基于匹配路径和概率平衡树的P2P语义路由模型

语义路由是P2P路由技术的关键研究内容之一.智能化路由策略语义表达灵活,但可扩展性和查全率较低;语义覆盖网络可扩展性好,但要么难以组织,要么维护开销很大.提出一种新的基于匹配路径和概率平衡树的P2P语义路由模型(matchpathandprobabilitybalancetree,简称MPPBTree),通过层次化和匹配路径组织资源存储结构和节点排布方式,达到一种近似平衡的分布特征,使节点能够根据查询内容本身进行路由决策,并同时保持较低的维护开销.模型支持灵活的语义搜索,拥有良好的可扩展性,保证任意节点的路由都能覆盖全网络.模型不要求任何中心服务的存在,所有的节点只需维护少量局部信息,且都会同时承担索引、存储、中继的功能,以均摊系统运行的负荷.

社交媒体内容可信性分析与评价

近年来社交媒体在拓宽人们获取信息渠道的同时,也方便了虚假信息的传播,并造成了严重的负面影响.与传统互联网媒体相比,社交媒体包含的信息更加复杂多样,为内容可信性的判断带来了新的挑战.已有研究在分析社交媒体内容可信性时,对挖掘可信性影响因素进行了很多工作,但缺乏对噪音数据的处理,大量的无用推文会对推文可信性判断造成干扰,进而会影响事件层面的可信性判断,从大量噪音数据中筛选出真正有用的推文数据就显得尤为重要.在推文层面同时考虑用户的主题因素和从众行为,减少了从众转发等噪音数据在可信性判断过程中的作用,对社交媒体内容的可信性进行研究,采用贝叶斯网络建立了社交媒体内容可信性评价模型,并通过新浪微博公开数据集验证了模型的有效性.

面向时延需求的主动队列管理方法

网络智能终端的普及和发展对网络总体的拥塞控制和以时延、抖动为主的服务质量提出了更高的要求和挑战.现有的网络中间设备,主要依靠队列管理控制时延,解决拥塞.针对现有主动队列管理算法易导致的高时延和网络资源分配不公下的大量丢包问题,本文提出了面向时延需求的主动队列管理(time demand-active queue management,TD-AQM)方法.该方法将队列管理的基础从端系统和中间设备得到的网络测量反馈回归到写入数据报文IP层option字段的时延需求,即报文在路由器最长存在的时间上.为了避免洪峰效应,TD-AQM利用限制向下查找范围和遏制格子虚占用命中率方法,将数据包按照时延需求插入队列.实验结果表明,TD-AQM能够有效地维持队列的稳定性,保证数据报文按照时延需求出队并相较现有队列管理算法提高了吞吐率等各项性能.