的电力交易模型,追求使多微网系统全局目标函数最小化的电价;基于双向平衡Gossip算法实现多微电网的电价决策;为保证安全隐私,设计一种具有隐私保护功能改进Gossip算法,以增加迭代次数为代价,避免成本函数共享。最后,通过算例仿真验证了采用Gossip算法的电力交易策略对孤岛运行状态下的分布式多微网系统的有效性。

基于Gossip算法的无线传感器网络时间同步

将Gossip算法用于实现无线传感网络的分布式时间同步,提出单Gossip同步算法和多Gossip同步算法,解决传统无线传感器网络时间同步算法中存在的计算复杂度高和同步收敛速度慢等问题.单Gossip同步算法首先利用构造生成树算法得到一个生成树,然后,依次对生成树每条边的两节点时钟信息进行Gossip运算,反复循环,最终可使网络各节点的时钟信息收敛于它们初始时钟信息的平均值.多Gossip同步算法对生成树进行边染色,相同染色的边可以同时进行Gossip运算.这2种同步算法减小了消息交换数,降低了计算复杂度,提高了同步的收敛速度.用随机矩阵理论和图论进行了理论证明,通过计算机仿真对理论分析进行了数据验证.

使用Gossip算法实现可靠的基于内容的发布订阅系统

分布式基于内容的发布订阅系统正受到日益广泛的重视,然而大多数研究都忽略了可靠性保证,这限制了该系统在动态和不可靠场合下的应用.本文首先介绍了基于内容的发布订阅系统和gossip算法,然后提出了一个轻量级的称为PReliabili-ty的协议,它通过引入gossip算法保证事件传输的可靠性.仿真实验表明该协议适合于大规模、可靠性低的环境,具有很强的扩展性和健壮性,并且具有简单、易于实现的优势.

P2P网络中基于Gossip算法的信任模型

为了解决P2P网络开放性和自治性带来的信任问题,提出一种基于Gossip算法的信任模型。该模型在估计节点的信任关系时引入时间退化因子,使用基于网络拓扑结构的Gossip算法传递消息、聚集信誉。模拟实验结果表明,该模型能更有效地评估节点间的信任关系,提高查询效率,减少网络拥塞。

二进制指数退避的Gossip算法研究

为减少Gossip算法进行信息传播的通信开销,该文提出一个将二进制指数退避算法与经典Gossip算法相结合的二进制指数退避的Gossip算法(BEBG),其信息传播策略是一个节点收到同一信息的次数越多,继续传播该信息的概率就越低。理论分析与仿真实验表明,BEBG能够有效减少信息传播冗余,网络中有104个节点时比经典Gossip算法减少了约61%网络负载。为解决BEBG存在的边缘节点问题,进一步提出了两个BEBG改进算法,引入Pull的PBEBG和引入向邻居节点Push的NBEBG。实验结果表明,两个算法能够消除边缘节点,当网络中有104个节点时,它们与相应的分别引入相同Pull和Push的经典Gossip算法相比,分别减少了约34%和37%的网络负载。

基于增强型Gossip算法的无线传感器网络时间同步

提出一种增强型无线传感器网络的小道消息(gossip)时间同步算法,利用无线信道的广播特性来提高同步性能.传统的gossip同步算法是点对点的通信方式,增强型gossip同步算法是点对多点的通信方式.理论分析和计算机仿真均表明此方法可以提高无线传感器网络时间同步的收敛速度,并且可以降低网络能耗.

非均匀选择概率下异步随机Gossip共识算法及优化

异步随机Gossip算法大都采用以均匀选择概率为基础的时间模型,并未充分考虑网络拓扑结构对智能体获取信息的影响,为此本文提出了一种更为合理的基于非均匀选择概率的异步随机Gossip算法.首先给出了非均匀选择概率下的异步时间模型,在概率意义下分析了算法的收敛性.算法的收敛速度取决于概率化权重矩阵的第2大特征值,并利用投影次梯度算法给出了选择概率优化方法.仿真分析表明,在非均匀选择概率下可通过对各智能体选择概率的优化,改善算法的收敛速度,并且弥补了传统的通信概率矩阵优化方法受制于网络拓扑结构的不足.

基于叠加编码的增强型Gossip算法研究

提出了一种无线传感器网络中的Gossip算法,该算法能充分利用无线网络的广播特性来加快收敛速度.通过叠加编码的处理,增大了有效通信半径,使无法获得完整发射信息的节点获得部分发射信息,且这部分信息可以有效加快信息的传播速度,从而达到加快算法收敛速度、节约传感器能量消耗的目的.理论分析及仿真验证表明:基于叠加编码的Gossip算法可以有效加快收敛速度,同时通过对叠加编码通信半径的调整,可以在收敛速度与收敛精度之间取得平衡.

混合型P2P网络中的基于Gossip的动态自适应算法

为了提高搜索的性能,出现了混合P2P网络搜索方法。在混合P2P网络中,关键的问题在于确定资源的流行程度。针对该问题,该文提出了一种基于Gossip的动态自适应算法(DAHG),通过抛硬币操作估计节点加入和离开P2P网络时所带入和带走的文档副本数;并通过Gossips传递估计值,获得资源的流行程度。仿真结果表明,该算法具有良好的适应性,能够反映P2P网络中节点和资源的动态性,从而选择出正确的资源搜索方法,减少搜索响应时间和提高资源的命中率。

R-gossip:分布式负载均衡效率优化算法

如今,单机系统提供的服务局限性较大,多机分布式系统应运而生。针对在分布式一致性系统中常用的gossip算法负载均衡效率较低的问题,本文在概率gossip算法(probabilistic gossip algo rithm)的基础上,设计了一种寄存器gossip算法(register gossip algorithm,下文简称R-gossip算法)。该算法通过在每个集群代理节点上设置多个且数量相同的移位寄存器(shift register),在对称假设下建立期望收敛模型,加快gossip算法的收敛速度,提高分布式系统的负载均衡效率。实验结果表明,其效率较传统gossip算法提高了30%左右。

基于分布式共识的Gossip 算法及时间同步研究

Gossip算法具有良好的扩展性和鲁棒性,是一种简单高效的算法,可以很好地适应无线传感器网络中分布式的系统环境。Gossip类似于流言传播的概念,是一种可以按照自己的期望自行选择与之交换信息的节点的通信方式,相比于利用路由端到端的通信方式,不需要进行路由的建立和维护,所以可以减少能量损耗,并且可以避免拥塞和路径失效的问题,具有消耗资源少、收敛速度快的优点。基于此,本文主要介绍了基于分布式共识的Gossip算法及时间同步。

正方形Mesh中的Gossiping算法

We offer a fast gossiping algorithm in Square mesh in this paper. We adopt H* model and assume that apacket can only travel across one edge in each timestep.

Dynamo架构中全局状态表维护算法研究

针对现有Dynamo式云存储架构中,节点间全局状态表一致性维护算法收敛时间长、通信代价高的问题,文中提出了一种基于种子节点的Gossip(Gossip Based on Seed nodes,GBS)算法。该算法采用分层思想,将节点分为种子节点层和普通节点层,通过分层,缩小了Gossip传播随机域,减少收敛时间;通过普通节点定期向随机的种子节点报告策略,解决了Gossip传播后期由于随机带来的大量重复交互问题。通过仿真实验,证明了GBS算法在降低收敛时间的同时,有效地降低了通信开销,提高了维护效率,具有很高的稳定性和可靠性。

基于分布式通信架构的温控负荷参与电力系统频率调控模型

温控负荷是具有参与电力系统频率调控潜力的需求侧资源。考虑到温控负荷用户群体分布的分散性和参数的异质性,提出一种基于分布式通信架构的温控负荷参与电力系统频率调控模型。负荷聚合商与区域控制器进行直接通信传递频率调控指令,用户个体间基于无线网络完成信息交互,通过Gossip算法实现节点负荷的通信状态和传递延时特性建模,针对用户响应状态的随机性,进一步将用户意愿系数纳入考虑,制定相应有序恢复策略避免二次功率冲击。通过算例仿真在单区域和多区域的频率响应模型中对所提方法有效性进行了验证,结果表明,所提方法能够充分发挥分布式需求侧温控负荷调频潜力,有利于提升系统频率稳定性。

面向执行-学习者的在线强化学习并行训练方法

近年来,深度强化学习(Deep Reinforcement Learning,DRL)已经成为了人工智能领域中的研究热点.为了加速DRL训练,人们提出了分布式强化学习方法用于提升训练速度.目前分布式强化学习可以分为同策略方法、异策略方法以及最新的近同策略方法.近同策略方法改善了同策略方法和异策略方法的问题,但是由于其共享内存并行模型的限制,近同策略模型难以扩展到以网络互连的计算集群上,低可扩展性限制了近同策略方法能够利用的资源数量,增加了计算节点的负载,最终导致训练耗时增加.为了提升近同策略方法的可扩展性,提升收敛速度,本文提出了一种以消息传递为基础,使用Gossip算法与模型融合方法的并行执行者-学习者训练框架(Parallel Actor-Learner Architecture,PALA),这一方法通过增强训练的并行性和可扩展性来提升收敛速度.首先,该框架以Gossip算法作为通信基础,借助全局数据代理并使用消息传递模型创建了一套可扩展的多个并行单智能体训练方法.其次,为了保证探索-利用的同策略性,维持训练稳定,本文创建了一套可以用于多机之间进行隐式同步的进程锁.其次,本文面向含有CUDA张量的模型数据,提出了一种序列化方法,以保证模型数据能够通过节点间网络传递、聚合.最后,本文使用模型聚合方法对训练进行加速.基于上述优化和改进,PALA训练方法能够将负载均衡地映射到整个计算集群上,减少由于高负载而造成的长等待时间,提升收敛速度.实验表明,相较于之前使用共享内存模式的方法,PALA训练的智能体在达到相同水平时,训练时间缩减了20%以上,同时,PALA还有着较好的可扩展性,PALA可以扩展的硬件资源数量是原有方法的6倍以上.与其他方法相对比,PALA训练的智能体最终策略在几乎所有测试环境中达到了最优水平.

基于区块链的Gossip协议优化研究

Gossip网络协议具有高效性和扩展性,广泛应用于区块链分布式系统的底层通信协议。针对联盟链中Gossip网络协议的冗余现象造成的传播效率下降,提出了Stack Gossip算法。该算法将收到的节点信息记录在信息栈中,避免向一个节点重复发送消息。实验发现,Stack Gossip算法不适用于大规模网络中节点数量过多的情况。为此,进一步提出Influence Gossip算法,其核心思路是节点通过评估邻居节点的信息影响力来选择通信的对等节点,在一定程度上避免了传统Gossip网络协议节点间传播的随机性。实验结果表明,与Random Gossip算法相比,Influence Gossip和Stack Gossip算法传播效率和产生的冗余有明显改进。

异构网络环境下的高稳定性应用层组播方案

针对异构网络环境中由于节点转发能力异构而引起的应用层组播稳定性不足的问题,对异构overlay拓扑建模进行了研究,分析出组播稳定所需满足的约束条件,提出了一种基于gossip协作机制的应用层组播方案。在所提机制能够均衡节点间负载,缓解能力弱的节点负载过重的问题;如果组播过程中有成员节点动态离开或转发能力不足,其他节点相互协作共同分担其负载以维持组播的稳定性。随后的链路强度分析表明,与传统的应用层组播方案相比,方案能够大幅降低拓扑的平均链路强度,提高组播系统的稳定性。通过OMNe T++仿真平台对本方案进行仿真验证,实验证明在动态的异构overlay拓扑下,方案能够显著提高数据分发成功率,保证组播的连续性和稳定性。

对等网络中一种基于概率的信任机制研究

P2P网络由于其开放性和自治性,充斥着大量的不确定性因素。为了提高网络的整体可用性和服务质量,提出了一种基于P2P技术的信任机制,该机制使用beta概率分布来估价结点的信任,同时使用Gossip算法来传递聚集信誉。模拟实验表明,时间关联因子以及Gossip搜索机制的引入,能更有效地估价结点间的信任关系,减少网络拥塞,提高查询效率。

分布式存储中的一种数据放置策略

研究了动态网络环境下基于分布式存储系统的数据放置策略,分析了现有的数据放置策略,提出了一种基于Gossip算法的数据放置策略。该策略在一定程度上避免了服务端结点故障造成的数据丢失,提高了系统的容错能力,保证了数据的可靠性。

基于虚拟组织的校园网格服务发现机制

为了有效定位校园网格中大量不同属性的动态服务,提出一种校园网格服务发现机制。以小世界模型为理论依据组建虚拟组织(VO),构建普通节点-域-VO的3层体系结构模型,基于该模型提出IS-Gossip算法。最上层在VO之间、中间层在VO内各域间分别用IS-Gossip算法进行分布式查找,最下层在域内进行集中式查找。算法分析表明,该机制提高了服务发现的可扩展性和查询效率。