P2P网络基于CPU动态处理能力的超级节点选取

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (19): 101-104.

P2P网络基于CPU动态处理能力的超级节点选取

陈水平，吴开贵

重庆大学计算机学院，重庆 400044

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-07-01 发布日期:2011-07-01

Super node selection based on dynamic processing power of CPU in peer-to-peer networks

CHEN Shuiping，WU Kaigui

College of Computer Science，Chongqing University，Chongqing 400044，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-07-01 Published:2011-07-01

摘要/Abstract

摘要： 在非结构化P2P网络中，普通节点通常要综合考虑距离、信誉度、内容相似度、CPU动态处理能力等多种因素来选择一个合适的超级节点，其中CPU的动态处理能力无疑是最要的。针对如何选择超级节点的问题提出一种新的方法，该方法通过RBF神经网络预测CPU动态负载，以CPU的动态负载评定超级节点的动态处理能力并将该信息提供给普通节点，帮助普通节点选择一个最合适的超级节点。通过分析和仿真实验表明该方法有效地提高了系统的性能，系统开销减少了96%以上。

关键词: P2P网络, RBF神经网络, 超级节点选取, 动态处理能力

Abstract: In unstructured P2P，the ordinary nodes select a super node by considering synthetically multiple factors such as distance cost，credibility，content similarity，the dynamic processing power of CPU and etc.And the dynamic processing power of CPU exerts the most important factor in all undoubtedly.This paper presents a new approach aiming at how to choose a super node.It predicts the dynamic load of CPU using a Radial Basis Function（RBF） neural network，assesses the dynamic processing power of super node’s CPU by the dynamic loading of CPU and provides the information for ordinary nodes，which helps ordinary select a most suitable super node.Though analysis and simulation experience results indicate that this approach can improve performance of the whole system efficiently，system cost reduction of 96% or more.

Key words: P2P（peer-to-peer）, Radial Basis Function（RBF） neural network, super node selection, dynamic processing power

陈水平，吴开贵. P2P网络基于CPU动态处理能力的超级节点选取[J]. 计算机工程与应用, 2011, 47(19): 101-104.

CHEN Shuiping，WU Kaigui. Super node selection based on dynamic processing power of CPU in peer-to-peer networks[J]. Computer Engineering and Applications, 2011, 47(19): 101-104.

[1]	苏佳丽，伍忠东，丁龙斌，刘菲菲. 基于IGWO-RBF的LTE-R切换算法研究[J]. 计算机工程与应用, 2020, 56(8): 74-80.
[2]	王燕燕1，王宏伟1，2. 基于粒子群的后件多项式RBF神经网络算法[J]. 计算机工程与应用, 2019, 55(12): 72-76.
[3]	颜学龙，丁鹏，马峻. 基于狼群算法的RBF神经网络模拟电路故障诊断[J]. 计算机工程与应用, 2017, 53(19): 152-156.
[4]	赵治国，谭邦，夏石莹，谭敏生. 基于时间序列的P2P网络综合信任模型研究[J]. 计算机工程与应用, 2017, 53(15): 127-131.
[5]	何可，吴晓军，张玉梅. 基于节点兴趣的非结构化P2P网络拓扑结构研究[J]. 计算机工程与应用, 2016, 52(9): 102-107.
[6]	周慧，张尤赛，李垣江. 应用RBF神经网络的体绘制传递函数设计方法[J]. 计算机工程与应用, 2016, 52(22): 180-184.
[7]	宋鑫超，苏庆堂，刘启明. 多姿态人耳识别的局部线性嵌入及其改进算法[J]. 计算机工程与应用, 2016, 52(13): 183-186.
[8]	赵守林1，秦立龙2，陈翔3. 基于复杂度特征的数字调制模式识别[J]. 计算机工程与应用, 2015, 51(4): 226-231.
[9]	唐晓勇1，江亚群1，黄纯1，彭江锴2，戴永梁1. 改进ASMDE算法和RBFNN的配电网线损计算[J]. 计算机工程与应用, 2015, 51(13): 245-250.
[10]	王菲露，宋杨. RBF神经网络在柔性触觉传感器解耦中的应用[J]. 计算机工程与应用, 2015, 51(10): 20-25.
[11]	刘浩. 多域环境下基于信任的P2P访问控制模型[J]. 计算机工程与应用, 2014, 50(21): 116-120.
[12]	王彬，贠卫国. K-聚类的模糊神经网络对DO的控制研究[J]. 计算机工程与应用, 2014, 50(16): 150-153.
[13]	张琛1，徐国丽2. 基于云遗传的RBF神经网络的交通流量预测[J]. 计算机工程与应用, 2014, 50(16): 216-220.
[14]	徐东辉1，2，李岳林1，杨巍1，丁景峰1，彭玲1. 基于混沌RBF神经网络的汽油机进气流量预测研究[J]. 计算机工程与应用, 2014, 50(1): 222-226.
[15]	邱建东，蒋兆远. 基于NLAPSO-RBF的铁路货运量预测研究[J]. 计算机工程与应用, 2013, 49(22): 253-257.