一种新的基于资源总数的P2P满意度分析改进模型

陈碧韵，倪卫明

一种新的基于资源总数的P2P满意度分析改进模型

陈碧韵，倪卫明

自从20世纪60年代末ARPANET的建立开始，P2P发展迅速，越来越多的网络采用了P2P模式。然而，由于P2P去中心化的特点使得搭便车行为越来越显著，渐渐影响 P2P网络的运行。这种新的基于资源总数的用户行为模型在原有的满意度模型中进行了改进，加入了热心节点和在线时长这两个因素，并增加了资源总数、下载成功的概率，上传不同资源的概率这3个系数，将资源总数作为评价网络是否能够正常运行的评价。经过仿真，总体的资源趋势稳中有升，网络可以稳定地运行下去。

P2P系统；信誉值；用户行为；博弈论

0 引言

P2P网络（peer-to-peer network，对等网络），是一种点对点的分布式网络，能进一步优化计算资源和网络带宽性能。自从20世纪60年代末ARPANET（（阿帕网））的建立开始，P2P开始了一段快速的发展历程，越来越多的网络采用了P2P模式。P2P网络的去中心化特点使得用户可以自由的选择上传或下载资源。然而，正由于P2P网络中的资源共享的自愿型和节点匿名性，使得对等网络中的搭便车现象越来越严重。

自从提出搭便车抑制机制以来，越来越多的学者和业界人士将主要的研究重点集中在基于博弈论的抑制模型[1-2]和基于用户行为[3-4]的激励机制上。本文将基于用户满意度的信任模型，从信誉值角度[5]出发，对原有的满意度模型中进行了改进，加入了热心节点和在线时长这两个因素，并增加了3个基于资源总数的系数，将资源总数作为评价网络的参数，从系统的角度表征用户的总体行为。

1 原有的满意度模型

P2P中的每个节点是模型研究的对象，其节点行为都是自私的，不会主动地无偿地上传资源。假定整个网络中的生命周期是无限长的，将其分为离散时间点，t= 0,1,...,∞，在每个时刻t，节点可能会收到一个上传服务请求（通常是其他节点的下载请求）。这种节点间交互的请求被认为是一种无限长的博弈游戏。每个节点都是博弈游戏中的参与者，博弈策略有两种，即一种是接受服务请求，另一种是拒绝服务请求。节点给出的策略是随机的。节点下载资源是否成功取决于信誉值Ri(t)与阈值R之间的关系。如图1所示：

图1 用户下载资源的流程图

2 改进的基于资源总数的模型

2.1 热心节点

根据学者们对于实际P2P网络运行的检测，有1%的节点主动提供大量分享，通常称这些节点为热心节点[6]。虽然热心节点的比例在网络中很小，但对于网络的稳定起到了很大的作用。为了简化热心节点的信誉值，初始信誉值设为1，且在过程中恒为1。在t时刻，如果热心节点提出下载请求，其下载请求一定会被通过，同时一定上传资源。

2.2 在线时长

对于一个节点数确定的网络，如果节点长期不作为，可能还会影响网络的稳定性。为了对这些节点有抑制力，可以对这些节点采取一些惩罚措施，使得节点可以更加活跃一些。在网络中，如果节点在t时刻，没有上传资源，同时也没有提出下载请求，那么称为该时刻节点不在线。对于没有进行上传或下载行为的节点，信誉值会根据不在线时间进行减少。

2.3 文章资源评价

2.3.1 文章总数D(t)

对于网络运营者来说，他们不仅仅关注于用户的想法，例如用户满意度，也关注于用户的主动能动性，例如主动上传资源。为了网络的持续发展，总网络的资源总数因素也需要考虑进来。在实际的网络运行中，很有可能用户想要下载的资源在网站中不存在，或者说主动上传的资源和网络中的有很大的重复度，上传所带来的贡献就没有那些上传原本网络中没有的那些资源所带来的贡献大。

2.3.2 下载成功的概率PS(t)

在实际生活中，由于可能出现想下载的资源不存在的情况，所以用户下载资源成功的概率不是100%的。普遍认为，如果文章资源总数越多，下载成功的可能性越大。如果资源无穷无尽，下载成功的概率趋向于100%。

2.3.3 不同资源的概率PD(t)

当然，在上传资源时，有很大可能出现上传的资源已经在网络中存在的情况。对于上传原本网络中不存在资源的用户节点来说，他们的贡献比上传重复资源的用户节点的贡献大。普遍认为，网络中总资源数量和上传资源的重复率是有一些关系的。当网络资源趋向于0的时候，上传资源的独有性概率趋向于1；而当网络资源趋向于无穷大时，上传资源基本上是趋向于100%的重复。

2.4 模型表示

假设在 P2P网络中有n个用户节点，其中绝大部分是自私节点，一小部分为热心节点。每个用户都有自己的信誉值，其中热心节点的信誉值相同且不变，恒定为1。每个用户的初始信誉值都相同，其中热心节点的初始信誉值假设为1。在每个时刻t(t ≥ 0,t∈ N)，会有固定总数的一部分用户提出下载资源请求，系统会根据其当前的信誉值Ri(t)进行评估，若该用户当前的信誉值大于阈值Ri(t) ＞ R，用户提出的下载资源请求将被通过，但下载是否成功将根据下载成功概率进行判断，下载成功的概率函数与整个网络的总资源数有关。反之，如果该用户当前信誉值过小，用户将不能在该时刻下载资源。考虑到系统的稳定性因素，用户的信誉值与用户自身的表现有关。

对于热心节点来说，每个时刻有任意比例的节点主动上传资源。自私节点在某个时刻t根据自身的上传服务概率函数来选择是否主动上传资源。并规定，如果在t时刻，节点因为信誉值不够而限制下载，那么节点必须在该时刻强制上传资源。对于上传的资源，分为重复资源和不重复资源两类。上传资源不重复的概率与网络资源总数有关。上传资源的类型不同，信誉值的修正也是不同的。一般来说，上传不重复资源的用户贡献更大，奖励也相对稍大一些。而对于在t时刻没有提供上传和申请下载的节点来说，用户信誉值会根据不在线时间进行相应的信誉值减小措施。热心节点的用户信誉值不变，所以不受在线时长的因素影响。

自私节点的信誉值函数如公式（1）：

其中α为权限系数，为常数，0 ≤ α≤1，Ri(0)为用户信誉初始值，0 ≤ R0(t)≤ 1，所以0 ≤ Ri(t)≤1。ω是随机变量，ω∈{ 0,1}，代表选择的博弈策略，上传服务为1，不上传为0，根据博弈得出ω的取值。如公式（2）：

Pi,t{ x =1} = Pω=1,i(t),Pω=1,i(t)表征t时刻该用户提供上传服务的概率。

y是上传系数，y可取0或1，表征是否上传服务，并规定：如果用户在上一次提出下载资源申请时被拒绝，此时y= 1，否则y= 0。β为服务概率系数，为常数，0 ≤ β≤1。

热心节点的信誉值函数如公式（3）、（4）：

对于t时刻(t ＞ 0,t∈ N)不在线的节点来说，信誉值减少一些，系数设为0.98。如公式（5）：

文章资源函数D(t)只与时间有关，与用户节点无关当在t时刻(t ＞ 0,t∈ N)，有用户节点上传资源并判断为不重复资源时，D(t)增加。

当用户的下载请求被通过之后，将根据下载成功概率PS(t)来判断是否真的下载成功，是否可能出现无法下载的情况。PS(t)与D(t)有关，给出了PS(t)的表达形式，如公式（6）：

其中χ是一个常系数，0 ＜ χ＜ 1，系数越大，趋向于1的速度越慢。

当用户上传资源以后，系统会根据不同文章的概率PD(t)来判断上传的资源是否已存在。PD(t)与D(t)有关，给出了PD(t)的表达形式，如公式（7）：

其中γ是一个常系数，0 ＜ γ＜1，系数越大，趋向于0的速度越慢。

3 仿真

假设系统中有1000个用户，其中2%的用户节点是热心节点，其余的节点是自私节点。在每个时刻t都有固定比例10%的用户提出下载请求，即100个用户。信誉值阈值设为R= 0.3，每个用户的初始信誉值设为Ri(0) = R= 0.3，用户提供上传服务的概率初始值Pω=1,i(0) = 0.5，服务概率系数β= 0.1。为了更好的反映上传不同资源的贡献大于上传相同资源的贡献，权限系数α设为不同的值。如果自私用户上传在系统网络中不存在的资源时，权限系数α= 0.8，否则α= 0.5。

当用户节点的下载请求通过以后，会根据PS(t)判断是否下载成功，其中系数χ设置为，当文章趋近于1500左右时，PS(t)相对趋向于0。当用户节点上传资源后，系统会根据PD(t)判断是否与系统中存在的资源相同，其中系数γ也设置为，当文章趋近于1500左右时，PS(t)相对趋向于0。

假设每个时刻有10%的热心节点会上传，也就是说每个时刻有2个热心节点会上传资源。系统的初始资源为50。每次上传资源的节点一次上传1个文章资源。某个节点的用户信誉值变化情况，如图2所示：

图2 某节点信誉值变化图

加入了在线时长这个因素后，节点不在线时，信誉值呈现缓慢下降状。当节点申请下载而不上传时，信誉值减半。如果节点上传资源，信誉值有很大的提升。

整个网络的资源总数变化曲线。如图3所示：

图3 R不同，整个网络的资源总数

3条曲线分别代表初始信誉值R=0.1，R=0.5和R=0.9的3种情况。虽然一开始曲线R =0.1略高于其他两线。随着中期开始稳定了以后，3线上升的幅度基本相同，最终基本平稳。资源总数从一开始的50上升到1200左右。

4 总结

本章给出了一个新的基于文章资源总数的满意度改进模型，其中在原有模型的基础上增加了资源总数D(t)、下载成功的概率PS(t)，上传不同资源的概率PD(t)3个系数，并引入了热心节点和在线时长这两个因素，仿真了网络系统运行的大致曲线。

初始资源为50，通过一段时间的运行，资源总数可以达到1200左右，初始信誉值的取值对于资源总数影响不大。

[1] Chunzhi Wang, Li Chen, Hongwei Chen,et al. Incentive Mechanism Based on Game Theory in P2P Networks[C]. 2010 Second International Conference on Information Technology and Computer Science. Kiev, Ukraine, 2010:190-193.

[2] Bridge Qiao Zhao, John C. S. Lui, Dah-Ming Chiu.A Mathematical Framework for Analyzing Adaptive Incentive Protocols in P2P Networks[J]. IEEE/ACM TRANSACTIONS ON NETWORKING, 2012, 20(2):367-380.

[3] Zheng Yi, Jin Peng,Qing Yu,et al.A Measurement Study on User Behavior of P2P VoD System[C]. 2010 2nd International Asia Conference on Informatics in Control, Automation and Robotics, Wuhan,China,2010:373-376.

[4] Ihsan Ullah, Guillaume Doyen, Gr´egory Bonnet and Dominique Gaiti. A Survey and Synthesis of User Behavior Measurements in P2P Streaming Systems[J]. IEEE COMMUNICATIONS SURVEYS & TUTORIALS, 2012,14(3):734-749.

[5] Ming Chang Huang. Introduction to Two P2P Network Based Reputation systems[C]. International Symposium on Biometrics and Security Technologies, Taipei, Taiwan, 2012:118 – 125.

[6] 李文娇.P2P网络搭便车行为抑制方法研究[D].郑州:郑州大学,2011.

TP393.2 文献标志码：A

2015.01.28）

1007-757X(2015)08-0071-02

陈碧韵（1990-），女，复旦大学，硕士研究生，研究方向：数据通信与网络，上海，200433倪卫明（1970-），男，复旦大学，博士，副教授，研究方向：无线通信和无线网、编码技术等，上海，200433