基于均衡采樣的P2P網(wǎng)絡(luò)時(shí)變數(shù)據(jù)的近似聚集方法.pdf

1、P2P(peer-to-peer)技術(shù)是未來(lái)重構(gòu)分布式體系結(jié)構(gòu)的關(guān)鍵技術(shù)，擁有廣闊的應(yīng)用前景。同時(shí)，隨著P2P應(yīng)用的廣泛化與復(fù)雜化，將會(huì)有越來(lái)越多的應(yīng)用所產(chǎn)生數(shù)據(jù)是隨時(shí)間變化的。對(duì)于這些數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，將有助于用戶分析這些數(shù)據(jù)的變化趨勢(shì)并做出相應(yīng)的決策。而聚集操作是統(tǒng)計(jì)方法中一個(gè)最為基本的操作，故在本文中將對(duì)P2P網(wǎng)絡(luò)中時(shí)變數(shù)據(jù)的聚集方法進(jìn)行研究。
　　由于P2P網(wǎng)絡(luò)具有大規(guī)模性、動(dòng)態(tài)性、分散性等特點(diǎn)，使得在P2P網(wǎng)絡(luò)中進(jìn)行時(shí)變數(shù)據(jù)

2、的聚集運(yùn)算頗具挑戰(zhàn)。本文針對(duì)這些挑戰(zhàn)問題，主要進(jìn)行如下幾方面的研究：
　　首先，由于P2P的大規(guī)模性，通過(guò)遍歷每個(gè)節(jié)點(diǎn)來(lái)獲取樣本數(shù)據(jù)會(huì)出現(xiàn)處理時(shí)間過(guò)長(zhǎng)、資源浪費(fèi)較大等缺點(diǎn)。所以在本文中將利用隨機(jī)采樣的方式獲取少量的樣本數(shù)據(jù)，并利用這些樣本數(shù)據(jù)來(lái)估計(jì)總體的聚集值?？紤]到P2P網(wǎng)路的動(dòng)態(tài)性等因素，本文利用全概率公式、Markov過(guò)程的收斂特性及Metropolis-Hastings等數(shù)學(xué)手段對(duì)動(dòng)態(tài)網(wǎng)絡(luò)中的均衡采樣問題進(jìn)行了深入研究，并

3、首次提出了適應(yīng)動(dòng)態(tài)P2P網(wǎng)絡(luò)的均衡采樣算法——USTPF算法(Uniformly Sampling based on Total Probability Formula)，同時(shí)我們利用理論與實(shí)驗(yàn)證明了該算法的正確性及有效性。
　　其次，由于P2P網(wǎng)絡(luò)中的數(shù)據(jù)是時(shí)變的，從而需要保證聚集運(yùn)算中使用的所有樣本數(shù)據(jù)均在時(shí)間上是有效的，這就要求時(shí)變數(shù)據(jù)的聚集算法能夠在較短的時(shí)間區(qū)間內(nèi)完成數(shù)據(jù)收集工作。為了達(dá)到上述目的，本文在均衡采樣算法(U

4、STPF算法)的基礎(chǔ)上，利用中心極限定理、Chebyshev不等式等數(shù)學(xué)方法，首次構(gòu)造出能夠獲得某一較短時(shí)間段內(nèi)，P2P網(wǎng)絡(luò)時(shí)變數(shù)據(jù)的近似聚集值的算法——AUS(Aggregation based on Uniformly Sampling)算法，同時(shí)本文利用理論與實(shí)驗(yàn)證明該算法在統(tǒng)計(jì)學(xué)中及實(shí)際應(yīng)用中的意義。
　　最后，由于P2P網(wǎng)絡(luò)時(shí)變數(shù)據(jù)聚集值的歷史信息同樣十分重要，所以須解決如何在網(wǎng)絡(luò)中存儲(chǔ)時(shí)變數(shù)據(jù)聚集值的問題。針對(duì)該問題，