[发明专利]一种基于机器学习及网络节点信誉的非结构化P2P资源搜索方法

说明书

技术领域

本发明涉及网络通信搜索方法，具体涉及一种基于机器学习及网络节点信誉的非结构化P2P资源搜索方法。

技术背景

随着网络技术的飞速发展和Internet在社会生活各个领域中的广泛应用和迅速普及，信息量和用户数量与日俱增，使得现有的C/S模式(即Client/Server，客户机/服务器)无法满足和支持大规模的网络应用，由此产生了P2P技术。P2P即Peer-to-Peer，也称为对等计算或对等网络，是在物理网络之上构建的一种覆盖网络。目前P2P技术已经广泛地应用于文件共享、对等计算、协同工作、即时通信等诸多领域。P2P作为未来网络的关键技术之一，即核心问题就是为大量的用户提供可靠的服务，实现网络资源共享。但要想充分地利用P2P网络中的各种资源，关键问题是快速有效地找到资源。目前，非结构化P2P中资源搜索方法可分为盲目搜索和信息搜索两种：

所谓盲目搜索是在完全没有任何相关信息的前提下，试图通过访问足够数量的网络节点来满足资源查询请求；该搜索方法会产生大量冗余消息，浪费带宽资源。

所谓信息搜索则是利用所获得的各种有关信息，采用启发式方法指导当前的搜索，使得系统在查询资源时具有针对性，克服盲目搜索的不足，该方法在一定程度上提高资源查询效率；但这种简单的信息搜索方法的搜索成功率低，搜索效率得不到保障。

非结构化P2P的拓扑结构是无规则的，这一本质特征也导致了该系统在资源查询时具有较大的不确定性，因此，如何提高搜索效率对于非结构化P2P网络具有重要意义。

现有的针对非结构化P2P的搜索方法中基于信息搜索方法的居多，如蚁群算法，移动代理以及基于小世界模型的语义聚类算法，网络节点信誉方法，等等；从搜索成功率、产生的消息量、对网络动态变化的适应性和网络维护等方面对这些方法分别进行研究表明，在一定条件下可以提高资源的搜索效率。但这些方法还具有各种各样的缺陷，例如建立语义小世界的搜索方法，搜索之前，对资源的整合聚类就需要花费大量的代价，另外在资源查询时，由于大量的冗余消息造成的P2P系统带宽浪费问题也没有解决，搜索效率也得不到保障。因此，针对非结构化P2P中资源搜索效率低等问题，需要进一步研究寻找更加高效的资源搜索机制是当前P2P技术的研究重点。

CN 101364958A公开的“一种基于非结构化P2P网络的搜索方法”，其搜索过程是：网络上的任意一个站点首先根据公式TTL=round(lognN)+2、Load=nTTL分别计算一组TTL值和网络负载值Load，并计算各组值的优先级；将优先级的多组值中的最大值对应的邻接站点数n和消息包存活时间TTL值确定为最终参数；然后根据查询内容生成一个查询消息，发送给所确定的最终要发送的n个邻接站点；收到该查询消息的第j个邻接站点将TTL值减j后，搜索本站资源，如果本站有要查询的消息，则返回给发送站点，否则，将该查询消息转发给其它邻接站点；如此往复直至TTL值变为0或搜索到所要的资源后停止。该方法具有搜索成功率高和网络负载小的优点，可用于在非结构化网络中搜索文档、音乐、电影等资源信息。

Q学习是一种典型的机器学习方法，其思想来源于条件反射理论及动物学习理论，广泛应用于各个领域。如CN 101634995 A公开的“一种基于机器学习的网络连接速度预测方法”。该方法包括以下步骤：1)利用自定义浏览器，记录用户与浏览过的网站的连接速度，作为训练集和测试集；2)利用获得的网站连接速度，使用神经网络训练并预测该用户与训练集中各网站的连接速度；3)根据所有神经网络的预测误差减小状况，或者执行步骤4)，或者将训练集分成更小的训练集并对每个训练集返回执行步骤2)；4)使用一个决策树测试神经网络的预测性能；5)使用决策树和神经网络，预测用户与未知网站的连接速度。本发明利用人工智能技术，应用机器学习方法来预测用户与各个网站的连接速度，提升评估网络状况的精准度，充分利用到用户带宽，为用户提供更好的互联网体验。