非結(jié)構(gòu)化P2P網(wǎng)絡(luò)引導(dǎo)型進(jìn)化博弈算法

朱國(guó)暉，魯春蘭，張瑞

(西安郵電大學(xué)通信與信息工程學(xué)院，陜西 西安 710061)

非結(jié)構(gòu)化P2P網(wǎng)絡(luò)引導(dǎo)型進(jìn)化博弈算法

朱國(guó)暉，魯春蘭，張瑞

(西安郵電大學(xué)通信與信息工程學(xué)院，陜西 西安 710061)

為促進(jìn)動(dòng)態(tài)開(kāi)放性對(duì)等網(wǎng)絡(luò)中節(jié)點(diǎn)間的合作，在SLACER(selfish link-based adaptation for cooperation excluding rewiring，基于自私連接排除重構(gòu)的自適應(yīng)合作)算法的基礎(chǔ)上引入標(biāo)兵節(jié)點(diǎn)，提出了引導(dǎo)型進(jìn)化博弈算法G-SLACER(guided-SLACER)。通過(guò)初始化，網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù)的30%為標(biāo)兵節(jié)點(diǎn);拓?fù)渲貥?gòu)過(guò)程中，新增一條到最具優(yōu)勢(shì)節(jié)點(diǎn)的引導(dǎo)型連接;為鼓勵(lì)節(jié)點(diǎn)相互學(xué)習(xí)，加大網(wǎng)絡(luò)整體收益。實(shí)驗(yàn)結(jié)果表明，G-SLACER算法針對(duì)不同規(guī)模的網(wǎng)絡(luò)均具有良好的通用性，網(wǎng)絡(luò)中CCP(cooperative connected path，合作連接路徑)的穩(wěn)定性增強(qiáng)。與其他進(jìn)化博弈算法相比，G-SLACER算法形成的P2P網(wǎng)絡(luò)的合作狀態(tài)出現(xiàn)得更早、更平穩(wěn)。

對(duì)等網(wǎng)絡(luò);標(biāo)兵節(jié)點(diǎn);拓?fù)渲貥?gòu);引導(dǎo)型;P2P

1 引言

對(duì)等網(wǎng)絡(luò)由于自組織、低部署維護(hù)成本［1］，網(wǎng)絡(luò)中的節(jié)點(diǎn)行為自由，屬性自私。對(duì)等節(jié)點(diǎn)參與網(wǎng)絡(luò)活動(dòng)時(shí)，注重個(gè)體利益忽略集體利益，如文件共享系統(tǒng)中的“free riding”現(xiàn)象。P2P網(wǎng)絡(luò)是一種分布式的動(dòng)態(tài)網(wǎng)絡(luò)，隨著各對(duì)等節(jié)點(diǎn)的動(dòng)態(tài)加入與退出，整個(gè)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)始終處于動(dòng)態(tài)變化中［2］。

存在自私節(jié)點(diǎn)的對(duì)等網(wǎng)絡(luò)隨著時(shí)間的流逝，拓?fù)浣Y(jié)構(gòu)會(huì)逐漸出現(xiàn)分化現(xiàn)象，網(wǎng)絡(luò)性能越來(lái)越差，最后整個(gè)網(wǎng)絡(luò)趨于癱瘓。如何改變網(wǎng)絡(luò)節(jié)點(diǎn)的屬性，鼓勵(lì)節(jié)點(diǎn)積極參與網(wǎng)絡(luò)活動(dòng)?SLAC(selfish link-based adaptation for cooperation，基于自私連接的自適應(yīng)合作)算法通過(guò)每周期完全重構(gòu)連接自適應(yīng)地產(chǎn)生合作網(wǎng)絡(luò)，但容易在合作網(wǎng)絡(luò)中產(chǎn)生“部落”現(xiàn)象［3］。SLACER 算法中，節(jié)點(diǎn)通過(guò)參與 PD(prisoner's dilemma，囚徒困境)游戲獲取收益值，算法根據(jù)節(jié)點(diǎn)收益值進(jìn)行有保留的隨機(jī)型拓?fù)渲貥?gòu)，進(jìn)而自適應(yīng)地產(chǎn)生合作網(wǎng)絡(luò)［4，5］。為了激勵(lì)節(jié)點(diǎn)之間的協(xié)作，建立一種基于重復(fù)博弈理論和懲戒機(jī)制的P2P網(wǎng)絡(luò)信譽(yù)模型［6］，模擬仿真證實(shí)，該模型在促進(jìn)節(jié)點(diǎn)間協(xié)作方面是有效的。參考文獻(xiàn)［7，8］基于進(jìn)化博弈理論，評(píng)估了P2P文件共享系統(tǒng)在異構(gòu)環(huán)境下的性能，討論了自私節(jié)點(diǎn)的不作為行為，仿真結(jié)果證實(shí)，文件共享系統(tǒng)使用頻率較低的文件的消失與自私節(jié)點(diǎn)的不作為有關(guān)系，異構(gòu)環(huán)境有利于文件的可用性和系統(tǒng)的穩(wěn)固性?；诓┺恼摰膶?duì)等網(wǎng)絡(luò)節(jié)點(diǎn)自私性研究［9］中，提出了基于混合策略Bayes博弈的P2P文件共享機(jī)制，該機(jī)制可有效地抑制自私節(jié)點(diǎn)的行為，并使其更好地為其他節(jié)點(diǎn)提供服務(wù)。量化分析節(jié)點(diǎn)行為，提出共享型P2P節(jié)點(diǎn)策略(share strategy)［10］，在隨機(jī) 博弈矩陣的基礎(chǔ)上，調(diào)整參數(shù)引導(dǎo)P2P網(wǎng)絡(luò)向動(dòng)態(tài)平衡的方向演化。

SLACER算法初始化所有節(jié)點(diǎn)為不合作節(jié)點(diǎn)，忽略了合作節(jié)點(diǎn)的引導(dǎo)作用;拓?fù)渲貥?gòu)是隨機(jī)的，網(wǎng)絡(luò)中高水平合作狀態(tài)出現(xiàn)較慢;且缺少對(duì)不合作節(jié)點(diǎn)的激勵(lì)措施。針對(duì)這些不足，本文提出了G-SLACER算法。首先，初始化部分節(jié)點(diǎn)為合作節(jié)點(diǎn)，充當(dāng)標(biāo)兵，起引導(dǎo)作用，引導(dǎo)不合作節(jié)點(diǎn)轉(zhuǎn)化成合作節(jié)點(diǎn)，初始時(shí)網(wǎng)絡(luò)中的合作節(jié)點(diǎn)稱(chēng)為標(biāo)兵節(jié)點(diǎn);其次，在拓?fù)渲貥?gòu)過(guò)程中，新增一條到收益最高節(jié)點(diǎn)的引導(dǎo)型連接;再次，為了激勵(lì)節(jié)點(diǎn)之間的協(xié)作，加大對(duì)不合作節(jié)點(diǎn)的獎(jiǎng)勵(lì)。

2 拓?fù)渲貥?gòu)算法描述

SLACER算法是一種隨機(jī)進(jìn)化算法，主要分為PD游戲過(guò)程和隨機(jī)型拓?fù)渲貥?gòu)過(guò)程兩個(gè)階段。PD游戲中參與雙方有4種策略，每種策略對(duì)應(yīng)不同的收益值。為了方便后面的討論，簡(jiǎn)單介紹一下SLACER算法中的一些參數(shù)。

· 節(jié)點(diǎn)策略:對(duì)等網(wǎng)絡(luò)中的節(jié)點(diǎn)策略集S=｛合作，不合作｝。

·PD游戲收益矩陣:博弈雙方在游戲時(shí)采取不同的策略，獲取不同的收益值。任意 2個(gè)對(duì)等節(jié)點(diǎn)之間博弈的收益矩陣見(jiàn)表 1。

表1 博弈收益矩陣

· 合作節(jié)點(diǎn)比例:網(wǎng)絡(luò)中合作節(jié)點(diǎn)數(shù)目與網(wǎng)絡(luò)總節(jié)點(diǎn)數(shù)目的比值。

· CC(clustering coefficient，集聚系數(shù)):節(jié)點(diǎn) i的鄰居節(jié)點(diǎn)之間實(shí)際的連接數(shù)與所有可能的連接數(shù)的比例。多個(gè)節(jié)點(diǎn)集聚系數(shù)的平均值稱(chēng)為平均集聚系數(shù)。

· 節(jié)點(diǎn)收益值:節(jié)點(diǎn)通過(guò)參加PD游戲獲得的獎(jiǎng)勵(lì)值。

·合作連接路徑(CCP):連通路徑上的連接節(jié)點(diǎn)對(duì)數(shù)與網(wǎng)絡(luò)中總節(jié)點(diǎn)對(duì)數(shù)的比值。連接節(jié)點(diǎn)對(duì)由信息傳輸路徑上的源節(jié)點(diǎn)和目的節(jié)點(diǎn)組成。

3 引導(dǎo)型拓?fù)渲貥?gòu)算法描述

學(xué)習(xí)中有學(xué)習(xí)標(biāo)兵，生活中有勞動(dòng)模范，工作中有企業(yè)精英，這些都是本領(lǐng)域的突出角色，具有標(biāo)榜引導(dǎo)作用。SLACER算法初始化網(wǎng)絡(luò)中的所有節(jié)點(diǎn)為不合作節(jié)點(diǎn)，忽視了合作節(jié)點(diǎn)的引導(dǎo)作用，雖然最后網(wǎng)絡(luò)中也出現(xiàn)了高水平的合作狀態(tài)，但高水平合作狀態(tài)出現(xiàn)的時(shí)延較大。

3.1 初始化標(biāo)兵節(jié)點(diǎn)

本文先采用SLACER算法，初始化對(duì)等網(wǎng)絡(luò)中一部分節(jié)點(diǎn)為標(biāo)兵節(jié)點(diǎn)。仿真中分別初始化2 000個(gè)總節(jié)點(diǎn)的0、10%、20%、30%、40%為標(biāo)兵節(jié)點(diǎn)，實(shí)驗(yàn)運(yùn)行 100次，計(jì)算100個(gè)周期中網(wǎng)絡(luò)合作節(jié)點(diǎn)比例變化平均值，結(jié)果如圖1所示。

從圖1可以看出，當(dāng)網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例達(dá)到90%時(shí)，初始化標(biāo)兵節(jié)點(diǎn)比例為網(wǎng)絡(luò)總數(shù)的0、10%、20%、30%、40%的模擬實(shí)驗(yàn)，分別要到 90、70、60、50、60 個(gè)周期才能滿足要求。因此，當(dāng)初始化網(wǎng)絡(luò)中標(biāo)兵節(jié)點(diǎn)為網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù)的30%時(shí)，標(biāo)兵節(jié)點(diǎn)引導(dǎo)作用最強(qiáng)。

3.2 G-SLACER算法描述

G-SLACER算法在SLACER算法的基礎(chǔ)上引入了標(biāo)兵節(jié)點(diǎn)，改進(jìn)隨機(jī)型拓?fù)渲貥?gòu)過(guò)程為引導(dǎo)型拓?fù)渲貥?gòu)過(guò)程。下面簡(jiǎn)單描述一下G-SLACER算法的執(zhí)行過(guò)程。

(1)初始化網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù)的30%為標(biāo)兵節(jié)點(diǎn)，模擬周期數(shù) N=0。

(2)節(jié)點(diǎn)i從自己的鄰居節(jié)點(diǎn)中隨機(jī)選擇一個(gè)節(jié)點(diǎn)進(jìn)行PD游戲;如果節(jié)點(diǎn)i不存在鄰居節(jié)點(diǎn)，則從網(wǎng)絡(luò)中隨機(jī)選擇一個(gè)節(jié)點(diǎn)進(jìn)行PD游戲。

(3)游戲結(jié)束，兩個(gè)節(jié)點(diǎn)分別獲取本次游戲的收益值。

(4)多次執(zhí)行步驟(2)、步驟(3)，獲得節(jié)點(diǎn)i的平均收益(執(zhí)行次數(shù)與當(dāng)前節(jié)點(diǎn)的度數(shù)有關(guān))。

(5)節(jié)點(diǎn)i進(jìn)入引導(dǎo)型拓?fù)渲貥?gòu)過(guò)程。

(6)N++;如果 N＜100，跳轉(zhuǎn)至步驟(2);如果 N=100，跳轉(zhuǎn)至步驟(7)。

(7)結(jié)束。

G-SLACER算法的引導(dǎo)型拓?fù)渲貥?gòu)過(guò)程在SLACER算法的隨機(jī)型拓?fù)渲貥?gòu)過(guò)程基礎(chǔ)上進(jìn)行了4個(gè)方面的改進(jìn)，兩種算法拓?fù)渲貥?gòu)過(guò)程的比較見(jiàn)表2。其中，Lneighbors代表當(dāng)前節(jié)點(diǎn)到鄰居節(jié)點(diǎn)的連接，Nmax代表收益值最大的節(jié)點(diǎn)，Nrand代表隨機(jī)選擇一個(gè)有收益值的節(jié)點(diǎn)，Vj代表節(jié)點(diǎn)j的平均收益值，假定本次模擬中節(jié)點(diǎn)i的收益小于節(jié)點(diǎn)j。

下面是G-SLACER算法中引導(dǎo)型拓?fù)渲貥?gòu)過(guò)程實(shí)現(xiàn)的一段偽代碼。

其中，Ui代表節(jié)點(diǎn) i的收益值，Uj代表節(jié)點(diǎn)j的收益值，Lnew代表當(dāng)前節(jié)點(diǎn)新學(xué)習(xí)到的連接。

4 仿真結(jié)果及分析

4.1 仿真參數(shù)配置

PeerSim［11，12］是基于 Java 的 P2P 網(wǎng)絡(luò)仿真工具。本文模擬仿真采用 PeerSim中的Cycle-based模式［13］，具體參數(shù)設(shè)置如下:網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)為2 000，模擬周期數(shù)N=100，重連概率W=0.9，策略改變概率M=0.001，連接改變概率MR=0.01，PD 游戲收益值 T=1.9，R=1，P=0，S=0。

仿真中設(shè)置3個(gè)控制器，控制器control.0監(jiān)測(cè)網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例、節(jié)點(diǎn)平均集聚系數(shù)、節(jié)點(diǎn)平均收益以及合作節(jié)點(diǎn)收益的變化趨勢(shì);控制器control.1監(jiān)測(cè)合作連通路徑的變化趨勢(shì)，每周期記錄一次數(shù)據(jù);控制器control.2監(jiān)測(cè)網(wǎng)絡(luò)節(jié)點(diǎn)平均度數(shù)的變化趨勢(shì)，每周期記錄一次數(shù)據(jù)。

4.2 仿真結(jié)果及分析

基于Bayes均衡博弈算法以及share strategy算法中網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù)、博弈收益值、模擬周期數(shù)的配置與上述具體參數(shù)保持一致，參數(shù)配置完成，運(yùn)行仿真軟件，分析3個(gè)控制器的輸出結(jié)果。

SLACER算法、G-SLACER算法、基于Bayes均衡博弈算法以及share strategy算法中合作節(jié)點(diǎn)比例對(duì)比如圖2所示?；贐ayes算法、share strategy算法分別設(shè)置網(wǎng)絡(luò)中標(biāo)兵節(jié)點(diǎn)比例為70%和15%，運(yùn)行100個(gè)周期，網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例分別達(dá)75%和80%;SLACER算法初始化網(wǎng)絡(luò)節(jié)點(diǎn)全部為不合作節(jié)點(diǎn)，算法在第90個(gè)周期左右，網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例為90%;G-SLACER算法初始化網(wǎng)絡(luò)中30%的節(jié)點(diǎn)為標(biāo)兵節(jié)點(diǎn)，算法在第50個(gè)周期，網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例為90%。算法執(zhí)行100個(gè)周期，SLACER算法可以達(dá)到合作節(jié)點(diǎn)比例為98%的高水平合作網(wǎng)絡(luò)，而G-SLACER算法在70個(gè)周期左右就可以達(dá)到合作節(jié)點(diǎn)比例為98%的高水平合作網(wǎng)絡(luò)，且G-SLACER算法中合作節(jié)點(diǎn)比例的上升速度明顯高于其他兩種算法。G-SLACER算法在前10個(gè)周期，網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例出現(xiàn)下滑趨勢(shì)。在算法初期，合作節(jié)點(diǎn)處于非合作節(jié)點(diǎn)的包圍中，合作節(jié)點(diǎn)的優(yōu)勢(shì)還沒(méi)顯現(xiàn)出來(lái)，整個(gè)網(wǎng)絡(luò)中的節(jié)點(diǎn)信心不足，導(dǎo)致合作節(jié)點(diǎn)比例出現(xiàn)下滑，度過(guò)初期后，網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例急速上升。G-SLACER算法的優(yōu)勢(shì)主要?dú)w因于算法在拓?fù)渲貥?gòu)過(guò)程中引導(dǎo)型鏈接的選取。

表2 兩種算法拓?fù)渲貥?gòu)過(guò)程的比較

圖2 4種算法合作節(jié)點(diǎn)比例對(duì)比

圖3 SLACER算法和G-SLACER算法平均集聚系數(shù)對(duì)比

SLACER算法和G-SLACER算法的平均集聚系數(shù)對(duì)比如圖3所示。SLACER算法的平均集聚系數(shù)保持在0.45左右，而G-SLACER算法的平均集聚系數(shù)保持在0.5左右。G-SLACER算法使得節(jié)點(diǎn)的鄰居節(jié)點(diǎn)之間的連接更加緊密，增強(qiáng)了網(wǎng)絡(luò)的穩(wěn)定性。

SLACER算法和G-SLACER算法的節(jié)點(diǎn)平均收益和合作節(jié)點(diǎn)收益對(duì)比如圖4、圖5所示。SLACER算法的節(jié)點(diǎn)平均收益在80個(gè)周期后分布在1附近，G-SLACER算法的節(jié)點(diǎn)平均收益在40個(gè)周期后分布在1.4以上。G-SLACER算法受獎(jiǎng)懲機(jī)制的啟發(fā)，加大了對(duì)收益較差節(jié)點(diǎn)的獎(jiǎng)勵(lì)，鼓勵(lì)這些節(jié)點(diǎn)不斷學(xué)習(xí)以增加網(wǎng)絡(luò)整體收益;SLACER算法中合作節(jié)點(diǎn)收益在70個(gè)周期后分布在0.9左右，G-SLACER算法中合作節(jié)點(diǎn)收益在40個(gè)周期后分布在1.3左右。對(duì)比圖4和圖5，發(fā)現(xiàn)兩種算法的節(jié)點(diǎn)平均收益與合作節(jié)點(diǎn)收益的變化趨勢(shì)在整個(gè)模擬過(guò)程中大體保持一致。

圖4 SLACER算法和G-SLACER算法節(jié)點(diǎn)平均收益對(duì)比

圖5 SLACER算法和G-SLACER算法合作節(jié)點(diǎn)收益對(duì)比

圖6 SLACER算法和G-SLACER算法CCP對(duì)比

圖6是兩種算法的合作連接路徑對(duì)比。兩種算法的CCP值均收斂于1，前30個(gè)周期SLACER算法的CCP值波動(dòng)較大，G-SLACER算法則波動(dòng)較小。從圖5可以看出，前10個(gè)周期，兩種算法的CCP值均呈下滑趨勢(shì)，主要因?yàn)榇藭r(shí)網(wǎng)絡(luò)處于合作初期，節(jié)點(diǎn)之間波動(dòng)較大?？傮w來(lái)說(shuō)，兩種算法都保持著穩(wěn)定的CCP值，確保了網(wǎng)絡(luò)節(jié)點(diǎn)間路徑的連通性。高合作性網(wǎng)絡(luò)中可以存在不合作節(jié)點(diǎn)，只要不合作節(jié)點(diǎn)所在位置不影響連接路徑上其他節(jié)點(diǎn)的消息傳遞過(guò)程，CCP值就可以無(wú)限接近于1。

圖7是4種算法的節(jié)點(diǎn)平均度數(shù)對(duì)比?；贐ayes博弈網(wǎng)絡(luò)算法和share strategy算法考慮到P2P網(wǎng)絡(luò)存在“Small World”現(xiàn)象，節(jié)點(diǎn)度數(shù)分別設(shè)置為 3和7，且算法運(yùn)行過(guò)程中，節(jié)點(diǎn)的度數(shù)均保持不變。另外兩種算法中，網(wǎng)絡(luò)中節(jié)點(diǎn)度的最大值設(shè)置為20，SLACER算法的節(jié)點(diǎn)平均度數(shù)為 13，G-SLACER算法的節(jié)點(diǎn)平均度數(shù)為14，度數(shù)增加1。G-SLACER算法中的引導(dǎo)型拓?fù)渲貥?gòu)過(guò)程比SLACER算法多連接了一個(gè)具有高收益的節(jié)點(diǎn)，因此節(jié)點(diǎn)平均度數(shù)增加了1。度數(shù)增多，有利于節(jié)點(diǎn)之間的交流，促進(jìn)節(jié)點(diǎn)相互學(xué)習(xí)。產(chǎn)生合作網(wǎng)絡(luò)初期，由G-SLACER與SLACER算法所構(gòu)成的網(wǎng)絡(luò)中節(jié)點(diǎn)的度數(shù)不穩(wěn)定，主要?dú)w因于此時(shí)網(wǎng)絡(luò)動(dòng)蕩較大，節(jié)點(diǎn)屬性不穩(wěn)定。初期過(guò)后，兩種算法所形成的網(wǎng)絡(luò)中節(jié)點(diǎn)度數(shù)趨于穩(wěn)態(tài)。

圖7 4種算法下節(jié)點(diǎn)平均度數(shù)變化情況

4.3 算法通用性

G-SLACER算法明顯促進(jìn)了網(wǎng)絡(luò)高水平合作狀態(tài)的出現(xiàn)，改善了網(wǎng)絡(luò)性能參數(shù)，第4.2節(jié)的仿真是在2 000個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)上模擬的，為了驗(yàn)證G-SLACER算法的通用性，分別在大小為4 000、8 000、16 000個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)上仿真標(biāo)兵節(jié)點(diǎn)為30%時(shí)，網(wǎng)絡(luò)中合作節(jié)點(diǎn)比例的變化趨勢(shì)，結(jié)果如圖8所示。

圖8 G-SLACER算法在不同規(guī)模的網(wǎng)絡(luò)下合作節(jié)點(diǎn)比例變化趨勢(shì)

由圖8可以看出，雖然在構(gòu)建合作網(wǎng)絡(luò)的初期，由于網(wǎng)絡(luò)節(jié)點(diǎn)間信任匱乏，而出現(xiàn)了短暫的合作節(jié)點(diǎn)比例下滑的情況，但不論網(wǎng)絡(luò)規(guī)模多大，模擬實(shí)驗(yàn)中合作節(jié)點(diǎn)比例的變化趨勢(shì)幾乎是一致的。因此得出結(jié)論:G-SLACER算法適用于任意大小的網(wǎng)絡(luò)，通用性良好。

5 結(jié)束語(yǔ)

本文提出了一種引導(dǎo)型G-SLACER算法，引入標(biāo)兵節(jié)點(diǎn)，優(yōu)化拓?fù)渲貥?gòu)過(guò)程，同時(shí)加大對(duì)收益較低節(jié)點(diǎn)的獎(jiǎng)勵(lì)。仿真結(jié)果表明，G-SLACER算法促進(jìn)了網(wǎng)絡(luò)節(jié)點(diǎn)之間的協(xié)作，增強(qiáng)了網(wǎng)絡(luò)連通性和穩(wěn)定性。選取引導(dǎo)型連接時(shí)，僅考慮了收益最高的節(jié)點(diǎn)，下一步研究工作可從選取多樣化引導(dǎo)型連接入手，以達(dá)到快速形成高水平合作網(wǎng)絡(luò)的目的。

［1］張春紅，裘曉峰，弭偉，等.P2P技術(shù)全面解析［M］.北京:人民郵電出版社，2010:101-135.ZHANG C H，QIU X F，MI W，et al.Comprehensive Analysis of P2P Technology［M］.Beijing:Posts&Telecom Press，2010:101-135.

［2］管磊.P2P 技術(shù)揭秘［M］.北京:清華大學(xué)出社，2011:108-136.GUAN L.Reveal of P2P Technology ［M］.Beijing:Tsinghua University Press，2011:108-136.

［3］MARCOZZIA，HALESD，JESIG P，etal.Tag-based cooperation in peer-to-peer networks with newscast:technical Report UBLCS-2005-15:2015 ［S/OL］.［2015-11-20］.http://www.docin.com/p-875589728.html.

［4］HALES D，ARTECONI S.Friends for free:self-organizing artificial social networks for trust and cooperation:technical ReportUBLCS-2005-20:2005 ［S/OL］.［2015-11-20］.http://www.docin.com/p-972645743.html.

［5］HALES D，ARTECONI S.SLACER:a self-organizing protocol for coordination in peer-to-peer networks［J］.IEEE Intelligent Systems，2006，21(2):29-35.

［6］孟憲福，王動(dòng).基于重復(fù)博弈和懲戒機(jī)制的P2P協(xié)作激勵(lì)信譽(yù)模型 ［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2010，22(5):886-893.MENG X F，WANG D.Collaboration incenting reputation model based on repeated game theory and punishment mechanism in P2P networks［J］.Journal of Computer-Aided Design&Computer Graphics，2010，22(5):886-893.

［7］MATSUDA Y，SASABE M，TAKINE T.Evolutionary game theory-based evaluation of P2P file-sharing systems in heterogeneous environments［J］.International Journal of Digital Multimedia Broadcasting，2010(1):1-13.

［8］SASABE M，WAKAMIYA N，MURATA M.User selfishness vs file availability in P2P file-sharing systems:evolutionary game theoretic approach［J］.Peer-to-Peer Networking and Applications，2010，3(1):17-26.

［9］姚霖.基于博弈論的對(duì)等網(wǎng)絡(luò)節(jié)點(diǎn)自私性研究 ［D］.濟(jì)南:山東大學(xué)，2012:22-32.YAO L.The study on selfishness of nodes in P2P networks based on game theory ［D］. Jinan:Shandong University，2012:22-32.

［10］王楊，王汝傳，徐小龍，等.資源共享P2P網(wǎng)絡(luò)的進(jìn)化博弈激勵(lì)模型［J］. 計(jì)算機(jī)工程，2011，37(11):19-21.WANG Y，WANG R C，XU X L，et al.Evolutionary game incentive model for resource sharing P2P network［J］.Computer Engineering，2011，37(11):19-21.

［11］PeerSim 中文教程 ［EB/OL］. ［2015-11-20］.http://wenku.baidu.com/view/83b35f104431b90d6c85c7ae.html.PeerSim Chinese course ［EB/OL］. ［2015-11-20］.http://wenku.baidu.com/view/83b35f104431b90d6c85c7ae.html.

［12］PeerSim overview ［EB/OL］. ［2015-11-20］.http://peersim.sourceforge.net/doc/index.html.

［13］JESI G P.PeerSim HOWTO:build a new protocol for the PeerSim 1.0 simulator ［EB/OL］.［2015-11-20］.http://peersim.sourceforge.net/tutorial1/tutorial1.html.

Guided evolutionary game algorithm of unstructured P2P network

ZHU Guohui，LU Chunlan，ZHANG Rui
School of Telecommunication and Information Engineering，Xi'an University of Posts&Telecommunications，Xi'an 710061，China

In order to promote the cooperation among the nodes which exist in dynamic and open peer-to-peer network，G-SLACER algorithm was provided by introducing pacesetter nodes.30%of network nodes were initialized to pacesetter nodes.In the process of topology reconstruction，a guided link to the most advantage node was added.To encourage studies between nodes，the payoff of the whole network was increased.The experimental results show that the G-SLACER algorithm has good generality for different sizes of networks，and it enhances the stability of CCP.Compared with other evolutionary game algorithms，cooperation state of P2P network formed by G-SLACER algorithm appears earlier and more stable.

peer-to-peer network，pacesetter node，topology reconstruction，guided，P2P

Education Department Foundation of Shaanxi Province(No.07JK377)

TP393

A

10.11959/j.issn.1000-0801.2016009

2015-07-22;

2015-12-15

陜西省教育廳科技計(jì)劃基金資助項(xiàng)目(No.07JK377)

朱國(guó)暉(1969-)，男，西安郵電大學(xué)副教授、碩士生導(dǎo)師，主要研究方向?yàn)閷?duì)等網(wǎng)絡(luò)、移動(dòng)互聯(lián)網(wǎng)、復(fù)雜網(wǎng)絡(luò)路由算法等。

魯春蘭(1989-)，女，西安郵電大學(xué)碩士生，主要研究方向?yàn)閷?duì)等網(wǎng)絡(luò)、復(fù)雜網(wǎng)絡(luò)路由算法。

張瑞(1990-)，男，西安郵電大學(xué)碩士生，主要研究方向?yàn)閷?duì)等網(wǎng)絡(luò)路由算法。