امروز سه شنبه ، ۱۴۰۱/۰۳/۰۳
بدان

2 مدل سازی DHT مسیریابی: | 2 Modeling DHT Routing:

2 مدل سازی DHT مسیریابی:

تعریف مدل ها و معیارها برای توصیف عملکرد معماری های مختلف مسیریابی DHT کار ساده ای نیست.

برنامه ای که از سرویس جستجوی DHT استفاده می کند بیشتر به تأخیر جستجو و نسبت جستجوی موفقیت آمیز علاقه مند است.

کاربری که پیاده سازی DHT را اجرا می کند نیز ممکن است به دلیل استفاده از منابع (CPU ، حافظه ، فضای ذخیره سازی ، پهنای باند و غیره ...) باشد ، در حالی که یک اپراتور شبکه فقط به ترافیک کلی (جستجو + کنترل) تولید شده در شبکه علاقه مند است.

از آنجا که اکثر اینها اهداف متناقضی را توصیف می کنند ، مقایسه فقط درصورت معناست که معیارهای عملکرد متناقض با توصیف مبادلات اساسی با هم تحلیل شوند.

برخی از معیارهای عملکردی که معمولاً مورد استفاده قرار می گیرند (به عنوان مثال قطر شبکه همپوشانی ، حالت گره) نه مستقیماً مربوط به نه برنامه ها ، نه کاربران و نه اپراتورهای شبکه نیستند.

در [25] ، نویسنده معامله بین حالت گره و قطر شبکه پوشش را بررسی می کند.

Loguinov و همکاران - همچنین از قطر شبکه به عنوان معیار اصلی برای مسیریابی در [15] استفاده می کنند.

حالت گره در درجه اول استفاده از حافظه در گره ها را تحت تأثیر قرار می دهد.

با این حال ، میزان حافظه مورد نیاز برای پیگیری اتصالات معمولاً از یک گلدان در سیستم های فعلی دور است.

حالت گره همچنین می تواند بر پهنای باند تعمیر و نگهداری تأثیر بگذارد (به عنوان مثال ، در DHT ها با استفاده از پیام های زنده نگه داشتن دوره ای هر اتصال برای شناسایی خرابی های اتصال).

با این حال ، نمی تواند به عنوان یک معیار کلی برای توصیف ترافیک نگهداری استفاده شود.

از قطر شبکه همپوشانی می توان برای بدست آوردن مرزهای پایین تر در بدترین حالت تعداد راپ های مسیریابی برای جستجوی در یک ساختار پوشش داده شده خاص استفاده کرد.

مسیرهای کوتاه بین گره ها تضمین نمی کنند که یک الگوریتم مسیریابی توزیع شده نیز قادر به یافتن آنها باشد [8].

از این رو ، توزیع یا تعداد متوسط ​​هاپ های مسیریابی یک معیار عملکردی آموزنده تر است که به شما امکان می دهد تاخیر جستجوی [23] - یک معیار اصلی عملکرد از دیدگاه کاربر را نیز استخراج کنید.

مقایسه تحلیلی یک معیار عملکرد (به عنوان مثال ، تعداد هاپ های مسیریاب) از DHT های مختلف معمولاً با علامت گذاری مجانبی توصیف می شود ، که معمولاً برای توصیف پیچیدگی الگوریتم استفاده می شود.

به عنوان مثال ، CAN [19] با یک فضای شناسایی بعدی D امکان جستجو در H (O 2 D D) در یک شبکه از n گره را فراهم می کند.

اگرچه این یک روش مفید و ساده برای تعیین مقیاس پذیری یک الگوریتم خاص است ، اما محدودیت هایی دارد.

به دلیل ثابتهای ناشناخته پتانسیل متفاوت که در نت گذاری پنهان شده اند ، مقایسه دو الگوریتم مختلف با رفتار مجانبی یکسان امکان پذیر نیست (به عنوان مثال ، شمارش هاپ O (log n) برای بسیاری از DHT ها معمول است).

بعلاوه ، این احتمال نیز وجود دارد که الگوریتمی با رفتار مجانبی بهتر ، برای اندازه های عملی شبکه عملکرد بدتری داشته باشد.