基于均衡采樣的P2P網絡時變數據的近似聚集方法.pdf

1、P2P(peer-to-peer)技術是未來重構分布式體系結構的關鍵技術，擁有廣闊的應用前景。同時，隨著P2P應用的廣泛化與復雜化，將會有越來越多的應用所產生數據是隨時間變化的。對于這些數據進行統(tǒng)計，將有助于用戶分析這些數據的變化趨勢并做出相應的決策。而聚集操作是統(tǒng)計方法中一個最為基本的操作，故在本文中將對P2P網絡中時變數據的聚集方法進行研究。
　　由于P2P網絡具有大規(guī)模性、動態(tài)性、分散性等特點，使得在P2P網絡中進行時變數據

2、的聚集運算頗具挑戰(zhàn)。本文針對這些挑戰(zhàn)問題，主要進行如下幾方面的研究：
　　首先，由于P2P的大規(guī)模性，通過遍歷每個節(jié)點來獲取樣本數據會出現處理時間過長、資源浪費較大等缺點。所以在本文中將利用隨機采樣的方式獲取少量的樣本數據，并利用這些樣本數據來估計總體的聚集值。考慮到P2P網路的動態(tài)性等因素，本文利用全概率公式、Markov過程的收斂特性及Metropolis-Hastings等數學手段對動態(tài)網絡中的均衡采樣問題進行了深入研究，并

3、首次提出了適應動態(tài)P2P網絡的均衡采樣算法——USTPF算法(Uniformly Sampling based on Total Probability Formula)，同時我們利用理論與實驗證明了該算法的正確性及有效性。
　　其次，由于P2P網絡中的數據是時變的，從而需要保證聚集運算中使用的所有樣本數據均在時間上是有效的，這就要求時變數據的聚集算法能夠在較短的時間區(qū)間內完成數據收集工作。為了達到上述目的，本文在均衡采樣算法(U

4、STPF算法)的基礎上，利用中心極限定理、Chebyshev不等式等數學方法，首次構造出能夠獲得某一較短時間段內，P2P網絡時變數據的近似聚集值的算法——AUS(Aggregation based on Uniformly Sampling)算法，同時本文利用理論與實驗證明該算法在統(tǒng)計學中及實際應用中的意義。
　　最后，由于P2P網絡時變數據聚集值的歷史信息同樣十分重要，所以須解決如何在網絡中存儲時變數據聚集值的問題。針對該問題，