首页 数据库 mysql教程 P2P技术体系结构与分类

P2P技术体系结构与分类

Jun 07, 2016 pm 03:39 PM
p2p 体系结构 分类 存在 技术 结构

P2P 技术存在三种结构模式的体系结构,即以 Napster 为代表的集中目录式结构、以 Gnutella 为代表的纯 P2P 网络结构和混合式 P2P 网络结构。从 P2P 技术的分代来说,到目前为止的 P2P 技术可分为四代:第一代 P2P( 中央控制网络体系结构 ) ,第二代 P2P( 分

 

P2P 技术存在三种结构模式的体系结构,即以Napster 为代表的集中目录式结构、以Gnutella 为代表的纯P2P 网络结构和混合式P2P 网络结构。从 P2P 技术的分代来说,到目前为止的P2P 技术可分为四代:第一代P2P( 中央控制网络体系结构) ,第二代P2P( 分散分布网络体系结构) ,第三代 P2P( 混合网络体系结构) ,第四代P2P( 目前发展中P2P 技术)

  1 、第一代P2P( 中央控制网络体系结构—— 集中目录式结构)

  集中目录式结构采用中央服务器管理P2P 各节点,P2P 节点向中央目录服务器 注册关于自身的信息( 名称、地址、资源和元数据) ,但所有内容存贮在各个节点中而非并服务器上,查询节点根据目录服务器中信息的查询以及网络流量和延迟等 信息来选择与定位其它对等点并直接建立连接,而不必经过中央目录服务器进行。集中目录式结构的优点是提高了网络的可管理性,使得对共享资源的查找和更新非 常方便; 缺点是网络的稳定性( 服务器失效则该服务器下的对等节点全部失效)

  2 、第二代P2P( 分散分布网络体系结构——P2P 网络结构)

  纯P2P 网络结构也被称作广播式的P2P 模型,它没有集中的中央目录服务器, 每个用户随机接入网络,并与自己相邻的一组邻居节点通过端到端连接构成一个逻辑覆盖的网络。对等节点之间的内容查询和内容共享都是直接通过相邻节点广播接 力传递,同时每个节点还会记录搜索轨迹,以防止搜索环路的产生。纯P2P 网络结构解决了网络结构中心化的问题,扩展性和容错性较好。由于没有一个对等节点 知道整个网络的结构,网络中的搜索算法以泛洪的方式进行,控制信息的泛滥消耗了大量带宽并很快造成网络拥塞甚至网络的不稳定,从而导致整个网络的可用性较 差,另外这类系统更容易受到垃圾信息,甚至是病毒的恶意攻击。

  3 、第三代P2P( 混合网络体系结构—— 混合式网络结构)

  混合式网络结构综合了纯P2P 去中心化和集中式P2P 快速查找的优势。按节点 能力不同( 计算能力、内存大小、连接带宽、网络滞留时间等) 区分为普通节点和搜索节点两类。搜索节点与其临近的若干普通节点之间构成一个自治的簇,簇内采 用基于集中目录式的P2P 模式,而整个P2P 网络中各个不同的簇之间再通过纯 P2P 的模式将搜索节点相连起来。可以在各个搜索节点之间再次选取性能最优的节点,或者另外引入一新的性能最优的节点作为索引节点来保存整个网络中可以利 用的搜索节点信息,并且负责维护整个网络的结构。由于普通节点的文件搜索先在本地所属的簇内进行,只有查询结果不充分的时候,再通过搜索节点之间进行有限 的泛洪。这样就极为有效地消除纯P2P 结构中使用泛洪算法带来的网络拥塞、搜索迟缓等不利影响。同时,由于每个簇中的搜索节点监控着所有普通节点的行为, 能确保一些恶意的攻击行为能在网络局部得到控制,在一定程度上提高整个网络的负载平衡。

  4 、第四代P2P( 发展中的P2P 技术)

  应该说第四代P2P 并没有形成真正的代,而是在原有技术的基础上作了改进,提出和应用了一些新技术措施。典型的有:

  (1) 动态口选择之一。目前的P2P 应用一般使用固定的端口,但是一些公司已 经开始引入协议可以动态选择传输口,一般说口的数目在1024~4000 之间。甚至P2P 流可以用原来用于HTTP(SMTP) 的口80(25) 来传输以 便隐藏。这将使得识别跨运营商网络的P2P 流,掌握其流量变得更困难。

  (2) 双向下载。eDBT 等公司进一步发展引入双向流下载。该项技术可以多路并行下载和上载一个文件和/ 或多路并行下载一个文件的一部分。而目前传统的体系结构要求目标在完全下载后才能开始上载。这将大大加快文件分发速度。

  (3) 智能结点弹性重叠网络。智能结点弹性重叠网络是系统应用P2P 技术来调度已有的IP 承载网资源的新技术,在路由器网络层上设置智能结点用各种链路对等连接,构成网络应用层的弹性重叠网。可以在保持互联网分布自治体系结构前提下、改善网络的安全性、QoS 和管理性。智能结点可以在路由器之间交换数 据,能够对数据分类( 分辩病毒、垃圾邮件) 保证安全。通过多个几何上分布的结点观察互联网,共享信息可以了解互联网蠕虫感染范围和性质。提供高性能、可扩 张、位置无关消息选路,以确定最近的本地资源位置。改进内容分发。使用智能结点探测互联网路径踪迹并且送回关于踪迹的数据; 解决目前互联网跨自治区路径选 择方面存在的问题。实现QoS 选路, 减少丢包和时延,快速自动恢复等。

 

本站声明
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

热AI工具

Undresser.AI Undress

Undresser.AI Undress

人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover

AI Clothes Remover

用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool

Undress AI Tool

免费脱衣服图片

Clothoff.io

Clothoff.io

AI脱衣机

Video Face Swap

Video Face Swap

使用我们完全免费的人工智能换脸工具轻松在任何视频中换脸!

热工具

记事本++7.3.1

记事本++7.3.1

好用且免费的代码编辑器

SublimeText3汉化版

SublimeText3汉化版

中文版,非常好用

禅工作室 13.0.1

禅工作室 13.0.1

功能强大的PHP集成开发环境

Dreamweaver CS6

Dreamweaver CS6

视觉化网页开发工具

SublimeText3 Mac版

SublimeText3 Mac版

神级代码编辑软件(SublimeText3)

Stable Diffusion 3论文终于发布,架构细节大揭秘,对复现Sora有帮助? Stable Diffusion 3论文终于发布,架构细节大揭秘,对复现Sora有帮助? Mar 06, 2024 pm 05:34 PM

StableDiffusion3的论文终于来了!这个模型于两周前发布,采用了与Sora相同的DiT(DiffusionTransformer)架构,一经发布就引起了不小的轰动。与之前版本相比,StableDiffusion3生成的图质量有了显着提升,现在支持多主题提示,并且文字书写效果也得到了改善,不再出现乱码情况。 StabilityAI指出,StableDiffusion3是一个系列模型,其参数量从800M到8B不等。这一参数范围意味着该模型可以在许多便携设备上直接运行,从而显着降低了使用AI

自动驾驶与轨迹预测看这一篇就够了! 自动驾驶与轨迹预测看这一篇就够了! Feb 28, 2024 pm 07:20 PM

轨迹预测在自动驾驶中承担着重要的角色,自动驾驶轨迹预测是指通过分析车辆行驶过程中的各种数据,预测车辆未来的行驶轨迹。作为自动驾驶的核心模块,轨迹预测的质量对于下游的规划控制至关重要。轨迹预测任务技术栈丰富,需要熟悉自动驾驶动/静态感知、高精地图、车道线、神经网络架构(CNN&GNN&Transformer)技能等,入门难度很大!很多粉丝期望能够尽快上手轨迹预测,少踩坑,今天就为大家盘点下轨迹预测常见的一些问题和入门学习方法!入门相关知识1.预习的论文有没有切入顺序?A:先看survey,p

解析JSP注释的使用方法和分类 解析JSP注释的使用方法和分类 Feb 01, 2024 am 08:01 AM

JSP注释的分类及用法解析JSP注释分为两种:单行注释:以结尾,只能注释单行代码。多行注释:以/*开头,以*/结尾,可以注释多行代码。单行注释示例多行注释示例/**这是一段多行注释*可以注释多行代码*/JSP注释的用法JSP注释可以用来注释JSP代码,使其更易于阅

DualBEV:大幅超越BEVFormer、BEVDet4D,开卷! DualBEV:大幅超越BEVFormer、BEVDet4D,开卷! Mar 21, 2024 pm 05:21 PM

这篇论文探讨了在自动驾驶中,从不同视角(如透视图和鸟瞰图)准确检测物体的问题,特别是如何有效地从透视图(PV)到鸟瞰图(BEV)空间转换特征,这一转换是通过视觉转换(VT)模块实施的。现有的方法大致分为两种策略:2D到3D和3D到2D转换。2D到3D的方法通过预测深度概率来提升密集的2D特征,但深度预测的固有不确定性,尤其是在远处区域,可能会引入不准确性。而3D到2D的方法通常使用3D查询来采样2D特征,并通过Transformer学习3D和2D特征之间对应关系的注意力权重,这增加了计算和部署的

综述!深度模型融合(LLM/基础模型/联邦学习/微调等) 综述!深度模型融合(LLM/基础模型/联邦学习/微调等) Apr 18, 2024 pm 09:43 PM

23年9月国防科大、京东和北理工的论文“DeepModelFusion:ASurvey”。深度模型融合/合并是一种新兴技术,它将多个深度学习模型的参数或预测合并为一个模型。它结合了不同模型的能力来弥补单个模型的偏差和错误,以获得更好的性能。而大规模深度学习模型(例如LLM和基础模型)上的深度模型融合面临着一些挑战,包括高计算成本、高维参数空间、不同异构模型之间的干扰等。本文将现有的深度模型融合方法分为四类:(1)“模式连接”,通过一条损失减少的路径将权重空间中的解连接起来,以获得更好的模型融合初

不止3D高斯!最新综述一览最先进的3D重建技术 不止3D高斯!最新综述一览最先进的3D重建技术 Jun 02, 2024 pm 06:57 PM

写在前面&笔者的个人理解基于图像的3D重建是一项具有挑战性的任务,涉及从一组输入图像推断目标或场景的3D形状。基于学习的方法因其直接估计3D形状的能力而受到关注。这篇综述论文的重点是最先进的3D重建技术,包括生成新颖的、看不见的视图。概述了高斯飞溅方法的最新发展,包括输入类型、模型结构、输出表示和训练策略。还讨论了尚未解决的挑战和未来的方向。鉴于该领域的快速进展以及增强3D重建方法的众多机会,对算法进行全面检查似乎至关重要。因此,本研究对高斯散射的最新进展进行了全面的概述。(大拇指往上滑

lambda 表达式的语法和结构有什么特点? lambda 表达式的语法和结构有什么特点? Apr 25, 2024 pm 01:12 PM

Lambda表达式是无名称的匿名函数,其语法为:(parameter_list)->expression。它们具有匿名性、多样性、柯里化和闭包等特点。实际应用中,Lambda表达式可用于简洁地定义函数,如求和函数sum_lambda=lambdax,y:x+y,并通过map()函数应用于列表来进行求和操作。

Linux系统日志文件分类详解 Linux系统日志文件分类详解 Feb 26, 2024 pm 02:33 PM

Linux系统日志文件是记录系统运行过程中产生的各种信息的重要文件,通过分析日志文件,可以帮助我们了解系统的运行状态、故障排查和性能优化。本文将深入探讨Linux系统日志文件的分类及其作用,同时结合具体的代码示例,帮助读者更好地理解。一、Linux系统日志文件分类1.系统日志系统日志是记录系统启动、关闭、用户登录、关机等重要事件的日志文件。在Linux系统

See all articles