專利名稱：預測對等網(wǎng)絡(luò)中對等體的繼續(xù)在線時長的方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及對等網(wǎng)(P2P, Peer-to-Peer)技術(shù)領(lǐng)域，尤其涉及一種預測 對等網(wǎng)絡(luò)中對等體的繼續(xù)在線時長的方法及裝置。
背景技術(shù)：
與傳統(tǒng)的客戶機/服務(wù)器模式不同，P2P網(wǎng)絡(luò)中不存在中心服務(wù)器節(jié)點， 其中，每個節(jié)點既可用作服務(wù)器為其他節(jié)點提供服務(wù)，同時，又可以享受其 他節(jié)點用作服務(wù)器時所提供的服務(wù)。因此，P2P網(wǎng)絡(luò)中，每個Peer節(jié)點處于 對等地位，稱每個節(jié)點為一個對等體，或一個Peer。
P2P網(wǎng)絡(luò)是一種自組織形態(tài)的網(wǎng)絡(luò)系統(tǒng)，該網(wǎng)絡(luò)中，每個Peer加入網(wǎng) 絡(luò)或從網(wǎng)絡(luò)中推出的行為均是隨機性的。由于P2P網(wǎng)絡(luò)中，每個Peer均作 為一個為其他Peer提供服務(wù)的服務(wù)器，因此，Peer加入或退出系統(tǒng)的隨機 性，會對節(jié)點間的數(shù)據(jù)傳輸?shù)脑斐蓴_動，如另一 Peer在該Peer下線之前， 連接到該Peer,準備從該Peer下載數(shù)據(jù)，但因該Peer的突然下線， 一方面 使得該Peer不能夠再作為服務(wù)器為另一 Peer提供服務(wù)，另 一方面，另一 Peer 需要重新變更路由，到其他Peer上獲取相關(guān)數(shù)據(jù)。Peer上線行為的隨機性， 會影響網(wǎng)絡(luò)系統(tǒng)的正常運行，并導致整個系統(tǒng)性能的下降。稱因Peer上線 行為的隨機性給P2P網(wǎng)絡(luò)系統(tǒng)造成的影響為擾動(Churn)現(xiàn)象。
需要釆取相應(yīng)措施，以盡量避免Churn現(xiàn)象給系統(tǒng)造成的不良影響，以 提高P2P網(wǎng)絡(luò)的抗干擾(Churn Resistant)能力。

發(fā)明內(nèi)容
本發(fā)明的實施例提供一種預測對等網(wǎng)絡(luò)中對等體的繼續(xù)在線時長的方 法及裝置，能夠預測出的繼續(xù)在線的時長。本發(fā)明的實施例提供一種預測對等網(wǎng)絡(luò)中對等體的繼續(xù)在線時長的方 法，包括
獲取對等體的M個歷史生命周期樣本數(shù)據(jù)S。 i=l, M; 確定待建立的多維高斯混合模型中，高斯成分的個數(shù)n, n是大于或等于2 的正整數(shù)；所述多維高斯混合才莫型表示所述對等體的繼續(xù)在線時長的概率分布； 利用S,與n，建立所述多維高斯混合模型；
利用被建立的多維高斯混合^^型，預測所述對等體的繼續(xù)在線時長。 本發(fā)明的實施例提供一種預測對等網(wǎng)絡(luò)中對等體的繼續(xù)在線時長的裝置， 包括
獲取單元，獲取對等體的M個歷史生命周期樣本數(shù)據(jù)Si， i=l， ...， M1;
模型建立單元，利用采樣單元獲取的S"以及高斯成分的個數(shù)n，建立多維 高斯混合模型，n是大于或等于2的正整數(shù)，所述高斯混合模型表示所述對等體 的繼續(xù)在線時長的概率分布；
預測單元，利用模型建立單元建立的所述多維高斯混合模型，預測所述對 等體的繼續(xù)在線時長。
本發(fā)明的實施例提供一種建立對等網(wǎng)絡(luò)中對等體的生命周期模型的方法， 包括
獲取對等體的M個歷史生命周期樣本數(shù)據(jù)Si, i=l， ...， M; 確定待建立的多維高斯混合模型中，高斯成分的個數(shù)n， n是大于或等于2 的正整數(shù)；所述多維高斯混合沖莫型表示所述對等體的繼續(xù)在線時長的概率分布； 利用Si與n，建立所述多維高斯混合it型； 將所述高斯混合模型的描述信息發(fā)送。
本發(fā)明的實施例提供一種建立對等網(wǎng)絡(luò)中對等體的生命周期模型的裝置， 包括
獲取單元，獲取對等體的M個歷史生命周期樣本數(shù)據(jù)Si， i=l, ...， M: 模型建立單元，利用采樣單元獲取的S,，以及高斯成分的個數(shù)n, n是大于 或等于2的正整數(shù)，建立多維高斯混合模型，所述高斯混合模型表示所述對等體
7的繼續(xù)在線時長的概率分布；
發(fā)送單元，將模型建立單元建立的所述高斯混合模型的描述信息發(fā)送。 本發(fā)明實施例提供的預測對等網(wǎng)絡(luò)中對等體的繼續(xù)在線時長的方法及 裝置，利用歷史生命周期樣本數(shù)據(jù)，建立能夠表示所述對等體的繼續(xù)在線時 長的概率分布的多維高斯混合模型，并基于這樣的多維高斯混合模型預測
Peer的繼續(xù)在線時長。


圖1是一種高斯混合模型的示意圖2是一種三維高斯混合模型的示意圖3是本發(fā)明實施例中預測Peer生命周期的方法流程圖4是本發(fā)明實施例中多維高斯混合模型的算法示意圖5是本發(fā)明實施例中多維高斯混合模型計算過程示意圖6是本發(fā)明實施例中預測對等網(wǎng)絡(luò)中對等體的繼續(xù)在線時長的裝置。
具體實施例
下面將結(jié)合附圖對本發(fā)明實施例的技術(shù)方案作進一步詳細描述。 現(xiàn)有的Peer生命周期預測結(jié)果之所以難以體現(xiàn)Peer的實際生命周期， 是因為現(xiàn)有技術(shù)采用冪率分布模型預測生命周期時，只考慮了 Peer在線時 的A。,w和M，對預測結(jié)果的影響，即體現(xiàn)Peer當前的在線狀態(tài)對預測結(jié)果 的影響，而在線狀態(tài)未必就是影響Peer生命周期的重要因素。實際上，由 于用戶上網(wǎng)行為通常呈現(xiàn)出一定的用戶習慣，簡單舉例，如用戶通常上午在 線時間集中在九點到10點之間，晚上的上網(wǎng)時間通常集中在20點到22點 之間，因此，Peer的歷史在線時間應(yīng)可作為影響其生命周期的預測結(jié)果的重 要影響因素，用于預測Peer的生命周期。
進一步說明，現(xiàn)有技術(shù)中通過當前已在線時長這一單一因素所遵循的概 率分布，預測Peer的繼續(xù)在線時長，欠缺對實際影響預測結(jié)果的準確率的各種可能因素的綜合影響的考慮，因此，預測結(jié)果與實際結(jié)果偏離較大。由 于真實的歷史生命周期是在各種可能的因素的影響下所產(chǎn)生的，因此，本發(fā)
明實施例中，根據(jù)歷史生命周期的樣本的在線數(shù)據(jù)(例如上線時刻，在線 時長等)，從而統(tǒng)計出Peer的生命周期規(guī)律，并根據(jù)Peer的生命周期規(guī)律， 預測出當前Peer的生命周期概率，以及可能繼續(xù)存活的時長。
本發(fā)明實施例中，利用多維高斯混合模型，來描述Peer生命周期的概 率分布，基于建立的多維高斯混合模型，推算出Peer的繼續(xù)在線時長，進 而結(jié)合Peer已在線時長，推算出Peer的生命周期。
先對高斯混合模型作簡要說明。高斯混合模型是基于多個遵循高斯分布 的高斯成分，以及每個高斯成分對應(yīng)的權(quán)值，對多種高斯分布進行合成的概 率分布模型。參見圖1，圖l是一種高斯混合模型的示意圖，該模型中的高 斯成分有五個，每個高斯成分遵循對應(yīng)的高斯分布，每個高斯分布由對應(yīng)的 高斯曲線所標示。高斯曲線對應(yīng)的高斯分布函數(shù)如公式(3):
2;r cr
-exp
,12 、
,—三L cr」
公式(3 )
通常，方便起見，用n(/a一)表示一種高斯分布，其中， 〃為x的均值， cr2為x與均值的差方，對于一個高斯模型的建立來講，若a和一已知了，則 該高斯模型也就被建立了。圖l所示模型中，五個高斯分布分別是N (0， 0.1 ) 、 N ( 2， 1 ) 、 N ( 3, 0.5 ) 、 N ( 3.5， 0.1 )和N ( 4， 1 )。在對五個 高斯分布進行合成時，考慮各高斯成分對合成結(jié)果的影響所占權(quán)重的不同， 將五個擬合成圖1所示的一條混合高斯曲線Mixture。
二維高斯曲線對應(yīng)的高斯分布函數(shù)如公式(4):
1
2(1-,)
、—廣 、 工-A^ 、+廣 、 y-外2_>公式(4)
l >L JL 。，」
在函數(shù)中，由N個多元數(shù)組來表示(^, ,A,az),其中(j二l，2,…,N), r 表示二維高斯成分之間的相關(guān)性系數(shù)，H<1。在本發(fā)明中，令二元高斯分布隨機變量《"，其均值為 1 = 〃
協(xié)方差矩陣為
五「 ￡、
、。,
5 =
二維高斯分布可以表示為，"。
同理，i/維高斯分布函^t如^^式(5)所示
=,，二…卩/2 exP -〃)' f (")] 1 公式(5 )
(2")|1| L ZL 」J
最終由M個節(jié)點生命周期歷史記錄所構(gòu)造形成的三維高斯混合模型如 圖2所示，在一定的統(tǒng)計時間內(nèi)將會出現(xiàn)多個峰值相互疊加的情況。
本發(fā)明實施例中，通過建立多維高斯混合模型來預測Peer的繼續(xù)在線 時長。
參加圖3,圖3是本發(fā)明實施例中預測Peer生命周期的方法流程圖，該 流程可包括以下步驟
步驟201、獲取對等體的M個歷史生命周期源數(shù)據(jù)Pt， 1=1， ...， M,該 歷史生命周期樣本數(shù)據(jù)可以包括對等體節(jié)點的歷史上線的時刻和歷史在線 的時長。
可以先獲取對等體的M個歷史生命周期源數(shù)據(jù)P" i=l, M。該源 數(shù)據(jù)Pi可以包括對等體節(jié)點每次的上線時刻和在線時長(如節(jié)點A， 1月4 號20點整上線，在線時間2小時；1月5日10點20上線，在線時間3小 時等)。
本發(fā)明實施例中，為保證用戶的隱私，歷史生命周期樣本數(shù)據(jù)可由Peer 自身記錄并保存。同時，也可以通過讓Peer節(jié)點發(fā)送歷史生命周期樣本數(shù) 據(jù)到某一中心服務(wù)器的方法來集中獲取。
步驟202、根據(jù)采樣精度對Pj進行采樣后得到歷史生命周期樣本數(shù)據(jù)S。
10該S,可以包括對等體節(jié)點的歷史在線的時刻和歷史在線的時長，其中，對等體 節(jié)點的歷史在線時長數(shù)據(jù)包括，節(jié)點某一次上線時間點到下線時間點所經(jīng)歷的 總時間長度。歷史在線時長的單位可以為分鐘、秒或者小時等，單位越小，數(shù) 據(jù)越精確。
另外，也可以采用步驟20替換步驟201和202，步驟20,直接對Peer節(jié)點 進行采樣，獲取對等體的樣本數(shù)據(jù)S^
本發(fā)明實施例中，為保證用戶的隱私，歷史生命周期源數(shù)據(jù)可由Peer 自身記錄并保存。也可以通過讓Peer節(jié)點發(fā)送歷史生命周期源數(shù)據(jù)到某一 中心服務(wù)器的方法來集中獲取。
步驟203、確定待建立的多維高斯混合模型中，高斯成分的個數(shù)n, n 是大于或等于2的正整數(shù)；所述多維高斯混合模型表示所述對等體的繼續(xù)在 線時長的概率分布。
實際應(yīng)用中，可綜合考慮所建成的多維高斯混合模型與生命周期實際概 率分布的逼近程度，以及建立多維高斯混合模型這一過程的計算量，來確定 n的取值。通常，n越大，則建立模型時的運算量相對越大，但建立出來的 多維高斯混合模型與實際概率分布較逼近。
所述步驟203與步驟201和202之間沒有順序的先后，可以先做步驟 201和202,再做步驟203,也可以先做步驟203,再做步驟201和202。
步驟204、利用Si與n,建立所述多維高斯混合模型。
該步驟中，建立多維高斯混合模型的過程，即計算每個高斯成分對應(yīng)的 高斯分布參數(shù)/z、 S，以及多維高斯混合模型中，每個高斯成分所占權(quán)重的 過程。本發(fā)明實施例中，取多維高斯分布參數(shù)為^和5。
將多維高斯混合模型建好后，可以發(fā)送出去，例如可以由服務(wù)器建立 模型，然后將模型發(fā)送給Peer應(yīng)用，或者由Peer建立模型，然后將模型發(fā) 送給服務(wù)器應(yīng)用。將多維高斯混合模型發(fā)送時，可以將所述高斯混合模型的 描述信息發(fā)出，其中，所謂高斯混合模型的描述信息也即上述混合模型參數(shù)，如w, /y, S。
步驟205、利用建立的多維高斯混合模型，計算所述對等體的繼續(xù)在線 時長。
本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分步 驟是可以通過程序來指令相關(guān)的硬件來完成，所述的程序可以存儲于一計算 機可讀取存儲介質(zhì)中，所述的存儲介質(zhì)，如ROM/RAM、磁碟、光盤等。
基于算出的Peer的繼續(xù)在線時長，基于當前該Peer已在線時長，預測 出Peer本次存活的生命周期。進一步，P2P網(wǎng)絡(luò)系統(tǒng)可基于Peer在線時間 的預測值，提前做好Peer下線準備，如可提前通知其他關(guān)聯(lián)鄰居節(jié)點刷新 所維護的節(jié)點信息，有效避免其他關(guān)聯(lián)鄰居節(jié)點在搜索、路由過程中指向該 節(jié)點的時刻剛好該節(jié)點離開的現(xiàn)象出現(xiàn)，從而，避免Peer下線隨機性給網(wǎng) 絡(luò)系統(tǒng)造成的擾動，提高網(wǎng)絡(luò)系統(tǒng)的抗擾動能力。系統(tǒng)通知其他關(guān)聯(lián)鄰居節(jié) 點如，chord網(wǎng)絡(luò)中，指針表中包含該節(jié)點的節(jié)點標識(ID ) ; pastry網(wǎng)絡(luò) 中路由表中包含該節(jié)點的ID; kademlia網(wǎng)絡(luò)中K桶中包含該節(jié)點的ID;等 等。
下面主要對上述步驟204中，如何建立高斯混合模型作進一步說明。
參見圖4，圖4是本發(fā)明實施例中高斯混合模型的算法示意圖。參見圖5，圖 5是本發(fā)明實施例中高斯混合模型計算過程示意圖。圖4與圖5中，S表示歷史生 命周期樣本數(shù)據(jù)序列，M表示樣本數(shù)據(jù)空間中有M個樣本數(shù)據(jù)，^表示n個高斯 分布，w表示高斯成分的權(quán)重，Z服從參數(shù)為yS的高斯分布。其中，
S= (Si， S2， …，Si，…，Sm ) 5
A=N"A), 乂=1，…，n;
z!. ~ Multinomial(w)。
基于采集到的M個S,，可知道每個S,在M中的出現(xiàn)次數(shù)，進而能夠算 出各S,的出現(xiàn)概率^。設(shè)^對應(yīng)的概率分布為p(^ lz,，p)，該概率分布即表 示的是與實際概率分布相對應(yīng)的需要建立的高斯混合模型。具體計算時，根據(jù)已知量A和n，利用現(xiàn)有貝葉斯推理，計算多維高斯 混合模型中，各多維高斯模型的高斯分布參數(shù)，即A^N(A^)，以及對應(yīng)的
W。稱要求解的y9,N(A,S」與對應(yīng)的W為混合模型參數(shù)?；谝阎腲和n，
使用極大似然法估計w和/ ,過程如下i殳w和p的初始值為0,
第 一步建立包括有多維混合模型參數(shù)的似然函數(shù)(likelihood function)
，
IO外L(s;，f"[H^)， s+WA.);
第二步根據(jù)s,求出L 達到極值時，混合模型參數(shù)的估計值。其中，
因為似然函數(shù)L(s;^與似然函數(shù)的對數(shù)lnL(s;。，在同 一參數(shù)0處獲得最大值， 為計算簡便，通常對似然函數(shù)求對數(shù)來進行估計
、產(chǎn)
式一
對式一釆用EM估計
E步利用從上一次M步估計獲得的估計量^^(wW,/zW^W),可以求出參 數(shù)w的后驗概率。推導如下
『，"
'w、
,)、
系
#)、
因為；^Ik;""卜N",b,),所以上式可寫為
("".，,))"w,.yf Ns, (〃f ,《))
Z樸,呻"))IX)nH
M步利用期望最大化，寫出期望函數(shù)，求出使期望函數(shù)取得最大值的參 數(shù)人求最大值可以利用對似然函數(shù)求導取O，算出人即^1 = 0。在M步對 似然函數(shù)求導的過程中，可以通過一次對參數(shù)^"〃 ，5,;7( =_/》求導。
13￡K
通過對^1 = 0求解，可以得出"叫-J^^。
,=1
通過對^Lo求解，可以得出《+1)=^~~、 M A-^
朋，
通過對fL(力求解，可以得出《《丄y^。
通過上述計算過程計算出0參數(shù)后，混合模型參數(shù)也就確定，相應(yīng)地，高 斯混合模型也就確定下來。上述對混合模型參數(shù)的估算基于EM算法進行，實際 應(yīng)用中，也可采用變分法估算混合;f莫型參數(shù)。
之后，保存算出的混合模型參數(shù)，Peer可以利用建立的高斯混合模型，預 測該Peer的繼續(xù)在線時長，即估計&+1,過程如下
a、 根據(jù)保存的各混合模型參數(shù)，可算出Peer的生命周期的出現(xiàn)概率密度為
b、 記Peer的繼續(xù)存活y時長的概率為g(j;)，通過g(;;) = p(s>(, +力>〉,,5 ),
則，
g(力"("(,+力l》,'+嶺"+力i叱4"")n氣OH 、"、、"',H"一 +> )
其中，^A^為給定值，；^A^w為變量，5為當前的上線時間區(qū)間值。分 母為某一定值，分子為7的表達式。
c 、求Peer的繼續(xù)在線時長的期望值五[y]，則，E (y) = J"yQ (y) dy 。
d、基于預測出的繼續(xù)在線時長，預測出Peer的生命周期T: T^, +五W^+^2(力辦。
至此，基于建立的多維高斯混合模型，預測出Peer的生命周期。
在&的內(nèi)容中可以包括區(qū)間信息，區(qū)間是表示取樣的時間段，區(qū)間的長度，可以為一個小時，或者一天，或者半天，或者一周，或者一個月?？梢?分別以周一，周二，周三，周四，周五，周六，周日作為區(qū)間，也可以將周 一至周五作為 一個區(qū)間，將周六至周日作為 一個區(qū)間等，區(qū)間可以分為多種， 將屬于同 一個區(qū)間的多個樣本數(shù)據(jù)進行統(tǒng)計，可以得出在該區(qū)間上的上線規(guī) 律，并作為高斯模型的 一個輸入維度加入到模型參數(shù)計算中。
另外，可以針對每種區(qū)間分別建立高斯模型。在一個星期內(nèi)，可以分別 以周一，周二，周三，周四…周日，作為一個區(qū)間，這樣需要建7個高斯模型分 別統(tǒng)計每個區(qū)間內(nèi)的上線規(guī)律。在一個星期內(nèi)，也可以以周一至周五作為一
個區(qū)間，將周六至周日作為一個區(qū)間，這樣需要建2個高斯模型分別統(tǒng)計每 個區(qū)間內(nèi)的上線規(guī)律。
每個區(qū)間內(nèi)可以按照采樣精度劃分刻度，可以每15分鐘劃分為一個刻 度，或者每半個小時劃分為一個刻度等等，通過統(tǒng)計在每個刻度上的上線信 息(例如是否上線，上線時長)，從而得出在該區(qū)間上的上線規(guī)律。
S,的內(nèi)容可以包括在線時長信息，上線的時刻信息，這樣，建立的混 合高斯模型，就有三個維度，包括在線時長，上線的時刻，和概率分布。 如果將多個區(qū)間的信息匯集在一起，就會多一個維度，就是多個區(qū)間形成的 維度，這樣，Si的內(nèi)容還可以包括在線時長信息，上線的時刻信息，上線 的區(qū)間信息。這樣，建立的混合高斯模型，就有四個維度，包括在線時長， 上線的時刻，上線的區(qū)間，和概率分布。
對于一周內(nèi)的概率統(tǒng)計，可以將周一至周日作為一個區(qū)間，S,包括在 線時長和上線的時刻兩個維度。也可以將一周劃分為幾個區(qū)間(例如分別將 周一，周二，周三，周四，周五…周日作為一個區(qū)間)，S,包括在線時長， 上線的時刻，以及上線的區(qū)間，這樣，就有三個維度。
S,的內(nèi)容舉例如下 {在線時長(min)，上線時刻(hour:minute),上線區(qū)間(week)}
={120,20:15，5}，{240，14:00,6}……{50，21:30，1}
或者{在線時長(min)，上線時刻(hour:minute),上線區(qū)間(week)} ={120，20:15,周末}，{240,14:00,周末}...…(50，21:30，工作曰}
或者
{在線時長(min)，上線時刻(week:hour:minute)} ={120,5:20:15},{240,6:14:00}...... {50,1:21:30}
對應(yīng)于上迷本發(fā)明實施例中預測Peer的繼續(xù)在線時長的方案，本發(fā)明實施 例還提供一種預測對等網(wǎng)絡(luò)中對等體的繼續(xù)在線時長的裝置，所述裝置基于前 面所述的方法實現(xiàn)，參見圖6，圖6是該裝置的結(jié)構(gòu)示意圖，該裝置可設(shè)置于每 個Peer上或者服務(wù)器上或者其他通信設(shè)備上，用于預測該Peer每次上線的繼續(xù)在 線時長，包括獲取單元、接收單元、模型建立單元和預測單元，其中，
獲取單元，獲取對等體的M個歷史生命周期樣本數(shù)據(jù)&, i=l, M;
所述獲取單元可以具體包括
第一單元，獲取對等體的M個歷史生命周期源數(shù)據(jù)P,, i=l, ...， M;
第二單元，根據(jù)采樣精度，對歷史生命周期源數(shù)據(jù)R進行采樣得到Sj;
接收單元，接收待建立的多維高斯混合模型中，高斯成分的個數(shù)n, n是大 于或等于2的正整數(shù)；所述多維高斯混合模型表示所述對等體的繼續(xù)在線時長的 概率分布。
^t型建立單元，利用采樣單元獲取的&,以及高斯成分的個數(shù)n，建立多維 高斯混合模型，n是大于或等于2的正整數(shù)；所述高斯混合模型表示所述對等體 的繼續(xù)在線時長的概率分布；
預測單元，利用模型建立單元建立的所述多維高斯混合模型，預測所述對 等體的繼續(xù)在線時長。
另外，如果高斯成分的個數(shù)n保存在模型建立單元中，則不需要接收單元。
模型建立單元包括
參數(shù)計算單元，計算所述多維高斯混合模型的混合模型參數(shù)； 所述多維混合模型參數(shù)包括
每個高斯成分對應(yīng)的高斯分布參數(shù)，以及所述多維高斯混合模型中，每個高斯成分所占權(quán)重。
參數(shù)計算單元包括
概率計算單元，根據(jù)采樣得到的M個&，算出各Si的出現(xiàn)概率s,.; 函數(shù)構(gòu)建單元，建立包括所述多維混合模型參數(shù)的似然函數(shù)； 估算單元，利用所述概率計算單元算出的s,，計算所述函數(shù)構(gòu)建單元構(gòu)建的 所述似然函數(shù)取最大值時，各多維混合模型參數(shù)的估算值。 預測單元包括
概率密度計算單元，計算所述對等體生命周期的出現(xiàn)概率密度； 存活概率計算單元，利用概率密度計算單元算出的所述出現(xiàn)概率密度，計
算所述對等體繼續(xù)存活預設(shè)變化時長的概率；
時長計算單元，利用所述概率密度計算單元算出的概率，求取所述對等體
的繼續(xù)在線時長。
該裝置進一步包括生命周期預測單元，根據(jù)所述預測單元預測出的所述 繼續(xù)在線時長，以及所述對等體已在線時長，算出所述對等體本次存活的生命 周期或某一繼續(xù)在線時長可能出現(xiàn)的概率。
本發(fā)明實施例還提供了一種建模裝置，該裝置可包括上述獲取單元，接收 單元和模型建立單元，模型建立單元可以是上述參數(shù)計算單元，包含上述函數(shù) 構(gòu)建單元和估算單元；該建模裝置進一步包括
發(fā)送單元，將模型建立單元建立的所述高斯混合模型的描述信息發(fā)送。
其中，所謂高斯混合模型的描述信息也即上述混合模型參數(shù)，如w,W，5。
綜上所述，本發(fā)明實施例提供的預測對等網(wǎng)絡(luò)中對等體的繼續(xù)在線時長的 方法及裝置，利用歷史生命周期樣本數(shù)據(jù)，建立能夠表示所述對等體的繼續(xù)在 線時長的概率分布的多維高斯混合模型，該多維高斯混合模型中，不是基于受 單一條件因素影響下Peer的繼續(xù)在線時長所遵循的4既率分布，預測Peer的繼續(xù)在 線時長，而是基于Peer的繼續(xù)在線時長受多種條件因素影響，綜合考慮多個條 件因素影響下繼續(xù)在線時長分別遵循的概率分布，合成最終的多維高斯混合模型，并基于這樣的多維高斯混合模型預測Peer的繼續(xù)在線時長，使預測結(jié)果逼 近Peer的實際繼續(xù)在線時長。
權(quán)利要求
1、一種預測對等網(wǎng)絡(luò)中對等體的繼續(xù)在線時長的方法，其特征在于，包括獲取對等體的M個歷史生命周期樣本數(shù)據(jù)Si，i＝1，...，M；確定待建立的多維高斯混合模型中，高斯成分的個數(shù)n，n是大于或等于2的正整數(shù)，所述多維高斯混合模型表示所述對等體的繼續(xù)在線時長的概率分布；利用Si與n，建立所述多維高斯混合模型；利用建立的多維高斯混合模型，預測所述對等體的繼續(xù)在線時長。
2、 根據(jù)權(quán)利要求l所述的方法，其特征在于，所述的歷史生命周期樣本數(shù) 據(jù)S,的內(nèi)容包括對等體節(jié)點的歷史在線時長信息和對等體節(jié)點的歷史上線的 時刻信息。
3、 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的歷史生命周期樣 本數(shù)據(jù)Si的內(nèi)容包括對等體節(jié)點的歷史在線時長信息，對等體節(jié)點的歷史 上線的時刻信息，和對等體節(jié)點的歷史上線的區(qū)間信息。
4、 根據(jù)權(quán)利要求l所述的方法，其特征在于，所述獲取對等體的M個歷史 生命周期樣本數(shù)據(jù)S,，包括獲取對等體的M個歷史生命周期源數(shù)據(jù)P,， i==l， ...， M; 對源數(shù)據(jù)P,按采樣精度進行采樣得到歷史生命周期樣本數(shù)據(jù)&。
5、 根據(jù)權(quán)利要求l所述的方法，其特征在于，預測所述對等體的繼續(xù)在線 時長后，該方法進一步包括根據(jù)預測出的所述繼續(xù)在線時長，以及所述對等體已在線時長，算出所述 對等體本次存活的生命周期或一繼續(xù)在線時長可能出現(xiàn)的概率。
6、 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述歷史生命周期樣本數(shù)據(jù) 或歷史生命周期源數(shù)據(jù)由Peer自身記錄并保存，或者，通過讓Peer節(jié)點發(fā)送歷史 生命周期樣本數(shù)據(jù)或歷史生命周期源數(shù)據(jù)到中心服務(wù)器的方法來集中獲取。
7、 一種預測對等網(wǎng)絡(luò)中對等體的繼續(xù)在線時長的裝置，其特征在于，包括 獲取單元，獲取對等體的M個歷史生命周期樣本數(shù)據(jù)Si, i=l,模型建立單元，利用采樣單元獲取的&，以及高斯成分的個數(shù)n， n是大于 或等于2的正整數(shù)，建立多維高斯混合模型，所述高斯混合模型表示所述對等體 的繼續(xù)在線時長的概率分布；預測單元，利用模型建立單元建立的所述多維高斯混合模型，預測所述對 等體的繼續(xù)在線時長。
8、 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述接收單元包括 第一單元，獲取對等體的M個歷史生命周期源數(shù)據(jù)P,， i=l，…，M; 第二單元，根據(jù)采樣精度，對歷史生命周期源數(shù)據(jù)&進行采樣得到S,。
9、 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述的歷史生命周期樣本數(shù) 據(jù)Si的內(nèi)容包括對等體節(jié)點的歷史在線時長信息和對等體節(jié)點的歷史上線的 時刻信息。
10、 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述的歷史生命周期樣本數(shù) 據(jù)Si的內(nèi)容包括對等體節(jié)點的歷史在線時長信息，對等體節(jié)點的歷史上線的 時刻信息，和對等體節(jié)點的歷史上線的區(qū)間信息。
11、 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述模型建立單元包括 參數(shù)計算單元，計算所述多維高斯混合模型的混合模型參數(shù)， 所述混合模型參數(shù)包括每個高斯成分對應(yīng)的多維高斯分布的分布參數(shù)，以及所述多維高斯混合模 型中，每個高斯成分所占權(quán)重。
12、 根據(jù)權(quán)利要求ll所述的裝置，其特征在于，所述參數(shù)計算單元包括 概率計算單元，根據(jù)采樣得到的M個S,，算出各S,的出現(xiàn)概率&; 函數(shù)構(gòu)建單元，建立包括所述多維混合模型參數(shù)的似然函數(shù)； 估算單元，利用所述概率計算單元算出的s,.，計算所述函數(shù)構(gòu)建單元構(gòu)建的所述似然函數(shù)取最大值時，各多維混合模型參數(shù)的估算值。
13、 才艮據(jù)權(quán)利要求7所述的裝置，其特征在于，預測單元包括 概率密度計算單元，計算所述對等體生命周期的出現(xiàn)概率密度； 存活概率計算單元，利用概率密度計算單元算出的所述出現(xiàn)概率密度，計算所述對等體繼續(xù)存活預設(shè)變化時長的概率；時長計算單元，利用所述;f既率密度計算單元算出的概率，求取所述對等體 的繼續(xù)在線時長。
14、 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述裝置進一步包括生命 周期預測單元，根據(jù)所述預測單元預測出的所述繼續(xù)在線時長，以及所述對等 體已在線時長，算出所述對等體本次存活的生命周期或一繼續(xù)在線時長可能出 現(xiàn)的概率。
15、 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述裝置進一步包括接收 單元，接收待建立的多維高斯混合模型中，高斯成分的個數(shù)n， n是大于或等于2 的正整數(shù)。
16、 一種建立對等網(wǎng)絡(luò)中對等體的生命周期模型的方法，其特征在于，包括獲取對等體的M個歷史生命周期樣本數(shù)據(jù)S,, i=l, ...， M; 確定待建立的多維高斯混合模型中，高斯成分的個數(shù)n， n是大于或等于2 的正整數(shù)，所述多維高斯混合模型表示所述對等體的繼續(xù)在線時長的概率分布； 利用S,與n,建立所述多維高斯混合;^型； 將所述高斯混合模型的描述信息發(fā)送。
17、 根據(jù)權(quán)利要求16所述的方法，其特征在于，所述的歷史生命周期樣本 數(shù)據(jù)Sj的內(nèi)容包括對等體節(jié)點的歷史在線時長信息和對等體節(jié)點的歷史上線 的時刻信息。
18、 根據(jù)權(quán)利要求16所述的方法，其特征在于，所述的歷史生命周期 樣本數(shù)據(jù)S,的內(nèi)容包括對等體節(jié)點的歷史在線時長信息，對等體節(jié)點的歷 史上線的時刻信息，和對等體節(jié)點的歷史上線的區(qū)間信息。
19、 一種建立對等網(wǎng)絡(luò)中對等體的生命周期模型的裝置，其特征在于，包括獲取單元，獲取對等體的M個歷史生命周期樣本數(shù)據(jù)Si， i=l, Mt; 模型建立單元，利用采樣單元獲取的S，，以及高斯成分的個數(shù)n，建立多維高斯混合模型，n是大于或等于2的正整數(shù)，所述高斯混合模型表示所述對等體 的繼續(xù)在線時長的概率分布；發(fā)送單元，將模型建立單元建立的所述高斯混合模型的描述信息發(fā)送。
20、 根據(jù)權(quán)利要求19所述的裝置，其特征在于，所述的歷史生命周期樣本 數(shù)據(jù)Si的內(nèi)容包括對等體節(jié)點的歷史在線時長信息和對等體節(jié)點的歷史上線 的時刻信息。
21、 根據(jù)權(quán)利要求19所述的裝置，其特征在于，所述的歷史生命周期 樣本數(shù)據(jù)S,的內(nèi)容包括對等體節(jié)點的歷史在線時長信息，對等體節(jié)點的歷 史上線的時刻信息，和對等體節(jié)點的歷史上線的區(qū)間信息。
全文摘要
本發(fā)明實施例提供一種預測對等網(wǎng)絡(luò)中對等體的繼續(xù)在線時長的方法，包括獲取對等體的M個歷史生命周期樣本數(shù)據(jù)S_i，i＝1，…，M；確定待建立的多維高斯混合模型中，高斯成分的個數(shù)n，n是大于或等于2的正整數(shù)；所述多維高斯混合模型表示所述對等體的繼續(xù)在線時長的概率分布；利用S_i與n，建立所述多維高斯混合模型；利用被建立的多維高斯混合模型，預測所述對等體的繼續(xù)在線時長。本發(fā)明實施例還提供預測對等網(wǎng)絡(luò)中對等體的繼續(xù)在線時長的裝置。本發(fā)明實施例提供的技術(shù)方案，基于歷史生命周期以及多維高斯混合模型，能夠預測出較逼近對等體節(jié)點的實際繼續(xù)在線時長的預測結(jié)果。
文檔編號H04L12/26GK101494566SQ200810065629
公開日2009年7月29日 申請日期2008年1月23日 優(yōu)先權(quán)日2008年1月23日
發(fā)明者施廣宇, 皓 龔 申請人:華為技術(shù)有限公司