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

课题研究背景及意义1

2

3

本文的主要工作

结论与展望

• 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

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

节目源CS 节目源CS 节目源CS 节目源CS节目源CS

SP

SPSP

节目源CS

SPSP

NPNP

NP

NP

NP

NP

NP

SNP

节目源CS

TS

NPNP

NPNP

NP

NP

NP

NP

NP

NP

1 集中管理层：由 TS完成 BootStrap

功能 .

2 数据转发及管理控制层 : 由 SP和

SNP组成 .

3 边缘共享层 : 由 NP组成

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

Di=n

j 1

d(i, j)

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。

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

i i i

i 1

C w *S

n

ij

j=1i

v

V =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。

其中， TUptime 为节点总在线时间， num 为上线次数。

TUptimei

numP

节点信任度度量• 对 Ci 、 Vi 、 Pi 标准化

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

i

i

XX

max({X | i 1,2...m})

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！