Transcript 答辩模板
分层P2P流媒体超级节点动态选举
机制研究
答辩人：
指导老师：
目录
1
课题研究背景及意义
2
本文的主要工作
3
结论与展望
1.课题研究背景及意义
• 互联网发展迅速，对网络资源的需求趋向于流媒体资
源。
• P2P流媒体系统在大规模视频播放上功能强大，应用
前景广阔。
• 现有的典型P2P流媒体系统分为基于树状拓扑、基于
网状拓扑和分层混合三种模型。
1.课题研究背景及意义
• 典型的P2P直播模型
• 基于树状拓扑的P2P直播模型
简单易实现，数据分发效率较高，树高层节点的延时大，抗扰动性差。
• 基于网状拓扑的P2P直播模型
在系统可扩展性和抗扰动性方面有了很大的提高，数据传输延时和维
护拓扑的控制开销比较大。
• 分层混合的P2P直播模型
考虑了不同节点间的性能差异，分层分簇组织节点，充分利用了异构节
点的资源，是当前研究的重点。
课题研究背景及意义
• 分层混合模型中超级节点存在失效和饱和问题。
• 有效的解决方案是要从众多的NP中动态选举出一部份
节点成为超级节点。
• 课题来源于 “863计划”专项课题:基于新一代通信
网络的大规模个人直播系统。
2.本文的主要工作
• 1.从框架设计、TS管理功能、系统关键策略方面
详细介绍了一个分层混合直播系统Lstream。
• 2.针对分层P2P流媒体系统中超级节点的失效和
饱和问题，对现有的分层P2P网络的超级节点选
取机制进行研究，提出基于信任度的动态超级节
点选举机制。
• 3.仿真实验结果及分析。
Lstream框架结构
TS
1集中管理层：由TS完成BootStrap
节目源CS
节目源CS
节目源CS
节目源CS
节目源CS
节目源CS
节目源CS
功能.
SP
2数据转发及管理控制层:由SP和
SNP组成.
SP
SP
SP
SP
SNP
3边缘共享层:由NP组成
NP
NP
NP
NP
NP
NP
NP
NP
NP
NP
NP
NP
NP
NP
NP
NP
NP
Lstream框架结构
• 超级节点功能及动态选举
1.数据转发功能：
向SP层子节点及簇内逻辑子节点推送流媒体数据。
2.管理控制功能：
(1)接收NP上传信息（退出，上传能力等），周期性向TS 上报。
(2)根据自身负载及NP上传能力，确定逻辑子节点
(3)监听SP层子节点及监护节点的异常退出。
超级节点存在失效和饱和问题，需要引入动态的超级节点选举机制。TS根据
节点信息计算节点信任度，信任度高的节点作为簇的备用超级节点，当系统需
要新的超级节点时，备用超级节点就加入到SP层成为簇首。
基于信任度的动态超级节点选举机制
•
•
•
•
两种选举时机
节点信任度度量
超级节点选取机制
备用超级节点机制
选举时机
• 1.当前SP(SNP)正常或异常退出
• 2.当前SP(SNP)饱和
节点信任度度量
• 备选超级节点集合
n
Di= d(i, j)
j1
Di为节点i到簇内其它普通节点的距离之和
节点信任度度量
• 节点提供服务能力
节点性能度量值，节点性能具体可表述为节点的CPU、内
存等特性。
n
Ci wi *Si
i 1
节点平均上传速率:节点i在一定周期t内向节点j发送流媒体
数据分片的平均速率为Vij,
n
v
ij
Vi =
j=1
n
节点信任度度量
• 节点稳定性
用节点在线时长来代表节点稳定性。
TUptime
i
num
P
其中，TUptime为节点总在线时间，num为上线次数。
节点信任度度量
• 对Ci、Vi、Pi标准化
Xi
X
max({Xi | i 1, 2...m})
本文选择的SNP根据以上三个方面的度量，并用加权的方法计算节点
的信任度TRUST_VALUE
TRUST _ VALUE C V P
超级节点选取机制
SNP的选举工作由TS进行。TRUST_VALUE高的为簇BACKSP。BACKSP根据
统计信息的更新周期性实时更新。
{//周期执行
SendTsNPInfo();
UpdateNPInfo();
For ∀ASi ∈Sys do
Update(I);
For ∀P∈ASi do
Calculate(TRUST_VALUE);
End For
BACKSP =SelectTop(I);
End For
}
备用超级节点机制
针对超级节点失效饱和，引入备用超级节点机制，降低网络波动。
簇首失效
当前SP(SNP)正常或异常退出，TS通告BACKSP成为SNP，并为其发它NP信息和数据源。
while(Listen(SPLOGOUT)= =TRUE || Listen(SPOUT)= =TRUE)//TS监听超级节点正常或异常退出
{
SendMessage(BACKSPTOSNP);
SendClusterInfo();
SNP=BACKSP;
Recv(ClusterInfo);//接收TS传来的簇信息
JoinTree();//加入转发树
For ∀Pj ∈ClusterInfo do
SendMessage(BESP);//向簇内其它节点通告自己成为SP。
End For
For ∀Pj ∈ClusterInfo d
JoinSP();//普通节点连接簇首，重新加入系统
End For
}
备用超级节点机制
簇首饱和
当前SP（SNP）饱和，不再接受新节点加入， TS通告BACKSP成为SNP，并以
以前簇首为父节点加入超级节点层。
算法伪码描述如下：
while(Listen(BENEWSNP)= =TRUE)
{
SendMessage(BACKSPTOSNP
Newcluster(BACKSP);//新建簇
JoinTree();
}
如果SNP饱和，则新选举出的SNP不以该饱和的SNP为父节点，而是以该区域的
SP为父节点加入SP层。
实验结果分析
• 性能分析指标
1.网络上传能力
2.超级节点的控制负载
3.SNP失效率
4.SNP平均上传速率
5.NP重加延时
实验结果分析
• 实验参数设置
频道源：10
SP数：15
SP转发频道数：5
NP数：5000
簇大小：30
实验结果分析
• 实验结果(一)：没有引入超级节点动态推举时引入超级节
点动态推举的网络上传能力对比图.
引入超级节点动态推举机制后，没有系统瓶颈，网络上传能力随着网络规模
增加而增加。
实验结果分析
• 实验结果（二）：没有引入超级节点动态推举时引入超级
节点动态推举的超级节点控制负载与传输负载对比图。
引入超级节点动态推举机制后，控制负载与传办输负载比值是趋于稳定的。
实验结果分析
• 实验结果（三）：基于信任度和非基于信任度的超级节点
选举机制的SNP失效率对比图。
基于信任度的SNP比较稳定，不会频繁退出，给系统造成的波动小。
实验结果分析
• 实验结果（四）：基于信任度和非基于信任度的超级节点
选举机制的SNP的平均上传速率对比图。
基于信任度的SNP在具有更高的上传速率，提高了系统的上传能力。
实验结果分析
• 实验结果（五）：引入备用超级节点机制和不引入备用超
级节点机制的NP重加延时对比图。
引用备用超级节点机制后，超级节点失效恢复机制的响应时间降低。
3.总结与展望
• 总结
• 研究分析了现有的典型的基于树状、网状和分层混合的三
种P2P流媒体直播模型的优缺点。
• 通过研究了现有的分层P2P网络模型中的超级节点选取机
制，根据Lstream系统实际，提出了一种基于信任度的超
级节点选举机制。
• 对超级节点选举机制进行仿真实验验证，证明本文所提出
的机制在提高系统可扩展性、稳定性和提高网络服务能力
方面具有更好的能力，具有一定的实用价值。
3.总结与展望
•
展望
•
•
超级节点与普通节点的理想比率。
超级节点的分布问题。理想情况下，超级节点应该尽量
均匀分布在覆盖网中，从而减小系统中端到端的平均网
络时延，提高流媒体数据的分发效率。
P2P流媒体系统节点的安全可控性。
•
谢谢！
欢迎各位老师批评指正！