Peer節點生命周期的預測方法、預測裝置和伺服器的製作方法
2023-06-03 14:16:36 2
專利名稱：Peer節點生命周期的預測方法、預測裝置和伺服器的製作方法
技術領域：
本發明涉及計算機網絡技術領域，特別涉及一種Peer節點生命周期的預測方法、預測裝置和伺服器。
背景技術：
P2P(Peer-to-Peer)網絡不同於傳統的客戶機/伺服器模式，在P2P網絡中沒有中心伺服器節點，每個節點處於對等地位，既充當伺服器為其他節點提供服務，同時又享受其他節點所提供的服務。P2P網絡中的操作是一種對等體之間的操作，其中的每個對等體，或者說每個實體都稱為Peer節點。同時，P2P網絡也是一種自組織形態的網絡，在該網絡中，Peer節點可以隨意地加入或退出，這種隨意性會造成網絡的擾動以及路由的變更，從而導致整個網絡生命周期的降低。Peer節點的在線時間是指從Peer節點加入P2P網絡，到Peer節點失效的時間段，也可稱為Peer節點的生命周期。
隨著Peer節點的加入、退出，需要對P2P網絡進行相應的維護，這種現象稱為Churn問題。了解和分析每個Peer節點的生命周期規律，在此基礎上建立起有效的Peer生命周期模型，可以較好地建立Churn仿真環境來模擬真實環境，從而為實現抗擾動行為(Churn resistant)的優化、網絡性能的優化和策略的制定等提供重要的依據。
現有技術中存在一種單個Peer節點生命周期的預測方法，主要根據Peer節點的當前在線時間預測該Peer節點的繼續在線時間滿足冪率分布來進行單個Peer節點的生命周期預測。該方法包括 首先，從P2P網絡中獲取該Peer節點的探測時間Δtalive，即從Peer節點加入P2P網絡的時刻到探測時刻的時間長度；並獲取從探測時刻到當前時刻的時間長度Δtsince，則Δtalive+Δtsince表示Peer節點的存活時間。
然後，計算概率p＝Pr(lifetime>(Δtalive+Δtsince)|lifetime>Δtalive)。
上式中，lifetime表示對該Peer節點的新在線時間的預測；所述「新」是相對於當前時刻而言； Pr為冪率分布函數，是一種概率分布函數。
上式是以Peer節點的存活時間大於探測時間作為先驗概率，計算Peer節點的存活時間大於當前時刻的後驗概率。
最後，計算上述概率的期望值來獲得對節點新的在線時間的預測。
本申請的發明人在實現本發明的過程中發現上述利用冪率分布對Peer節點新在線時間進行預測的方法，只考慮了Δtalive和Δtsince兩個參數對Peer節點新在線時間的影響，而這兩個參數僅僅來自於Peer節點的當前存活狀態。因此，採用冪率分布算法預測出來的結果不能令人信服地預測P2P網絡中Peer節點新的在線時間，事實也證明，採用冪率分布算法預測出來的結果與真實網絡中Peer節點的新在線時間之間存在較大偏差，以此為基礎建立的生命周期模型也存在較大誤差。
發明內容
本發明實施例提供一種Peer節點生命周期的預測方法、預測裝置和伺服器，以提高Peer節點生命周期預測結果的準確性。
為達到上述目的，本發明實施例的技術方案具體是這樣實現的 一種Peer節點生命周期的預測方法，包括 接收Peer節點採集的歷史生命周期數據； 利用所述歷史生命周期數據，確定體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數； 使用所述確定的參數建立隱含狄利克雷分布LDA模型，得到Peer節點生命周期模型； 使用所述Peer節點生命周期模型產生Peer節點的預測生命周期數據。
一種Peer節點生命周期預測裝置，包括 數據接收模塊，用於接收歷史生命周期數據； 參數確定模塊，用於根據所接收的歷史生命周期數據，確定體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數； 模型建立模塊，用於利用所述確定的參數建立相應的LDA模型，得到Peer節點生命周期模型； 預測數據生成模塊，用於根據所述建立的LDA模型產生Peer節點的預測生命周期數據。
一種伺服器，包括Peer節點生命周期預測裝置； 所述Peer節點生命周期預測裝置包括 數據接收模塊，用於接收歷史生命周期數據； 參數確定模塊，用於根據所接收的歷史生命周期數據，確定體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數； 模型建立模塊，用於利用所述確定的參數建立相應的LDA模型，得到Peer節點生命周期模型； 預測數據生成模塊，用於根據所述建立的LDA模型產生Peer節點的預測生命周期數據。
由上述技術方案可見，本發明實施例提供了一種通過隱含狄利克雷分布(LDALatent Dirichlet Allocation)模型對Peer節點的歷史生命周期規律進行統計分析，以確定P2P網絡中Peer節點生命周期規律之間的相關性、以及全網生命周期數據的分布規律，從而建立Peer節點生命周期模型，使用所述建立的LDA模型產生Peer節點的預測生命周期數據的方法、裝置和伺服器。由於本發明實施例所建立Peer節點生命周期模型能夠通過高層次的耦合表達全網的特徵，因此採用該生命周期模型預測得到的Peer節點生命周期將十分逼近於真實網絡中Peer節點的生命周期，相應的，根據該生命周期模型產生的生命周期數據所建立的Churn仿真環境，可以較逼真地模擬實際網絡，並為進行抗擾動行為的優化、網絡性能的優化和策略的制定等提供重要依據。
圖1為本發明實施例中Peer節點生命周期的預測方法流程示意圖； 圖2示出了本發明一較佳實施例中LDA模型的內部結構示意圖； 圖3為本發明一較佳實施例中確定LDA模型參數的過程示意圖； 圖4為本發明實施例中使用變分法簡化後的LDA模型的內部結構示意圖； 圖5為使用本發明實施例所建立的Peer節點生命周期模型產生Peer節點的預測生命周期數據的過程示意圖； 圖6示出了本發明實施例中另一較佳LDA模型的內部結構示意圖； 圖7為本發明實施例中Peer節點生命周期預測裝置的組成結構示意圖。
具體實施例方式 為使本發明的目的、技術方案及優點更加清楚明白，以下參照附圖並舉實施例，對本發明作進一步詳細說明。
本申請的發明人在實現本發明的過程中發現P2P網絡中，雖然各個Peer節點的生命周期各不相同，但是每個Peer節點本身的生命周期應該是受使用者的多個使用習慣影響的。從概率學的角度來看，每一種使用習慣代表著一種分布規律，每一種分布規律將導致出現相應的事件，基於此，每個Peer節點的生命周期應該是多種分布規律共同影響的結果，即每個Peer節點的生命周期應該與多種分布規律存在相關性。在實際應用中，雖然不同使用者受多個使用習慣的影響程度各不相同，即每個Peer節點的生命周期與所述多種分布規律的相關程度各不相同，但是從全網範圍來看，這多種分布規律與全網Peer節點生命周期的相關程度將是相對確定的。也就是說全網中各Peer節點之間的生命周期數據之間存在一定的相關性，並且，全網的生命周期數據遵循一定的分布規律。只要能夠確定P2P網絡中與Peer節點生命周期存在相關性的多種分布規律，並確定所述多種分布規律與P2P網絡中Peer節點生命周期數據的相關程度，就能以此建立Peer節點的生命周期模型，使用所述建立的模型預測Peer節點的生命周期。
本發明實施例中提供了一種通過隱含狄利克雷分布(LDALatentDirichlet Allocation)模型對Peer節點的歷史生命周期規律進行統計分析，以確定P2P網絡中Peer節點之間生命周期數據的相關性、以及各生命周期數據所遵循的分布規律，從而建立Peer節點生命周期模型，使用所述建立的LDA模型產生Peer節點的預測生命周期數據的方法、裝置和伺服器。
一個LDA模型可以由相應的LDA模型參數唯一確定。建立LDA模型的原理是根據已記錄的樣本數據使用貝葉斯理論進行統計分析，推論出LDA模型參數，從而得到相應的LDA模型。應用所得到的LDA模型可以重新產生樣本數據，所述重新產生的樣本數據與已記錄的樣本數據遵循相同的分布規律。
本發明實施例所提供的Peer節點生命周期的預測方法的實現過程是首先，接收Peer節點採集的歷史生命周期數據；然後，利用所述歷史生命周期數據，確定體現全網中各Peer節點生命周期數據之間相關性的參數，以及體現全網的各個生命周期數據之間分布規律的參數；並使用所述確定的參數建立LDA模型，得到Peer節點生命周期模型；最後，使用所述Peer節點生命周期模型產生Peer節點的預測生命周期數據。
所述得到的Peer節點的預測生命周期數據可以用於建立Churn仿真環境、進行抗擾動行為的優化、網絡性能的優化和策略的制定等。
下面對本發明實施例所提供的Peer節點生命周期的預測方法及Peer節點生命周期預測裝置進行詳細說明。
圖1為本發明實施例中Peer節點生命周期的預測方法流程示意圖。參見圖1，該方法包括 步驟101Peer節點採集歷史生命周期數據，並發送給本發明實施例中的Peer節點生命周期預測裝置。
本步驟中，所述歷史生命周期數據是指每個Peer節點在某一段預先設置的時間內的生命周期數據，即在某一段預先設置的時間內，Peer節點可能進行了多次加入、退出操作，這對應為多次生命周期，Peer節點每次生命周期的在線時間、或在線起始時間和日期、或在線終止時間和日期就構成了該Peer節點的歷史生命周期數據。涉及本發明實施例，主要以Peer節點每次生命周期的在線時間作為生命周期數據參與LDA模型參數的確定。
本步驟中，Peer節點採集歷史生命周期數據的方式可以是分布在P2P網絡中各處的Peer節點定期、或根據所述Peer節點生命周期預測裝置的通知、或根據某伺服器的通知，採集每次生命周期數據(例如Peer節點每次在線時間、在線起始時間和日期、在線終止時間和日期)。
本步驟中，Peer節點向Peer節點生命周期預測裝置發送歷史生命周期數據的方式可以是定期、或根據所述Peer節點生命周期預測裝置的通知、或根據某伺服器的通知，將採集到的歷史生命周期數據發送給Peer節點生命周期預測裝置。
另外，為了減少樣本空間，Peer節點還可以對採集到的生命周期數據進行處理，然後將處理後的生命周期數據作為樣本數據發送給Peer節點生命周期預測裝置。所述處理可以是對採集到的生命周期數據進行歸一化處理。例如如果採集的生命周期數據精度過大，可以通過對生命周期數據取整，減小生命周期數據的精度，例如將1.33表示為1；如果採集的生命周期數據範圍過大，可以將採集到的生命周期數據進行分塊，例如，使用1表示[0，10)，使用2表示[10，20)。
當然，所述對採集到的生命周期數據進行處理的操作可以由本發明實施例提供的Peer節點生命周期預測裝置完成。所述Peer節點生命周期預測裝置用於建立Peer節點生命周期模型，該預測裝置可以部署於網絡中的某伺服器上，也可以單獨設置。
步驟102Peer節點生命周期預測裝置利用所述歷史生命周期數據，確定體現全網中各Peer節點生命周期數據之間相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數。
本步驟中所述確定體現全網中各Peer節點生命周期數據之間相關性的參數，以及體現全網的各個生命周期數據之間分布規律的參數的具體方法將在後續部分進行詳細說明。確定所述參數後，可以將其保存。
步驟103使用所述確定的參數建立LDA模型，得到Peer節點生命周期模型。
步驟104使用所述Peer節點生命周期模型產生Peer節點的預測生命周期數據。
步驟103所建立的LDA模型，實際上就是本發明實施例所述Peer節點生命周期模型，因此，得到LDA模型後，可以用它對Peer節點的生命周期進行預測，生成Peer節點的預測生命周期數據。
至此，結束本發明實施例中Peer節點生命周期的預測方法。
本發明實施例中，基於對Peer節點生命周期數據所服從的分布規律的不同假設，LDA模型的內部結構、建立LDA模型時需要確定的LDA模型參數將有所不同。所述LDA模型參數就是本發明實施例所述體現全網中各Peer節點生命周期數據之間相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數。下面通過兩個具體示例對步驟102所述確定體現全網中各Peer節點生命周期數據之間相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數的方法進行詳細說明。
圖2示出了本發明一較佳實施例中LDA模型的內部結構示意圖。參見圖2，該LDA模型中所涉及的參數包括α、β、θ、z、w、N和M。其中 α和β為LDA模型的LDA模型參數；其中，α對應於本發明實施例所述體現全網中各Peer節點生命周期數據之間相關性的參數，β對應於本發明實施例所述體現全網的各個生命周期數據之間分布規律的參數； α為K維的向量；K表示LDA模型的成分數，即本發明實施例所述與Peer節點生命周期數據存在相關性的分布規律的種類數，也可以理解為P2P網絡中各Peer節點之間生命周期的相關性由K個因素決定，K≥2，且K的取值一般是經驗值； β為K*V維的矩陣；K表示LDA模型的成分數，V表示生命周期數據的樣本空間，該樣本空間中的數據是生命周期數據的歸一化數據；β可以形象地表示為
根據K、V所代表的物理意義可知βij表示當分布規律為第i種時，生命周期數據為j的概率，即第i種分布規律對樣本空間中出現取值為j的樣本數據的影響程度； N表示從單個Peer節點所接收到的歷史生命周期數據個數，即單個Peer節點的歷史在線次數，N服從泊松分布Poisson(ξ)； M表示向預測裝置發送歷史生命周期數據的Peer節點的個數； θ和z為LDA模型中的隱含的內部參數； θ為K維的向量，θ表示不同Peer節點的生命周期數據的分布規律，θ服從參數為α的狄利克雷分布(Dirichlet Allocation)；Dirichlet分布是一個概率密度函數，是多項(Multinomial)分布的共軛先驗分布，參數為α的Dirichlet分布也可表示為Dir(α)； z表示各Peer節點的生命周期數據的分布規律的集合，zd表示第d個Peer節點的生命周期數據的分布規律，z服從參數為θ的多項(Multinomial)分布，即z服從Multinomial(θ)分布； w表示生命周期數據的集合，根據β和z可以生成相應的w；若以wd表示第d個Peer節點的生命周期數據，以zd表示第d個Peer節點的生命周期數據的分布規律，則wd在zd和β參數條件下的概率為p(wn|zn，β)。
基於圖2所示LDA模型，步驟102所述確定LDA模型參數的過程如圖3所示，包括以下步驟 步驟301初始化LDA模型，包括為LDA模型的成分數K以及LDA模型參數α和β賦值。
本步驟中，可以按照多次實驗所取得的經驗為K賦值，並將LDA模型參數α置為1、β置為0。在增量式計算時，α和β分別取上一次的計算結果，K與上一次的K保持一致。
步驟302建立包含α參數和β參數的似然函數(likelihood function)。
本步驟中建立的似然函數
可以為 如前所述，M表示向預測裝置發送歷史生命周期數據的Peer節點的個數，wd表示第d個Peer節點發送的生命周期數據，θ服從狄利克雷分布Dir(α) 步驟303根據接收的歷史生命周期數據，計算使得如(1)式所示似然函數取最大值時的α參數和β參數。
由於步驟302中建立的似然函數
表示在Peer節點之間生命周期數據相關性為α參數、以及各生命周期數據的分布規律為β參數的情況下出現wd的概率，所以，本步驟中計算該似然函數
取值最大時的α參數和β參數值，即為生命周期數據wd出現概率最大時，對應的α參數和β參數值。
由於(1)式非常複雜，很難直接計算，這裡，可通過引入變分法的方式進行計算，其原理為將與LDA模型的局部變量關聯的邊及節點去掉，使用自由變量代替，簡化LDA模型的內部結構。圖4為本發明實施例中使用變分法簡化後的LDA模型的內部結構示意圖。圖4所示LDA模式是對圖2所示LDA模型的簡化，請參見圖4 為用
代替得到的結果。
因此，使用變分法可求得
其中，γ和
是在變分法過程中引入的一個中間變量，γ為K維的參數，
為K×V維的參數，同樣，q也是引入的一個中間函數，Eq表示q函數的期望值。
(3)式中，不等號左右兩邊的差值為K-L散度
由(4)式，可以將logp(wd|α，β)表示為
根據K-L散度的性質，可知
所以，
取最大值時，logp(wd|α，β)也取最大值。
(5)式取最大值就是以γ和
為自變量對(5)式求極值，將α參數和β參數作為已知變量，求得最優的γ和
參數為
(６)
利用初始設置的α參數和β參數值，可以採用迭代算法計算出γ和
參數的值，即計算出(6)式中的所有γi和
值。
上述計算γ和
參數值的過程如下 首先，初始化γi和
對於所有的i和n，令
然後，對於n取值為1到N、i取值為1到K，循環執行如下操作 按照
賦值，對
進行歸一化處理，並按照賦值。
將計算出的γ和
參數的值重新代入(1)式的似然函數
並將(1)式中的logp(wd|α，β)用(5)式的
代替，然後將α參數和β參數作為自變量，對
求極值，可以得出
將求得的γ和
參數代入(7)式，得到β參數值，以α參數為變量對(8)式求極值，可以得到α參數。其中，可以採用牛頓-拉夫遜方法對(8)式求極值。
更優地，以求得的α和β參數值作為初始已知變量重複執行上述步驟201至步驟303，重新計算γ和
參數值，從而重新計算α和β參數值，然後將求得的α和β參數值再作為初始已知變量，以此類推，當求得的α和β參數值收斂時，將收斂時的α和β參數值作為最終的α和β參數值。
步驟304保存所述α參數和β參數值。
在下次進行網絡性能模型的建立時，可以將保存的α參數和β參數值作為初始設置的α參數和β參數進行迭代計算。
至此，確定了α參數和β參數的值，本發明實施例所述Peer節點生命周期預測裝置或其他的網絡實體可以利用該參數建立LDA模型，並利用該模型產生具有某種分布規律的生命周期數據。
本發明實施例中，建立LDA模型的過程為利用α參數和β參數，確定LDA模型內部參數的過程。內部參數θ服從Dir(α)分布，即 對於第d個Peer節點，取Zd服從Multinomial(θ)分布，其中，d∈V。
由於上述建立的LDA模型中的α參數體現了網絡中Peer節點之間生命周期數據的相關性，β參數體現了各生命周期數據的分布規律，所以，將α參數和β參數結合得到的LDA模型便能夠體現全網性能。
圖5為使用本發明實施例所建立的Peer節點生命周期模型產生Peer節點的預測生命周期數據的過程示意圖。參見圖5，假設需要利用建立的Peer節點生命周期模型產生某個Peer節點的預測生命周期數據{w1，w2，...，wn，...，wN}，產生預測生命周期數據的過程包括 第1步根據泊松分布選擇第d個Peer節點的預測生命周期樣本數N。
第2步根據Dir(α)分布選擇θ，即根據 選擇θ。
第3步根據Multinomial(θ)為第d個Peer節點的第n個預測生命周期數據wdn，選擇分布規律zdn；wdn為第d個Peer節點的第n個預測生命周期數據，zdn為第d個Peer節點的第n個預測生命周期數據的分布規律。
第4步根據p(wdn|zdn，β)產生第d個Peer節點的第n個預測生命周期數據wdn。
重複上述第1～4步，就可以利用本發明實施例所提供的Peer節點生命周期模型產生多個Peer節點的預測生命周期數據。
將所述產生的預測生命周期數據(如Peer節點的在線時長)分配到仿真環境的各個Peer節點的在線時長，則可以建立與實際網絡具有相同分布規律的仿真環境。通過對仿真實驗環境的測試，可以模擬實際網絡的Churn環境，實現抗擾動行為的優化等提供重要依據。
在實際應用中，也可以假設Peer節點的生命周期數據在多種分布規律的條件下服從高斯分布。圖6示出了本發明實施例中對應於這種情況下的LDA模型的內部結構示意圖。參見圖6，該LDA模型的參數為α、μ和σ。其中，μ和σ為高斯參數，圖2中的K*V維的β矩陣參數將相應地改變為圖5所示由μk和σk構成的2*K*Ks的矩陣。Ks為高斯成分數，表示生命周期數據樣本空間的高斯成分；μk和σk分別為K*Ks維的矩陣。這種情況下，確定LDA模型參數α、μ和σ的具體過程請參見上述確定LDA模型參數α和β的過程，在此不再贅述。
由上述技術方案可見，本發明實施例所提供的Peer節點生命周期的預測方法，旨在利用LDA模型通過高層次的耦合表達全網的特徵。該方法通過將已記錄的Peer節點歷史生命周期數據和未記錄的Peer節點歷史生命周期看作是服從共同分布規律下的樣本數據，並利用Peer節點的歷史在線記錄建立了基於LDA模型的Peer節點生命周期模型。由於該模型能夠通過高層次的耦合表達全網的特徵，因此採用該生命周期模型預測得到的Peer節點生命周期將十分逼近於真實網絡中Peer節點的生命周期，相應的，根據該生命周期模型產生的生命周期數據所建立的Churn仿真環境，可以較逼真地模擬實際網絡。
下面對本發明實施例所提供的Peer節點生命周期預測裝置的組成結構進行詳細說明。
圖7為本發明實施例中Peer節點生命周期預測裝置的組成結構示意圖。參見圖7，該預測裝置包括 數據接收模塊710，用於接收Peer節點採集的歷史生命周期數據； 參數確定模塊720，用於根據所接收的歷史生命周期數據，確定體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數； 模型建立模塊730，用於利用所述確定的參數建立相應的LDA模型，得到Peer節點生命周期模型； 預測數據生成模塊740，用於根據所述建立的LDA模型產生Peer節點的預測生命周期數據。
圖7所示參數確定模塊720中可以包括 初始化單元721，用於初始化LDA模型； 似然函數建立單元722，用於根據所述初始化單元的初始化結果，建立包含所述體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數的似然函數； 參數計算單元723，用於根據所述接收的歷史生命周期數據，計算使得所述似然函數取最大值時的體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數。
圖7所示Peer節點生命周期預測裝置中可以進一步包括 存儲模塊750，用於保存計算得到的參數； 所述初始化單元721，還用於從所述存儲模塊750中獲取所述保存的參數，將LDA模型中的LDA模型參數初始化為所述保存的參數。
由上述技術方案可見，本發明實施例所提供的Peer節點生命周期預測裝置，旨在利用LDA模型通過高層次的耦合表達全網的特徵。該預測裝置通過將已記錄的Peer節點歷史生命周期數據和未記錄的Peer節點歷史生命周期看作是服從共同分布規律下的樣本數據，並利用Peer節點的歷史在線記錄建立了基於LDA模型的Peer節點生命周期模型。由於該模型能夠通過高層次的耦合表達全網的特徵，因此採用該生命周期模型預測得到的Peer節點生命周期將十分逼近於真實網絡中Peer節點的生命周期，相應的，根據該生命周期模型產生的生命周期數據所建立的Churn仿真環境，可以較逼真地模擬實際網絡。
本發明實施例所提供的Peer節點生命周期預測裝置可以部署於一個現有的伺服器中，也可以部署於一個單獨設置的專用於進行Peer節點生命周期預測的伺服器或Peer節點中。為此，本發明提供了一種伺服器，包括本發明實施例所提供的Peer節點生命周期預測裝置，該Peer節點生命周期預測裝置的組成結構示意圖如圖7所示。
本領域普通技術人員可以理解實現上述實施例方法中預測Peer節點生命周期的過程可以通過程序指令相關的硬體來完成，所述的程序可以存儲於Peer節點和Peer節點生命周期預測裝置的可讀取存儲介質中，該程序在執行時執行上述方法中的對應步驟。所述的存儲介質可以如ROM/RAM、磁碟、光碟等。
以上所述僅為本發明的較佳實施例而已，並非用於限定本發明的保護範圍。凡在本發明的精神和原則之內所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。
權利要求
1、一種Peer節點生命周期的預測方法，其特徵在於，包括
接收Peer節點採集的歷史生命周期數據；
利用所述歷史生命周期數據，確定體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數；
使用所述確定的參數建立隱含狄利克雷分布LDA模型，得到Peer節點生命周期模型；
使用所述Peer節點生命周期模型產生Peer節點的預測生命周期數據。
2、根據權利要求1所述的方法，其特徵在於，所述利用所述歷史生命周期數據，確定體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數包括
統計所述體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數取不同值時，所述歷史生命周期數據的出現概率，將歷史生命周期數據出現概率最大時所對應的參數值確定為所述體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數。
3、根據權利要求2所述的方法，所述將歷史生命周期數據出現概率最大時所對應的參數值確定為所述體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數，是採用極大似然法確定的；具體確定過程包括
初始化LDA模型；
建立包含所述體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數的似然函數；
根據所述歷史生命周期數據，計算使得所述似然函數取最大值時的體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數。
4、根據權利要求3所述的方法，其特徵在於，所述LDA模型中包含LDA模型參數α和β；所述體現全網中各Peer節點之間生命周期數據相關性的參數為LDA模型參數α，所述體現全網的各個生命周期數據之間分布規律的參數為LDA模型參數β，所述LDA模型中還包含隱含的內部參數θ和z；
所述α為K維的向量，K為LDA模型的成分數，表示與Peer節點生命周期數據存在相關性的分布規律的種類數；
所述β為K*V維的矩陣，V表示生命周期數據的樣本空間；βij表示當分布規律為第i種時，生命周期數據為j的概率；
所述θ為K維的向量，θ表示不同Peer節點的生命周期數據的分布規律，θ服從參數為α的狄利克雷Dirichlet分布Dir(α)；
所述z表示各Peer節點的生命周期數據的分布規律的集合，z服從參數為θ的多項分布Multinomial(θ)；
所述初始化LDA模型包括為所述成分數K賦值，並將α置為1和β置為0；
所述計算使得所述似然函數取最大值時的體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數包括計算使得所述似然函數取最大值時的LDA模型參數。
5、根據權利要求3所述的方法，其特徵在於，所述LDA模型中包含LDA模型參數α、μ和σ；所述體現全網中各Peer節點之間生命周期數據相關性的參數為LDA模型參數α，所述體現全網的各個生命周期數據之間分布規律的參數為LDA模型參數μ和σ，所述LDA模型中還包含隱含的內部參數θ和z；
所述α為K維的向量，K為LDA模型的成分數，表示與Peer節點生命周期數據存在相關性的分布規律的種類數；
所述μ和σ為高斯參數，μ和σ分別為K*Ks維的矩陣，Ks為高斯成分數，表示生命周期數據樣本空間的高斯成分；
所述θ為K維的向量，θ表示不同Peer節點的生命周期數據的分布規律，θ服從參數為α的Dirichlet分布Dir(α)；
所述z表示各Peer節點的生命周期數據的分布規律的集合，z服從參數為θ的Multinomial分布Multinomial(θ)；
所述初始化LDA模型包括為所述成分數K賦值，並將α置為1、μ和σ置為0；
所述計算使得所述似然函數取最大值時的體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數包括計算使得所述似然函數取最大值時的LDA模型參數。
6、根據權利要求4或5所述的方法，其特徵在於，在確定LDA模型參數之後，進一步保存所述LDA模型參數；
所述初始化LDA模型參數包括保持成分數K的值不變，將LDA模型參數置為所述保存的LDA模型參數。
7、根據權利要求4或5所述的方法，其特徵在於，所述使用所述Peer節點生命周期模型產生Peer節點的預測生命周期數據包括
根據泊松分布選擇第d個Peer節點的預測生命周期樣本數N；
根據Dir(α)分布選擇θ
根據Multinomial(θ)為第d個Peer節點的第n個預測生命周期數據選擇分布規律zdn；
根據分布規律zdn以及除參數α之外的LDA模型參數，產生第d個Peer節點的第n個預測生命周期數據。
8、一種Peer節點生命周期預測裝置，其特徵在於，包括
數據接收模塊，用於接收歷史生命周期數據；
參數確定模塊，用於根據所接收的歷史生命周期數據，確定體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數；
模型建立模塊，用於利用所述確定的參數建立相應的LDA模型，得到Peer節點生命周期模型；
預測數據生成模塊，用於根據所述建立的LDA模型產生Peer節點的預測生命周期數據。
9、根據權利要求8所述的裝置，其特徵在於，所述參數確定模塊中包括
初始化單元，用於初始化LDA模型；
似然函數建立單元，用於根據所述初始化單元的初始化結果，建立包含所述體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數的似然函數；
參數計算單元，用於根據所述接收的歷史生命周期數據，計算使得所述似然函數取最大值時的體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數。
10、根據權利要求9所述的裝置，其特徵在於，所述預測裝置中進一步包括
存儲模塊，用於保存計算得到的參數；
所述初始化單元，還用於從所述存儲模塊中獲取所述保存的參數，將LDA模型中的LDA模型參數初始化為所述保存的參數。
11、一種伺服器，其特徵在於，包括Peer節點生命周期預測裝置；
所述Peer節點生命周期預測裝置包括
數據接收模塊，用於接收歷史生命周期數據；
參數確定模塊，用於根據所接收的歷史生命周期數據，確定體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數；
模型建立模塊，用於利用所述確定的參數建立相應的LDA模型，得到Peer節點生命周期模型；
預測數據生成模塊，用於根據所述建立的LDA模型產生Peer節點的預測生命周期數據。
12、根據權利要求11所述的伺服器，其特徵在於，所述參數確定模塊中包括
初始化單元，用於初始化LDA模型；
似然函數建立單元，用於根據所述初始化單元的初始化結果，建立包含所述體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數的似然函數；
參數計算單元，用於根據所述接收的歷史生命周期數據，計算使得所述似然函數取最大值時的體現全網中各Peer節點之間生命周期數據相關性的參數、以及體現全網的各個生命周期數據之間分布規律的參數。
13、根據權利要求12所述的裝置，其特徵在於，所述預測裝置中進一步包括
存儲模塊，用於保存計算得到的參數；
所述初始化單元，還用於從所述存儲模塊中獲取所述保存的參數，將LDA模型中的LDA模型參數初始化為所述保存的參數。
全文摘要
本發明實施例中公開了一種Peer節點生命周期的預測方法，該方法通過LDA模型對Peer節點的歷史生命周期規律進行統計分析，以確定P2P網絡中Peer節點生命周期規律之間的相關性、以及全網生命周期數據的分布規律，從而建立Peer節點生命周期模型，並使用所述建立的LDA模型產生Peer節點的預測生命周期數據。本發明實施例中還公開了一種Peer節點生命周期預測裝置及伺服器。採用本發明實施例預測得到的Peer節點生命周期將十分逼近於真實網絡中Peer節點的生命周期，相應的，根據所述生命周期數據建立的Churn仿真環境可以較逼真地模擬實際網絡，並為進行抗擾動行為的優化、網絡性能的優化和策略的制定等提供重要依據。
文檔編號H04L12/26GK101459550SQ20071019863
公開日2009年6月17日 申請日期2007年12月11日 優先權日2007年12月11日
發明者施廣宇, 龍有水, 堅 陳 申請人:華為技術有限公司