2017年国际期刊完整文章：结构化覆盖网络的智能预测稳定模型的仿真结果

工程科学与技术，国际期刊20（2017）310完整文章结构化覆盖网络Ramanpreet Kaura，b，RamanpreetKaur a，Amrit Lal Sangala，Krishan Kumarca印度旁遮普邦贾朗达尔国家理工学院计算机科学与工程系b印度喜马偕尔邦索兰杰皮信息技术大学信息技术系c印度旁遮普邦费罗兹普尔Shaheed Bhagat Singh State Technical Campus计算机科学与工程系阿提奇莱因福奥文章历史记录：2016年4月3日收到2016年6月30日修订2016年6月30日接受2016年7月9日在线发布保留字：覆盖保持神经模糊稳定A B S T R A C T智能预测邻居节点（dht协议中定义的k个邻居）的动态性有助于提高结构化覆盖网络的弹性，并减少拓扑维护的开销。覆盖节点的动态行为取决于许多因素，诸如底层用户的在线行为、地理位置、一天中的时间、一周中的某一天等，如在许多应用中所报告的。我们可以利用这些特性，通过实施智能预测框架来适当地设置稳定参数，从而有效地维护结构化覆盖网络。考虑到人类驱动的行为通常超越间歇性的可用性模式，我们使用一个混合的神经模糊预测器，以提高预测的准确性。在本文中，我们讨论了我们的预测稳定的方法，实现神经模糊的预 测在 MATLAB仿 真和 应 用这 种 预测 稳 定模 型 的和 弦 为基 础 的覆 盖 网络 使 用 OverSim 作 为仿 真 工具 。MATLAB仿真结果表明，相邻节点的行为在很大程度上是可预测的，如非常小的RMSE所示。基于OverSim的仿真结果也观察到显着改善的性能，基于和弦的覆盖网络的查找成功率，查找跳数和维护开销相比，定期稳定的方法。©2016 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍结构化覆盖网络在过去的十五年中不断发展，从简单的文件共享系统到更复杂的互联网协议语音。这些结构化的覆盖网络包括以专门结构布置然而，这些机器的可用性是由其用户的在线行为驱动的。因此，这些机器表现出动态行为，并且可能在一段时间内保持离线，或者在灾难性故障的情况下永久离开这种动态性会导致结构不一致，并可能导致路由失败。结构化覆盖网络的主要功能是通过提供有效的稳定机制来适应这种动态性，以在面对对等体不稳定时以最小的开销维持覆盖网络结构和资源*通讯作者：印度旁遮普省贾朗达尔国家理工学院计算机科学与工程系。电子邮件地址：gmail.com（R. Kaur）。由Karabuk大学负责进行同行审查快速有效地修复局部故障是弹性结构化覆盖网络发展的关键挑战之一。到目前为止，研究人员正在集中精力研究主动[1然而，主动和被动稳定操作都具有一些缺点，并且不适合某些场景。周期性过程涉及采用预定探测来监视活跃度的相邻节点（如由DHT协议指定的K个明确定义的邻居），而反应性维护仅在引起路由不一致之后发生。相邻节点的短期可用性预测可以作为在特定结构化覆盖网络节点上调度维护操作的重要基础。预测稳定是通过评估相邻节点在未来一段时间内的故障风险来调度下一个稳定例程。在本文中，我们主要集中在开发负担得起的系统操作，通过使用神经模糊稳定控制器预测相邻节点的故障来调度下一个稳定化，如图所示。1.一、http://dx.doi.org/10.1016/j.jestch.2016.06.0152215-0986/©2016 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch跟踪数据产值触发维护操作没有行动神经模糊控制器预测邻近节点维修需求的神经模糊系统无故障（输出= 0）预测故障（输出=1）决策模型R. Kaur等人 /工程科学与技术国际期刊20（2017）310-320311Fig. 1. 提出的预测稳定控制器的框图。神经模糊模型既具有神经网络的学习特性，又具有模糊模型易于解释的特点，适合于复杂系统的建模。神经模糊模型适用于许多现实问题的建模[11]。一个这样的问题是基于覆盖节点的所有者的建立的互联网习惯来检测覆盖节点的在线行为模式。许多研究人员报告了许多覆盖网络驱动应用程序中覆盖节点的每日和每周在线/离线行为模式[12这些参数之间的关系是相当复杂的和非线性的性质。因此，传统的控制机制不适用于结构化覆盖网络的预测稳定机制。本文的其余部分组织如下。第2节介绍了我们工作的背景，简要介绍了结构化覆盖网络中自维护领域的最重要贡献和自适应神经模糊推理系统的使用。在第三节中，我们提供了神经模糊预测器的框架。第4节介绍了我们提出的智能稳定方案。在第5节中，我们概述了实验的设计和我们的预测器的Microsoft跟踪文件的节点的行为的结果。第6节总结了这一点本文2. 背景在本节中，我们首先介绍影响节点在线行为的基本概念和关键因素。然后，我们介绍介绍了结构化加铺养护领域最重要的研究成果，并简要介绍了预测养护所选用的神经模糊模型。 这三个方面是我们提出的技术的主要动机，如稍后详细描述的。2.1. 基本概念本节简要介绍结构化覆盖网络的基本南茜它包括拓扑维护的需求、流失定义和覆盖参与者流失行为背后的驱动因素。2.1.1. 结构化覆盖网络覆盖网络是由异构的、不可靠的机器组成的分布式系统架构，用于在所有系统参与者之间共享存储、带宽和其他资源。这些覆盖网络支持大量的应用，从路由覆盖;志愿者计算;增强的互联网服务覆盖（覆盖QoS，命名和间接覆盖，多播）;分布式计算，互联网电话到媒体流覆盖。尽管覆盖网络在一些最初的应用中（如文件共享或媒体流）获得了负面的地位，但目前研究人员的努力集中在越来越多地将覆盖网络用于具有巨大商业潜力的法律应用（如IP电话）上。目前的大多数研究工作集中在将覆盖网络的益处与在线社交网络[18，19]和面向服务的架构[20]相结合覆盖网络主要有两种类型：结构化覆盖网络和非结构化覆盖网络。结构化覆盖网络是具有特定结构约束的自组织网络，以保证在少量概率上有界的网络跳中的系统性能。在动态环境中，结构约束和每个节点的路由表使得自组织的任务相当繁琐。然而，非结构化覆盖网络本质上是随机网络，没有性能保证，维护成本低.2.1.2. 客户流失定义流失可以被定义为重叠参与者的参与动态。每个参与节点可以在任何时间加入或离开覆盖。结构化覆盖网络中的这种连续加入和离开操作导致内容不可用和过时的路由表。由于这种动态性，需要按顺序维护路由拓扑和内容可用性以保证覆盖网络性能。文献中主要有两种关于客户流失的定义312河Kaur等人/工程科学与技术，国际期刊20（2017）3102.1.2.1. 定义（全球流失）。流失可以定义为在给定时间内加入或离开覆盖网络的节点总数的量度，也称为节点周转率。2.1.2.2. 本地客户流失（Local Churn）流失被定义为节点生命周期中的几个在线（参与覆盖）和离线会话（从初始创建开始，以永久离开结束），如图所示。 二、客户流失是一个持续存在的问题，往往抵消了结构化覆盖网络的优势。关于结构化覆盖网络的文献将流失作为要由结构化覆盖网络的内置容错或自管理能力处理的合法故障场景来处理。研究人员进行了不同的研究[12这些研究报告了不同文件共享应用程序[12Douceur[21]研究了微软机器的流失行为，并观察到，一些参与的主机具有始终打开的特性，而另一些则具有循环开/关模式。我们的神经模糊预测器利用覆盖节点的这种循环行为模式来适当地调度稳定操作。2.1.3. 稳定的需要结构化覆盖网络的正确性和性能主要取决于其最新的路由表条目，这些条目一起形成具有特定结构约束（例如，弦覆盖网络中的但是，由于它们在现实世界中的开放性质，覆盖网络经历了严重的流失。这种对等参与者以连续加入、离开和失败的形式出现在覆盖网络中的动态称为流失。因此，需要一种有效的拓扑维护机制来在面对扰动时保持结构化覆盖网络的结构属性稳定化是指通过更新路由表条目以确保覆盖网络的结构完整性，从而在瞬时故障中幸存下来的过程。2.1.3.1. 定义（稳定战略）。需要稳定化策略以在对等故障的情况下通过保持路由表条目（指状表和在弦的情况下的后继指针）为最新来维持结构完整性稳定算法确保及时检测节点故障，并保持路由表充满最新的条目。因此，稳定机制被定义为维持经历扰动的覆盖网络的几何和路由属性的过程。2.1.4. 影响节点在线行为的关键因素为了提出一个有效的稳定机制，我们需要在更深层次上理解节点的动态性。这种对节点动态性的更深层次的理解是由触发覆盖网络参与者的动态行为的多个因素辅助的。以下是影响网络参与者动态行为的主要因素：对等体的不同时区：覆盖网络建立在异构和地理分布的主机上。这种地理分布也会影响其参与主机的在线行为，这是由于不同的时区，进而影响流失模式时区的变化和数百万覆盖对等点的分布影响了整个在线行为对等体的工作行为或用户的异构习惯：覆盖对等体的行为由其所有者的既定互联网习惯反映，这些习惯因此，这些节点的不可用可以被视为一个完全循环。每日和每周行为模式是所有人类驱动应用程序的已知特征。许多研究人员在许多覆盖网络驱动的应用程序中报告了这种每日和每周的行为模式[12由于地震等原因或软件更新导致的相当一部分对等点故障：由于硬件或软件故障导致的底层基础设施故障可能会导致严重的混乱。这些突发性中断的主要原因是自然地理灾害或停电。2.2. 相关工作自稳定性是结构化覆盖网络有效工作的关键设计问题。结构化覆盖网络越来越多地应用于各种应用，促使研究人员将研究兴趣集中在开发高效的维护机制，以在动态环境中低成本地维护覆盖网络的结构。覆盖参与者的动态行为可能会破坏覆盖网络的整个结构，使其无法服务于查询。在这个方向上的现有研究可以分为两大类：主动[1，3，4]和反应[5，9，10]维护机制。主动维护[1，3，4]通过使用周期性稳定机制来保持覆盖网络结构，其中周期的选择不考虑覆盖网络的流失率。周期稳定技术[1，3，4]的性能取决于所选择的稳定区间。如果过于悲观地选择稳定区间，则在所选区间较长的情况下可能导致性能下降加入出发寿命时间届会议届会议届会议离开重新加入离开重新加入图二. 节点的生命周期●●●R. Kaur等人 /工程科学与技术国际期刊20（2017）310-320313与网络变化的频率相比。然而，稳定区间的乐观选择可能会导致更高 的 开 销 ， 因 为 它 会 选 择 频 繁 的 稳 定 。 各 种 研 究 人 员 [22-Krishnamurthy 等 人 。 [25] 已 经 分 析 研 究 了 chord[1] 架 构 下 的churn，并观察到由于最长手指中的不正确或死条目而导致因此，需要频繁触发稳定机制以确保覆盖网络的正确和有效工作几位研究人员[26，27]提出了一种以自适应稳定形式增强周期稳定性的方法，其中不是被动地选择静态稳定区间，而是根据当前网络条件选择并动态调整Shafat等人。[28]通过引入一种新的合并机制，扩展了周期性稳定过程，以处理极端事件，如面对流失的当覆盖结构再次收敛为环时，合并消息将消失2015年，Paul et al.[29]已经修改了这种机制，通过在每个参与节点维护知识库，以主动方式触发合并与主动方法相比，被动方法[5，9，10]是基于触发稳定的概念，鉴于零星的流失行为。因此，在这些方法中，将仅在检测到故障之后执行这意味着，这些方法在处理动态性之前必须承受网络中的显著路由不一致。反应式方法可分为两类：惰性[9，10]和急切维护技术[10]。只有在检测到故障或所有路由表条目都过时时，惰性技术才能发挥作用。然而，即时维护技术，一旦检测到变化就触发稳定过程。Beernet[30]使用了一种结合了渴望和懒惰的维护机制。这项工作的主要重点是提出一个完美的故障检测器的稳定机制的性能主要取决于加入/失败事件的检测。一个好的维护策略应该能够以最小的开销适应不同的客户流失执行定期维护，当它是不需要的，导致开销增加和反应性维护后，才发生造成路由inconsistencies。虽然，反应性维护具有最小的开销，并在检测到故障后立即触发，但这种反应性维护策略可以被利用来使网络崩溃，而不是通过生成错误检测来使网络拥塞维护流量来修复网络因此，我们需要一个预测性的维护策略，只有在预测到相邻节点的状态之后，并且在导致任何路由失败之前才能发挥作用预测或估计节点故障的能力使得能够在异常节点而不是所有节点上执行预防性维护，并且通过提供触发式维护而导致可负担得起的系统操作本文的主要贡献是通过提出一种新型的维修方法，即预测维修，以克服主动和被动维修方法的不足预测性维护策略在预测相邻节点的状态之后并且在任何路由不一致之前执行稳定，并且导致仅对一些节点而不是所有节点进行负担得起的预防性维护。此外，覆盖节点的合法动态行为背后的主要驱动因素是其用户的既定工作行为或互联网使用习惯或覆盖对等体的不同时区[12预测性维护方法使用其对等体的这些已建立的互联网习惯来相应地安排维护操作因此，为了维持覆盖网络结构而不泛洪覆盖网络结构，使用稳定消息覆盖网络，并使用正确的条目不断更新参与者2.3. 模糊神经网络结构化覆盖网络的复杂性和动态性需要复杂的方法来构建在线自适应稳定化例程，以有效维护该网络。到目前为止，研究人员主要关注于流失估计的数学模型[31，32]，并相应地选择结构化覆盖系统中的稳定但是，由于在实际系统的数学模型的开发中所涉及的早期的努力[12然而，由于节点行为随时间（时间序列改变方向的时间点：增加或减少）的强烈变化，传统的预测方法无法使用因此，一些研究人员提出使用传统人工智能技术的组合[35，36]来控制具有强非线性行为的不确定系统[37模糊逻辑和神经网络是合适的候选人建立智能系统，由于它们的互补性，如表1所示。神经模糊网络将神经网络的并行计算和学习能力与模糊系统的人性化解释能力相结合，使其成为一种适用于复杂动态系统的预测技术。该模型适用于使用几个过去输入中的选定实例进行短期准确预测。出于这个原因，我们建议使用自适应神经模糊预测系统[433. 神经模糊预测框架在本文中，我们提出了一个神经模糊建模框架，旨在发现一个非常复杂的路由表维护问题的预测规则：推导的属性相邻节点的覆盖网络结构这个特定的任务可以被认为是最重要的，因为维护调度的研究提高了收敛性和鲁棒性，以适应结构化覆盖网络参与者的动态行为。该框架包括几个连续的步骤，以提高预测精度和可读性的模糊规则。首先，通过丢弃冗余或衍生特征对可用的原始数据进行数据预处理然后，模糊规则库初始化使用竞争学习方案，然后使用神经模糊网络进行优化，使用可用数据进行训练。智能自适应预测稳定控制的结构如图所示。3.第三章。表1模糊系统与神经网络的互补性。特征模糊系统神经网络知识表示UU✗不确定度容限UUUU适应性✗UU不精密度公差UUUU学习能力✗UU解释能力UU✗知识发现和数据挖掘✗UU维护性平均UU输入数据模糊化神经模糊控制器参考轨迹+优化器-ta检测日期输出解模糊推理机模糊化icted输出Pred数据培训约束成本输入数据误差规则库模糊推理314河Kaur等人 /工程科学与技术，国际期刊20（2017）310-320图三. 基于神经模糊模型的预测器的基本结构。3.1. 特征选择或数据预处理训练数据大小的选择是神经模糊推理机制有效工作的关键。大的训练集大小可以通过用大量历史数据来调节推理机制来增加推理机制的准确性，但是它也可能导致覆盖网络节点上的更重负担。因此，我们使用有限大小的训练数据集和重要的输入变量。重要的输入变量的纳入结果在更简单和更可靠的模型比初始模糊模型，包括所有可能的输入变量。为了预测稳定性，我们使用了超过35天的51633台主机的Microsoft跟踪[46，47]。大量的信息是以XML格式提供的，但由于我们的工作主要涉及覆盖节点的在线行为，因此我们只使用了事件跟踪文件。在事件跟踪文件中，主要有两种类型的主机：具有始终打开行为的主机和具有循环行为的主机。由于主机始终处于开启状态不会导致任何路由失败，因此，我们只对具有循环行为的主体进行了研究。我们选择了四个输入变量（星期几，一天中的时间，累积会话时间和邻居的当前状态）和一个输出变量，这些变量来自每个参与主机的一组可用数据。为了观察参与机器的每周行为模式，我们将数据分为四周。然后，我们将跟踪文件分为训练数据和测试数据。前两周用于模糊规则生成，一周用于规则优化，使用基于反向传播的学习方案，最后一周用于测试我们的神经模糊模型的性能。3.2. 从数据神经模糊学习的第一步是从给定的训练数据集生成规则。生成的模糊规则是神经模糊推理系统知识库的基础部分。对于这个模糊规则生成，我们考虑一个n个输入和单个输出的训练集，表示可以由n个变量X1，X2，.定义的动态系统，Xn.动态系统的预测状态中的稳定化操作可以通过众所周知的Takagi-Sugeno模糊神经模型的概念来描述在Takagi-Sugeno模糊神经模型中，每个规则的输出是输入变量加上常数项的线性组合，最终输出是每个规则输出的加权平均值。模糊规则以下列形式表示：规则j：如果X1是Aj1X2是Aj2...&&那么class是c1：其中，Xk是第k个输入特征，Ajk是与第k个输入特征相关联的第j个规则中在上面定义的模糊规则表达式中，规则的前件是输入，后件是给定输入组合的最可能输出。此输出将有助于最终输出，即所有指定规则的加权平均值。3.3. 规则优化在模糊规则优化阶段，使用神经网络技术对初始模糊集的参数这里，在规则生成阶段获得的规则被用来设计五层神经网络。神经模糊系统的每一层都定义了神经模糊推理机制中的一个特定步骤。该推断机制在图4中解释并且在下面描述：3.3.1. 第1层（输入层）这一层表示输入变量，这些变量代表系统的当前状态。这一层中的神经元将这些输入变量直接传输到下一层中各自的成员模块。R. Kaur等人 /工程科学与技术国际期刊20（2017）310-320315第1层第 2层第 3层第 4层第 5层X1X1x的的R1R1X1一R2一R2一一R3R3wR3WC1R6C1yX2X2x2xB1B1wR1R4R4wR2B2B2R5R5wR4wR5C2C2R6B3BR6见图4。 神经模糊推理系统3.3.2. 第2层（模糊化层）该层的神经元将从第一层接收的标量值转换为它们相应的模糊值。简而言之，这一层的神经元包含隶属函数的定义，并将这些输入隶属函数传递给模糊规则层。3.3.3. 第3层（模糊规则层）这一层也被称为预测器的知识库。这一层的神经元代表我们定义的模型的模糊规则。因此，神经元的数量等于模糊规则的数量。这些神经元将从表示模糊规则的前件部分的模糊化层的固定n个节点接收输入。这些神经元的主要功能是通过各自输入的乘积执行AND运算，并将输出传递到下一层。3.3.4. 第4层（输出成员层）该层中的神经元表示输出隶属度集。该输出隶属函数层的每个神经元通过模糊联合操作将其所有输入组合起来。每个神经元的输出代表其输入规则的综合强度。3.3.5. 第5层（去模糊化层）这一层只包含一个神经元，代表神经模糊系统的最终输出。它从输出模糊集中提取输入，并将它们组合成单个模糊集.规则优化过程涉及基于反向传播的学习，以最佳地调整隶属函数的参数将训练数据的输入输出与模型输出进行比较，并通过网络将误差从输出层向后传播到输入层，以便修改第2层中的隶属函数神经元。4. 建议的智能稳定在本节中，我们描述如何将基于神经模糊的预测稳定框架用于动态结构化覆盖网络。动态结构化覆盖网络由多状态节点组成，这些节点经受优雅离开或导致节点离线的突然故障。对节点的累积会话时间属性进行离散化处理，以协调其在不同节点不同行为模式下的值。累积会议节点的时间被分为四个状态，从（离线、出生、年轻和年老）开始排序。这些国家的划分是基于节点的近似剩余可用时间基于它们的当前年龄，并且基于训练数据中的节点的平均在线时间来计算。在我们提出的稳定化框架中，我们使用了离散化的等箱方法。因此，考虑一个平均在线时间为9（以昼夜行为），出生意味着，节点刚刚上线（累积会话时间在1和3之间并且节点在下一个预测间隔中离线的概率对于该状态几乎为零），年轻，累积会话时间在4和6之间），而老化状态对应于累积会话时间从7变化到9的警告区域（这里离线的概率非常高），并且预测器需要触发主动稳定操作以避免故障。我们的方案主要是设计来处理在线节点的故障和现有的参与者的重新加入操作将被处理相同的新节点，只有保留旧的观察。在所提出的预测框架中，我们描述了如何使用神经模糊模型[16，21，22，27]来预测相邻节点在时间间隔tk内的未来状态。该预测框架使用神经模糊识别器来生成未来时间t的预期稳定输出，其中T1tT2<<该识别器的模糊规则和隶属函数可以通过实际观察到的相邻节点的行为离线训练在时间间隔T1tTu<<其中TuT2<该模型使用具有四个输入变量（星期几、一天中的时间、累积会话时间和邻居的当前状态）和一个输出变量（故障）的训练数据集。在训练数据集中，每个相邻节点的平均在线时间是先验已知的。我们将节点的状态分为四个不重叠的区间，并将四种不同的状态分配给区间，离线，出生，年轻和年老。在神经模糊模型中，利用相邻节点的在线时间历史来定义模糊规则。整个预测稳定机制分为三个不同的阶段，如图所示。第五章：316河Kaur等人/工程科学与技术，国际期刊20（2017）310预测输出更新µµn观测数据节点idµ21基于神经模糊的预测模块指针表决策模块节点1图五. 提出了覆盖节点的智能稳定框架。观察阶段：在该阶段，随着常规的DHT操作，每个覆盖节点将观察其相邻节点的在线行为，并通过使用该观察数据定义用于神经模糊推理机制的名为observation_table的知识库来使用该观察数据训练神经模糊模型。预测阶段：在此步骤中，在使用上一步骤中获得的信息确定相邻节点的概率行为之后，使用神经模糊模型基于相邻节点的当前状态来估计其未来状态。动作阶段：取决于关于邻居节点的预测，覆盖节点将采取适当的动作，即是保持被动还是触发维护过程。我们的计划是为了减少被浪费的维护工作，4.1. 观察期为了使用基于神经模糊的预测器检测和估计相邻节点的故障，结构化覆盖网络的每个节点n此阶段将使用六个变量定义逐步验证对等行为的过程;节点ID（ID）、一周中的日期（DW）、一天中的时间（TD）、累积会话时间（CST）、当前状态（CS）和故障（F）。由于我们考虑的是覆盖节点的每周周期性行为，因此至少两周的训练数据对于预测器的正确工作是强制性的。在两周的训练数据中，预测器将有两次机会以一周为周期观察预测模式。以前的工作[15]表明，每个节点都有自己的行为模式，通过观察这些模式，我们可以合理准确地预测节点的未来行为。每个节点n存储指向由dht协议指定的k个明确定义的邻居的指针。对于数据收集，每个节点将周期性地联系其k个邻居，并相应地在观测阶段更新其观测表中的观测变量值。我们的模型假设离线节点将在稍后的时间点重新加入覆盖网络。因此，每当旧的participant上线时，它将通知所有相邻节点，并且相邻节点可以从其他节点查询其观测数据，如果它们当前没有持有一个。新加入的节点将在加入过程中从其直接后继节点获得此观察表此外，每个新加入的节点必须存储其自己的在线时间ton（当它刚刚加入）并将其发送到相邻节点，以便它们可以跟踪其活动。在此周期性本地扫描期间，如果节点在线，则节点的累积会话时间条目递增1，否则累积会话时间将变为0。为了最小化离线节点的条目，节点n将存储其离线时间和下次上线时间观察阶段的这些步骤在图1中的算法的帮助下进行解释。 六、在观察阶段之后，收集的数据将被预处理并用于导出节点的不同中间状态。现在，这些数据将用于神经模糊预测器的训练，该预测器稍后可用于基于相邻节点的观测状态来调度未来的算法：观察（在观察阶段执行或网络中的每个节点n）//在观察阶段，每个节点n将周期性地发送和接收来自其本地管辖范围内的相邻节点的状态请求或状态响应。1. while（true）//在观察阶段2. WaitForEvent（）3. If（Event（Periodic_timer_for_prediction）4. 对于路由表5. 发送状态请求（dhtid）6. Start_timer（dhtid）7. 结束8.如果结束9. If（Event（Received_Status_Request）10. 发送Status_Response（ID，CST）//ID =响应者// CST =每次节点响应status_request时，前一个值递增1，它提供了乘以周期的累积会话时间。11. End If12. If（Event（Received_Status_Response）13. update（observation_table）//为相应的应答者添加观察表条目//接收到的消息中的ID，用于标识观察到的节点// TD =一天中的时间（发送状态请求消息的时间）// DW =星期几（发送状态请求消息的时间）// CST =前一个值是否加1，并将其与接收到的值进行比较，以检查是否丢失状态响应消息。// S = Online（节点的状态为Online）//失败= 014. 如果结束15. If（Event（Event（dtid）//未收到状态响应消息。16. update（observation_table）//为id//TD =一天中的时间（发送状态请求消息的时间）// DW =星期几（发送状态请求消息的时间）// CST = 0// CS = OFFLINE//失败= 117. End If18. 结束程序见图6。观察机制。●●●R. Kaur等人 /工程科学与技术国际期刊20（2017）310-3203175. 实验和结果在我们的实验中，首先，我们通过在Microsoft跟踪文件[46，47]上应用神经模糊预测模型来预测单个节点的在线状态并检查我们模型的准确性，从而研究所提出的预测机制的适用性。Douceur[21]研究了Microsoft跟踪文件中参与主机的行为模式，并得出结论，参与者的行为属于以下两类之一：始终打开或循环打开/关闭。这些特征表明动态主机具有周期性行为，其过去的连接模式可以用于预测未来的故障。在第二组实验中，我们在基于OverSim[50]的仿真环境中使用chord作为底层覆盖网络来实现这种预测稳定框架，并将其性能与周期性稳定进行比较。在我们的模拟实验中，我们使用Microsoft trace的节点行为数据集作为神经模糊预测器的观察序列。该算法在查找成功率、查找跳数和维护开销修改输入值。ANFIS编辑器具有图形用户界面，用于生成模糊结构，加载训练和检查数据，并通过激活神经网络执行FIS模型调整。生成的ANFIS架构如图所示。7.第一次会议。Microsoft跟踪文件[46，47]的四周节点行为数据用于训练，优化和测试我们的神经模糊模型。这可以通过将我们的数据分为三个独立的集来实现：训练集，检查集和测试集。前两周用于训练子集;检查子集为一周;测试子集为剩余的一周。训练集、检验集和测试集的比例约为2：1：1。利用训练集建立模糊网络，并调整网络的连接权值。最后，通过对模型性能的仿真，验证了模型的泛化能力。然后可以使用测试数据集来评估该模型。所提出的模型的质量和可预测性衡量的均方根误差（RMSE）值。vuXN2基于弦的覆盖网络中的预测稳定。5.1. 预测机制RMSE¼ 联系我们预测i=实际iN为了证明和验证所提出的预测框架，使用MATLAB模糊逻辑工具箱[51]该工具提供了不同的常见方法，如模糊聚类和自适应神经模糊学习的实施功能。模糊工具箱的主要组件是FIS编辑器、隶属函数编辑器、规则编辑器、模糊推理查看器和输出表面查看器。模糊推理系统编辑器显示有关推理系统的一般信息为了显示和编辑与所有输入和输出变量相关联的隶属函数，使用隶属函数编辑器在适当地定义隶属函数之后，模糊规则编辑器用于定义规则库。规则库是最关键的组件，因为预测器将严格按照规则库的模式工作，错误的模式将导致错误的预测。规则查看器有助于立即解释整个模糊推理过程。输出表面查看器是一个非常有用的工具来可视化规则库。使用此可视化工具，我们可以观察预测器的输出信号值的变化其中，N是观测的总数。我们的神经模糊模型有4个输入和隶属函数数（2 * 4 * 5 * 4）。该系统结构向网络提供4个输入这些输入是根据第3节中解释的特征选择过程选择的。这四个参数是：一周中的日期（DW）、一天中的时间（TD）、累积会话时间（CST）和当前状态（CS）。DW有两个成员函数TD有四个会员功能，分别为科技委有五个成员职能，即CS，系统的当前状态有4个成员功能表2总结了使用三种不同隶属函数类型“三角形、一般化钟形和高斯”的模型的性能。我们的模型的验证结果总结在表2中。这些结果清楚地表明，三角形隶属函数有效地执行，并具有最小的RMSE误差，而广义钟形隶属函数产生最差的结果。图7.第一次会议。在Matlab模糊工具箱中实现了自适应神经模糊推理系统的结构318河Kaur等人/工程科学与技术，国际期刊20（2017）310表2ANFIS结构信息。ANFIS参数类型参数值非结构化覆盖网络。覆盖网络仿真的不同模块用C++实现，并使用NED语言定义。OverSim架构支持各种输入数成员函数类型4高斯曲线三角形广义钟形从SimpleUnderlay到更真实的虚拟网络IPV4Underlay。在我们的实验中，我们使用了SimpleUnderlay，因为它的计算开销低，精度高训练数据条目检查数据条目测试数据集一周一周一周使用和更新现有的和弦架构进行仿真实验。在我们提议的稳定化中数量的节点357机制，稳定将不会定期执行，而数量的线性160它将通过输出为每个邻居单独调度参数非线性数量参数模糊规则60160神经模糊预测器。我们的实验是在5000个节点的初始大小后继节点的数量设置为4。详细的仿真参数信息-表3弦模拟的参数值。参数值网络大小最大5000路由半递归在跟踪文件中观察到的节点继任者列表大小4模拟持续时间36，000秒5.2. 基于Chord的覆盖网络在本节中，我们在OverSim[50]仿真框架上进行了一系列实验，以实验方式评估我们为基于和弦的结构化覆盖网络实现的预测稳定化方法OverSim[50]是一个基于Omnet++的覆盖仿真框架，用于实现结构化和OverSim中的和弦数在表3中指定。然后，我们根据Microsoft跟踪文件[46，47]中所选节点的跟踪文件，让这些节点在线和离线。 在一组实验中，我们探讨了基于和弦的覆盖网络的性能改善，通过使用预测稳定，并比较它与传统的周期稳定。5.2.1. 结果和分析我们的实验突出和比较跨周期稳定和提出的预测稳定策略的性能建议的预测稳定的性能进行了验证，通过调查两个性能指标：查找成功率和维护开销。查询成功率：结构化覆盖网络的性能可以通过查询消息的查找成功率来评估。这一特性表明了结构化覆盖网络对参与者失效的处理能力查找失败将主要由于覆盖参与者的过时的指针表条目或后继指针而发生实验结果清楚地呈现了显着的性能改善，- ment在查找成功率方面，采用预测稳定。图8示出了预测性和预测性的效果。见图8。 周期稳定和预测稳定中查找成功率的比较。●训练阶段101010RMSE0.0572350.037230.077268R. Kaur等人 /工程科学与技术国际期刊20（2017）310-320319见图9。 周期稳定化与预测稳定化中查找跳数的比较。见图10。定期稳定化与预测稳定化的维修费用比较。基于弦的覆盖网络的性能随时间的周期性稳定。从图8中可以清楚地看出，周期稳定的性能取决于所选择的稳定区间。跳数：节点动态性的影响及其对结构化覆盖网络性能的影响也可以通过特定查询消息所需的查找跳数来衡量。查找跳数可以定义为发起查询的源节点与存储期望值的最终目的地之间的跳数。在指针表包含过时的路由条目的情况下，消息将被路由到错误的邻居，因此需要重新发送或取消路由以到达目的地。这将增加查找跳数，如图9所示。图9在查找跳数方面比较了预测性稳定和周期性稳定的性能。从图9中可以清楚地看出，过时的条目导致查找跳数的增加，并且再次，稳定间隔的选择对周期性稳定的性能具有显著影响。维护开销：第三个度量，维护开销定义了保持finger表最新所需的维护消息的数量。在传统的周期稳定中，在稳定化机制下，维护开销将随着稳定化间隔的减小而增加。这一套的目的实验的一个目的是使用以下方法以稳定消息的形式测量维护开销，单位为字节/秒/节点预测稳定机制。图10研究了通过采用预测稳定来减少维护开销。从图10中可以清楚地看出，在预测稳定的情况下，维护开销非常低因为稳定交通将基于神经模糊预测器的输出产生。6. 结论在本文中，我们提出了一个预测稳定的方法作为候选解决方案的结构化覆盖网络的维护我们已经提出了我们的方法的有效性，在两个阶段：第一阶段检查是否覆盖参与者的流失行为是可预测的或没有和第二阶段主要集中在该预测行为的应用程序调度的稳定行动，在基于和弦的覆盖环境。为了证明叠加参与者的行为在很大程度上是可预测的，并且具有良好的准确性，我们在MATLAB模糊工具箱中测试了我们的预测技术仿真结果表明，基于神经模糊的混合预测器的性能在第二阶段，在OverSim环境下实现了基于Chord的叠加网络的预测稳定性能，并与传统的周期稳定方法进行了比较。实验结果表明，预测稳定化通过调整稳定化间隔以适应当前邻近节点的状态，可以显著提高结构化覆盖网络的性能。这种适应将提供一种最新的覆盖结构，具有低维护开销和高查找成功率。引用[1] I. 斯 托 伊 卡 河 Morris ， Chord ： A Scalable Peer-to-Peer Lookup Service forInternetApplications，IEEE/ACM Trans. Networking 11（1）（2003）17-32.[2] F. Kaashoek，D.R. Karger，Koorde：一个简单的度最优分布式哈希表，在：第二届国际点对点系统研讨会论文集，IPTPS，2003年，pp.98比107[3] 年Zhao，J.D. Kubiatowicz，A.D. Joseph，Tapestry：一种用于容错广域定位和路由的基础设施，2001年。联合C.伯克利技术报告UCB//CSD-01-1141。[4] A. Rowstron ， P. Druschel ， Pastry ： scalable ， decentralized objectlocation ， androuting for large-scale peer-to-peer systems ， Lect. NotesComput. Sci. 2218（2001）329-350。[5] B. 梁 湾 Liskov ， E.D.Demaine ， EpiChord ： ParallelizingtheChordlookupalgorithm with reactive routing state management ， Proceedings of the12thInternational Conference on Networks（ICON'04），2004，pp. 1243-1259年。[6] S. Krishnamurthy ， S. El-Ansary ， E. Aurell ， S. Haridi ， Comparingmaintenancestrategiesforoverlays ， in ： 16thEuromicroconferenceonparallel，distributedand network-based processing（PDP 2008），2008年，第1