P2P VOD系统邻居节点查找算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (24): 23-26.

P2P VOD系统邻居节点查找算法

冯侦探1，2，尤佳莉2，倪宏2

1.中国科学院研究生院，北京 100049
2.中国科学院声学研究所国家网络新媒体工程技术研究中心，北京 100190

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-08-21 发布日期:2011-08-21

Neighbor search algorithm for P2P VoD system

FENG Zhentan1，2，YOU Jiali2，NI Hong2

1.Graduate University，Chinese Academy of Sciences，Beijing 100049，China
2.National Network New Media Engineering Research Center，Institute of Acoustics，Chinese Academy of Sciences，Beijing 100190，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-08-21 Published:2011-08-21

摘要/Abstract

摘要： P2P流媒体点播系统中，由于用户的VCR操作存在不确定性，在查找合作节点时存在一定困难。针对该问题，提出了一种基于预测的邻居节点选择算法。描述了基于虚拟直播频道的点播系统覆盖网构建方式，将系统中的节点通过DHT协议的方式组织起来。提出了一种基于用户行为的学习预测策略模型，根据该模型预测结果提前查找所需邻居节点。仿真实验表明，该算法能改善用户跳转响应延时，促进节点协作。

关键词: 点对点（P2P）, 点播系统, 分布式哈希表, 预测, 邻居查找

Abstract: In P2P VoD（Video on Demand） system，it is difficult to find neighbors because the users’ VCR operations are uncertainty.Aiming at this problem，a neighbor search algorithm based on prediction is proposed in this paper.A method based on virtual live channel is described to build the overlay，in which peers are organized by DHT（Distributed Hash Table） protocol.A learning prediction model based on users’ behavior is proposed.According to the predicted results，the peer searches the neighbors in advance.The simulation results demonstrate that the algorithm can improve the VCR response latency and promote the peers’ cooperation.

Key words: Peer-to-Peer（P2P）, Video on Demand（VoD） system, Distributed Hash Table（DHT）, prediction, neighbor search

冯侦探1，2，尤佳莉2，倪宏2. P2P VOD系统邻居节点查找算法[J]. 计算机工程与应用, 2011, 47(24): 23-26.

FENG Zhentan1，2，YOU Jiali2，NI Hong2. Neighbor search algorithm for P2P VoD system[J]. Computer Engineering and Applications, 2011, 47(24): 23-26.

[1]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[2]	杨力，吴义，魏德宾，潘成胜. 基于时空相关性的卫星网络流量预测[J]. 计算机工程与应用, 2021, 57(7): 101-106.
[3]	常昊，陈晓雷，张爱华，李策，林冬梅. 嵌入改进SENet的卷积神经网络连续血压预测[J]. 计算机工程与应用, 2021, 57(7): 130-135.
[4]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[5]	刘紫燕，袁磊，朱明成，马珊珊，陈霖周廷. 融合SPP和改进FPN的YOLOv3交通标志检测[J]. 计算机工程与应用, 2021, 57(7): 164-170.
[6]	张睿，吴伯雄，张丽园，张博. 复杂场景下行人轨迹预测方法[J]. 计算机工程与应用, 2021, 57(6): 138-143.
[7]	杨丰玉，黄雅璇，周世健，郑巍. 结合多元度量指标软件缺陷预测研究进展[J]. 计算机工程与应用, 2021, 57(5): 10-24.
[8]	张倩玉，严冬梅，韩佳彤. 结合深度学习和分解算法的股票价格预测研究[J]. 计算机工程与应用, 2021, 57(5): 56-64.
[9]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[10]	赵红蕊，薛雷. 基于LSTM-CNN-CBAM模型的股票预测研究[J]. 计算机工程与应用, 2021, 57(3): 203-207.
[11]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[12]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[13]	姚远，张朝阳. 基于HP-LSTM模型的股指价格预测方法[J]. 计算机工程与应用, 2021, 57(24): 296-304.
[14]	安卫超，阎婷，张楠，张杉，相洁，曹锐，王彬. 病理图像纹理分析在胃癌MSI预测中的应用研究[J]. 计算机工程与应用, 2021, 57(24): 205-211.
[15]	顾海艳，陈亮，王多点. 基于模型预测控制的无人机时空协同航迹规划[J]. 计算机工程与应用, 2021, 57(23): 270-279.