DOI: 10.11817/j.issn.1672-7207.2015.09.018

异构环境下的P2P流媒体节点选择算法

唐朝伟¹，肖俊¹，王恒¹，胡佩¹，刘倩男¹，宋俊平²，李晓辉³

(1. 重庆大学 通信工程学院，重庆，400044；

2. 中国科学院软件研究所 天基综合信息系统技术重点实验室，北京，100190；

3. 中国人民解放军94270部队，山东 济南，250117)

摘要：针对异构环境的复杂性和不稳定性，提出一种异构环境下的点对点(P2P)流媒体节点选择算法。利用模糊认知图理论研究异构环境下影响节点性能的多方面因素之间的关系，计算节点的综合服务能力，并选择服务能力强的节点作为邻居节点；为保证邻居节点具有较强的实时服务能力，利用马尔科夫蒙特卡洛方法进行随机行走，周期性地更新邻居节点列表，采用Metropolis-Hastings算法计算转移矩阵以满足随机行走的期望静止概率分布。研究结果表明：该算法能在选择优质邻居节点，提高视频服务质量的同时，保证节点的负载均衡，降低系统消耗，显著提高了系统性能。

关键词：异构环境；P2P流媒体；节点选择；综合服务能力；随机行走

中图分类号：TP393             文献标志码：A         文章编号：1672-7207(2015)09-3287-08

Peer selection algorithm for P2P streaming media in heterogeneous environment

TANG Chaowei¹, XIAO Jun¹, WANG Heng¹, HU Pei¹, LIU Qiannan¹, SONG Junping², LI Xiaohui³

(1. College of Communication Engineering, Chongqing University, Chongqing 400044, China;

2. Science and Technology on Integrated System Laboratory, Institute of Software, Chinese Academy of Science,

Beijing 100190, China;

3. 94270 Unit of People’s Liberation Army, Jinan 250117, China)

Abstract: In view of the complexity and the instability of heterogeneous environment, a peer selection algorithm for P2P streaming media system was proposed. The relationship between the factors which affect the performance of joints under heterogeneous environment was studied, the comprehensive service ability of peers was calculated through the fuzzy cognitive maps theory, and the peers with high service ability were selected as the neighbors. In order to guarantee that the neighbors have a high real time ability, the random walk process was utilized to update the list of neighbors periodically by using Monte Carlo methods. In addition, transition probability matrix was calculated by the Metropolis- Hastings methods to satisfy the expected stationary distribution of random walk. The results show that the proposed algorithm can select excellent peers and ensure the load balance of peers, as well as reduce the consumption of the system and improve the quality of video service and significantly improve system performance.

Key words: heterogeneous environment; P2P streaming media; peer selection; comprehensive service ability; random walk

节点选择算法是P2P流媒体系统中的关键技术之一，它为每个节点选择适合的邻居节点提供数据上传，保证用户能够高效、及时的下载数据。不同的节点选择策略既会影响系统的整体服务性能，又会影响单个用户的视频体验。近年来，随着P2P流媒体技术的推广和网络用户数目的增多，针对P2P流媒体节点选择算法的研究越来越重要。伴随着网络接入和终端类型的多样化，如何在异构环境下进行节点选择，实现高效的数据传输是P2P流媒体系统面临的重要挑战之一^[1]。一般来讲，异构环境的“异构”主要包含终端异构和接入方式异构。其中终端异构，也称为节点异构，指多种终端(例如智能手机、iPad、笔记本、台式机以及高清电视等)在网络中共存。而接入方式异构即以太网、WLAN和3G网络等多种网络共存。以上2个方面异构导致节点的带宽、链路状态、电量、处理能力、逗留时间等不同，因此异构节点能为邻居节点提供上传的能力也不相同。在设计异构环境下的节点选择算法时，需要解决3个方面的问题：首先是节点服务能力的度量，即如何根据多种因素确定节点的综合服务能力；其次是负载均衡问题，即如何让服务能力强的节点为更多邻居节点提供服务，而服务能力弱的节点则为较少邻居节点提供上传；最后是动态适应性，即如何根据节点的加入、退出和服务能力的实时变化动态更新节点列表。然而目前的节点选择算法均不能同时满足以上3个方面要求。Zhang等^[2]提出一种小区优先的节点选择算法，它考虑了影响节点服务能力的多方面因素，但该算法针对于3G网络模型；冯侦探等^[3]提出的自适应邻居节点选择算法动态描述节点的服务能力，显著提高了系统的服务性能，但是在服务能力方面仅以节点的上行带宽作为指标；Mushtaq等^[4-5]基于可分级视频编码(SVC)^[6]的P2P系统进行了节点选择研究，文献[5]考虑SVC对视频分层后的影响，选择往返时延(RTT)最小的节点下载重要性最高的基础层；Shen等^[7]提出的基于节点间信任关系的P2P网络，没有考虑节点的服务能力。针对上述问题，本文作者提出一种异构环境下的节点选择算法(PSAH)，该算法研究异构环境下影响节点服务能力的各个因素之间的复杂关系，既考虑环境的异构性又满足系统的高服务质量(QoS)需求；同时算法避免复杂的计算，每个节点只需维护其邻居节点信息就能选择整个网络中实时服务能力较高的节点，并根据实时服务能力的变化来更新邻居节点列表，这样在保证节点负载均衡的同时考虑系统的动态性。仿真结果表明，该算法能提高系统QoS，降低传输时延，提供系统的服务性能。

1  系统模型和工作原理

在异构网络环境中，Mesh型^[8]P2P流媒体系统具有易维护、网络健壮性强、资源利用率高等特点，得到了广泛的关注。异构网络环境下的Mesh系统主要由内容服务器、Tracker服务器和Peer客户端(固定节点和移动节点)组成。其中，内容服务器存储并提供原始数据；Tracker服务器负责节点信息的获取和维护，以及初始邻居节点列表下发；网络中的固定节点(台式机等)和移动节点(智能终端，笔记本等)既可以是资源提供者，又可以是资源请求者。

异构网络环境下的数据传输原理示意图如图1所示。由图1可见：当节点加入系统时，节点将自身的节点信息(例如上行带宽、时延、电量)上报给Tracker服务器；Tracker服务器获取并存储网络中所有节点的节点信息，同时，根据获取的节点信息计算各节点性能；当系统网络中的某一节点请求资源时，即出现请求节点，Tracker服务器搜索具备该请求资源内容的节点，即资源节点，Tracker选择部分资源节点并根据节点性能强弱进行排序，形成邻居节点列表下发给请求节点，对请求节点进行资源传输；在资源传输过程中，由于节点的动态变化会导致网络性能、甚至是网络构成的改变，因此，节点通过实时更新邻居节点列表，从而提高系统的服务质量，降低资源的传输时延。

图1  异构网络下的数据传输原理图

Fig. 1  Schematic diagram of data transmission in heterogeneous environment

2  节点选择算法

基于前面对异构网络环境中Mesh型P2P流媒体系统工作原理的分析发现：邻居节点列表是保障系统服务质量、网络系统运行稳定的关键。而本文的节点选择算法发生在Tracker服务器和Peer客户端2个部分，其中Tracker端向用户节点下发初始邻居节点列表，而Peer端则实现邻居节点列表的实时更新。

2.1  邻居节点列表下发

节点加入系统并请求数据时，首先向Tracker服务器上报自身信息以便Tracker服务器实时更新资源节点列表，同时Tracker服务器计算节点的综合服务能力，并根据节点的综合服务能力从资源节点列表中选择一定数量的节点下发给请求节点作为初始邻居节点列表。

综合服务能力是节点的计算性能、传输速度和稳定性等指标的综合，影响节点综合服务能力的因素很多，例如节点带宽越大，综合服务能力越高，而传输时延越大则表示综合服务能力越弱。另一方面，异构环境的复杂性使得对综合服务能力的评估更加复杂，移动终端的电量、处理能力等都会对节点综合服务能力产生影响。本文考虑实际P2P系统中影响节点性能的几个主要因素包括上行带宽、时延、电量、逗留时间、终端处理能力^[1]，并定义节点的综合服务能力为

           (1)

其中：C_i0为节点v_i的综合服务能力；C_i1，C_i2，C_i3，C_i4和C_i5分别为节点v_i的上行带宽、时延、电量、逗留时间、终端处理能力的归一化值，节点的服务能力会随着这些因素的改变而有较大变化。

同时这些因素之间存在相互制约关系，上行带宽越大、终端处理能力越强，所带来的传输时延就会越小；传输时延增大，终端电量就会减小，相应的逗留时间将会减小，从而导致节点失效风险增大。然而，由于缺少有力的分析工具，因此对于节点综合服务能力的评估显得比较困难。本文基于模糊认知图理论(FCM)^[9]分析各因素之间的作用关系，以及各因素对综合服务能力的影响，从而得到

      (2)

式中：r_i为各个因素对节点性能的影响程度。

根据各个因素之间的关系，将这些因素表示成FCM中的节点，基于FCM的理论和方法构造1个有向图，如图2所示，其中C_i6为节点的失效风险。节点之间有向箭头表示概念因素之间的有向影响关系，前向节点对后向节点的影响程度可以描述为{较大，一般，较小}，影响有正负之分，前向节点的增大引起后向节点增大的为正影响，前向节点的增大引起后向节点减小的为负影响。根据前面的分析与理论经验^[2]，本文使用{3,2,1}来量化节点间的影响程度进而得到邻接矩阵W，其中，，，，，正值为正影响，负值为负影响。利用模糊认知图推理的数学模型式^[9]，将前一个输出状态作为下一个输入状态进行推理，通过多次迭代得到稳定状态时的邻接矩阵T，描述了稳定状态下各个因素之间的影响程度

  (3)

由式(3)得到各个因素对目标概念C_i0(即节点综合服务能力)的影响程度的量化总和。其中概念因素C_i6不是异构环境下影响节点服务能力的直接因素，本文考虑的5个因素对节点服务能力的影响程度量化值为

            (4)

根据式(2)和式(4)得到节点服务能力的综合评估值

     (5)

综上所述，在Tracker服务器首先根据FCM计算新加入Peer客户端的综合服务能力，并存储此Peer客户端的信息，同时在已加入系统的节点中选择一部分资源节点返回给该Peer客户端。考虑到Tracker服务器的负担以及整个网络的负载问题，Tracker服务器根据节点的综合服务能力随机的选择m个节点。为尽快获取数据以及保证视频的服务质量，再从m个节点中选择综合服务能力最大的k个节点作为邻居节点列表返回给Peer客户端。

图2  异构环境下的P2P系统模糊认知图

Fig. 2  Fuzzy cognitive map of P2P system in heterogeneous environment

2.2  邻居节点列表实时更新

Peer客户端首先根据Tracker服务器返回的邻居节点列表进行数据下载，然后周期性地利用马尔科夫蒙特卡洛方法进行随机行走，动态更新Peer客户端的邻居节点列表。

Tracker服务器主要根据综合服务能力选择邻居节点，综合服务能力越高的节点被选择的次数和概率越大，当请求节点规模增大时，综合服务能力强的节点会因为服务节点数的增大而出现过载，并且提供服务的节点的综合服务能力会随着所服务节点数目的增多而降低，为了保证节点负载均衡以及确保流的服务质量，需要更新邻居节点列表，选择实时服务能力高的节点，为此定义服务能力级别为

            (6)

其中：C_i0为v _i的综合服务能力；为常量，，本文采用0.5；为t时刻节点v _i所服务的邻居节点数，节点的服务能力级别为节点的实时服务能力。

节点v _i被选作邻居节点的概率为

             (7)

节点v _i的服务能力级别越高，被选为邻居节点的概率就越大，当v _i被选为邻居节点时，增加，服务能力级别降低，期望概率也降低，这样既考虑了节点的动态加入过程也避免了级别较高的节点过载问题，充分利用节点的服务能力，主动找到并选择出服务能力级别高的节点。

由式(7)的分母计算期望概率M_i，需要知道全局节点的级别信息。可以通过Tracker服务器定期统计节点服务能力级别，新节点加入系统时，Tracker服务器按照式(7)计算概率返回给节点，但如果系统节点数目增大，会造成Tracker服务器负载过重，引起单点故障。针对此问题，本文借助马尔科夫蒙特卡洛方法，进行随机行走^[10]，通过Metropolis-Hastings^[11-12]算法构造转移矩阵，使得随机行走的静止概率与式(7)描述的期望概率相同。具体如下：对于网络中不同的节点v _i，作为马尔科夫链中不同的状态X_i，从系统中任意1个节点开始进行随机行走，在t时刻停留在节点v _t，即状态X_t；在t+1时刻，会以一定的概率停留在节点v _t的邻居v _t+1上，达到状态X_t+1；经过L步后，会以一定的概率M_j停留节点v _j上，停留在节点v _j的概率为随机行走的静止概率。

根据Metropolis-Hastings定义，为了构造1个以目标分布M的马尔科夫链，借助于1个辅助的概率谜底函数，Chib等^[11]提出从状态i转移到状态j的转移概率为，其中为状态i到状态j的接受概率，。选择，计算转移概率P_ij。

根据随机过程理论，若转移矩阵P是不可约且非周期的，则存在静止概率分布M，使得。为保证静态概率的存在性，需要确定转移矩阵不可约且非周期的条件。不可约就是马尔科夫的互达特性，对任意状态X_i和X_j，存在t满足，系统中的所有节点组成一个覆盖网^[13-14]，网状结构流媒体系统主要特点是覆盖网拓扑在很大程度上避免了“孤岛”，节点之间可以互达，因此满足不可约的条件。为满足非周期特性，根据文献[15]所述，通过引入惰性因子来构造非周期转移矩阵，其中。结合式(6)，得转移概率为

   (8)

在Peer客户端，请求节点首先根据Tracker服务器返回的邻居节点列表进行下载数据；为保证邻居节点的实时服务能力，每隔周期T进行1次随机行走，随机行走步长为L，行走结束时的节点是v_s。若请求节点的邻居节点已经达到上限，则将自身邻居节点中服务能力级别最低的节点删除，将v_s作为邻居节点，否则直接添加为邻居，同时更新请求节点和v_s的服务能力级别。

3  仿真实验与性能分析

本文基于Oversim模拟器^[16-17]进行仿真，针对异构环境使用SVC可扩展视频编码技术将视频分为基础层和17个增强层，每个终端节点根据接入网类型的不同申请下载不同层数的视频，固网、WLAN和3G网络的申请层数分别为18，12和6，实际解码接收层数越多则获得的视频质量越高。实验环境中，起始种子节点数为5，仿真节点数目为150，节点在加入系统时会随机生成仿真所需要的参数，取值范围如表1所示，节点每隔20 s行走1次，随机行走的步长设为3。

表1  仿真参数初始取值范围

Table 1  Initial range of simulation parameters

仿真实验主要从3个方面验证算法的有效性。首先，从邻居节点的综合服务能力和服务能力级别的分布情况分析算法选择邻居节点的有效性；其次统计客户节点接收的实际视频层数，验证算法对系统服务质量的影响；最后通过视频传输时间、电量消耗等参数来分析算法对系统性能的改进。

为了验证算法的性能，将PSAH算法与另外2种算法进行对比，一种是针对综合服务能力随机选择的方式，随机选择R-S(random select)是P2P系统采用的一种典型节点选择机制，另外一种是文献[3]中提到的ASDC算法，它使用随机行走来更新邻居节点列表但仅以带宽作为节点的服务能力。

3.1  邻居节点的性能分析

本文从邻居节点的平均综合服务能力和平均服务能力级别2个方面分析PSAH算法所选择到的邻居节点的性能，如图3和图4所示。

首先计算每个客户端的邻居节点综合服务能力的平均值，该值越大代表邻居节点列表所能提供的服务性能越强，计算结果如图3所示。从图3可以看出：使用PSAH和ASDC算法时，邻居节点平均综合服务能力明显高于使用R-S算法时，平均综合服务能力，例如使用PSAH算法时，90%的节点的平均综合服务能力大于40，而使用R-S算法时平均综合服务能力大于40的只有40%。这是由于ASDC算法能动态更新邻居节点的服务能力级别，同样在PSAH算法中周期性更新邻居节点列表，将实时服务能力高的节点替换实时服务能力低的节点，因此所选的邻居节点的综合服务能力会整体偏高；而相对于ASDC算法使用带宽作为指标，PSAH算法计算综合服务能力，因此PSAH算法得到的结果与ASDC算法得到的结果略有不同。

图3  邻居节点平均综合服务能力累积概率分布

Fig. 3  Cumulative probability distribution of average comprehensive service ability of neighbors

图4  邻居节点平均服务能力累积概率分布

Fig. 4  Cumulative probability distribution of average service ability of neighbors

然后计算每个客户端的邻居节点平均服务能力级别，得到邻居节点平均服务能力级别的累积概率分布如图4所示。从图4可以看出：PSAH和ASDC算法得到的平均服务能力分布比较均衡，主要分布于区间[10, 20]，而R-S算法得到的平均服务能力级别具有随机性。这主要是因为PSAH算法和ASDC算法都根据节点服务能力的变化动态选择邻居节点，根据式(6)和式(7)可以得到：服务能力强的节点被选择作为邻居节点的概率会随着所服务节点数的增大而下降，同时服务能力弱的节点被选择邻居节点的概率小，服务能力级别相对有所上升，这样保证了服务能力强的节点不会因为服务节点数的增大而出现过载，从而保证负载均衡。

3.2  接收视频层数

通过比较3种算法得到的实际接收视频层数，评估系统的服务性能。性能越好，接收层数越多视频播放越清晰。

图5  客户节点接收视频层数

Fig. 5  Video layers received by client

由于异构环境中不同接入网类型的节点的下行带宽、分辨率、电量等因素有较大差异，因此，不同接入网类型的客户节点申请下载不同层数的视频，分别为18层(wired)，12层(WLAN)和6层(3G)，计算并统计3种接入网的客户终端实际接收到的视频层数的平均值，如图5所示。从图5可知：3种接入网下客户节点接收到的视频层数有类似结果，使用R-S算法客户节点接收的视频层数都非常低；使用PSAH算法客户节点接收的视频层数与ASDC算法得到的结果相似，并且明显高于R-S算法得到的结果。这是由于R-S算法采用随机方式选择邻居节点，不能确保邻居节点列表的服务性能，并且邻居节点的实时服务能力会发生改变从而影响视频数据的有效下载；ASDC算法自适应地调整邻居节点以确保邻居节点列表的服务性能并且仅以节点的上行带宽作为指标进行节点选择，上行带宽是影响节点数据传输的最重要的因素，因此能够很好地保证系统的服务质量，而本文提出的PSAH算法虽然不是以上行带宽作为唯一指标，但是综合考虑了包括节点上行带宽、时延在内的多个因素的影响，并且周期性更新邻居节点列表以确保邻居节点列表的服务性能，同样获得了较好的服务质量，实际视频接收层数与ASDC的结果相似。

3.3  系统性能分析

本文主要从视频传输时间和剩余电量2个方面进行分析算法对系统服务性能的改进。视频传输时间指客户节点从资源节点处接收完视频资源所需要的时间，传输时间越短，说明系统中节点能够更快地获取数据。电量损耗是指客户节点从资源节点处接收完视频资源所消耗的电量，电量损耗越少说明系统消耗越少，系统性能越好。

图6所示为视频传输时间概率直方图分布图。从图6可以看出：与R-S算法、ASDC算法相比，本文提出的PSAH算法得到的传输时间相对均匀，大部分节点的传输时间低于500 s，而R-S算法和ASDC算法得到的传输时间跨度比较大且传输时间在500~  600 s之间的节点比较多；计算所有节点传输时间的平均值如图7所示。从图7可知：PSAH算法得到的441 s低于R-S算法得到的475 s和ASDC算法得到的469 s。这是因为采用随机选择方式选择的邻居节点的服务能力具有不确定性，会造成服务能力较高的节点过载从而使得传输时间变长，并且随机选择的邻居节点的链路时延具有随机性；ASDC算法自适应的更新服务能力级别，确保邻居节点的服务能力，并且传输时间有所减小，而本文提出的PSAH算法通过更新邻居节点服务能力级别减少传输时间的同时，使用FCM计算综合服务能力，考虑了节点的链路时延，选择的邻居节点的时延小，从而保证了较短的视频传输时间。

图6  视频传输时间概率直方图分布图

Fig. 6  Probability histogram of video transmission time

图7  节点视频传输时间平均值

Fig. 7  Average of video transmission time

图8所示为节点电量消耗累积概率分布。从图8可以看出：使用PSAH算法时系统中节点所消耗的电量明显小于使用ASDC算法和R-S算法时的电量。例如：使用R-S算法有将近80%的节点的电量损耗超过1.5 A·h，使用ASDC算法有将近60%的节点的电量损耗超过1.5 A·h，而使用PSAH算法，电量损耗超过1.5 A·h的节点只有30%。这是由于使用R-S算法时的视频传输时间长，所消耗的电量增加，另外采用随机选择容易引起节点的过载，电量少的节点有可能被多次选作邻居节点而电量多的节点被选为邻居节点的次数少，从而引起系统损耗的增加；ASDC算法自适应更新邻居节点从而保证邻居节点列表的服务能力，缩短视频传输时间降低电量损耗，但是ASDC算法仅以带宽作为指标，所选节点的电量具有随机性，电量少的节点被多次选作邻居节点会使得电量消耗加剧，节点会因电量消耗完而过早的离开系统从而引起系统的损耗增加；PSAH算法不仅通过缩短视频传输时间来降低电量的损耗，而且以FCM计算的综合服务能力为标准，考虑到了电量的影响，从而使得系统节点电量消耗降低。

图8  节点电量消耗累积概率分布

Fig. 8  Cumulative probability distribution of power consumption

通过前面的分析可知，相对于R-S算法和ASDC算法，本文提出的PSAH算法在选择优质邻居节点的同时，保证了节点的负载均衡，相对于ASDC算法同样取得了较好的服务质量，并在系统服务性能上明显优于ASDC算法。

4  结论

1) 研究了异构环境下的P2P流媒体系统中节点选择问题，提出一种新的节点选择算法。该算法的主要优势在于：利用模糊认知理论计算节点的综合服务能力，并为每个新加入的节点选择综合服务能力强的节点；使用马尔科夫蒙特卡洛方法进行随机行走，避免了全局信息的维护以及复杂的计算，充分利用系统中服务能力较强的节点。

2) 该算法充分考虑异构环境对节点服务能力的影响，保证良好的节点性能，同时大幅提高系统的服务质量。

参考文献：

[1] 宋俊平, 张棪, 周旭, 等. 基于SVC的P2P流媒体系统研究综述[J]. 计算机应用研究, 2013, 30(4): 965-970.

SONG Junping, ZHANG Yan, ZHOU Xu, et al. A survey of the research on SVC-based P2P streaming systems[J]. Application Research of Computers, 2013, 30(4): 965-970.

[2] Zhang Y, Zhou X, Tang H, et al. Peer selection in mobile P2P systems over 3G cellular networks[C]// 2011 IEEE International Conference on Pervasive Computing and Communications Workshops (PERCOM Workshops). Seattle, WA, USA: IEEE, 2011: 467-470.

[3] 冯侦探, 倪宏, 王劲林, 等. P2P流媒体直播系统自适应邻居节点选择算法[J]. 西安电子科技大学学报(自然科学版), 2012, 39(3): 136-143.

FENG Zhentan, NI Hong, WANG Jinlin, et al. Adaptive neighbor selection method for the P2P media streaming system[J]. Journal of XiDian University, 2012, 39(3): 136-143.

[4] Mushtaq M, Ahmed T. Smooth video delivery for SVC based media streaming over P2P networks[C]// 2008 IEEE International Conference on Consumer Communications and Networking Conference, Las Vegas, NV, USA: IEEE, 2008: 447-451.

[5] ZHANG Gui, YUAN Chun. Self-adaptive peer-to-peer streaming for heterogeneous networks using scalable video coding[C]// 2010 IEEE International Conference on Communication Technology (ICCT). Beijing, China: IEEE, 2010: 1390-1393.

[6] Schwarz H, Marpe D, Wiegand T. Overview of the scalable video coding extension of the H. 264/AVC standard[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2007, 17(9): 1103-1120.

[7] SHEN Haiying, LIU Guoxin, Gemmill J, et al. A P2P-based Infrastructure for adaptive trustworthy and efficient communication in wide-area distributed systems[J]. IEEE Transactions on Parallel and Distributed Systems, 2014, 25(9): 2222-2233.

[8] 郑婕, 张松. 基于 Mesh 的P2P流媒体节点选择机制研究[J]. 微电子学与计算机, 2008, 24(12): 95-99.

ZHENG Jie, ZHANG Song. A Study of peer selection strategy for mesh based P2P streaming[J]. Microelectronics and computer, 2008, 24(12): 95-99.

[9] Kosko B. Fuzzy cognitive maps[J]. International journal of man-machine studies, 1986, 24(1): 65-75.

[10] Lovász L. Random walks on graphs: A survey[J]. Combinatorics, Paul erdos is eighty, 1993, 2(1): 1-46.

[11] Chib S, Greenberg E. Understanding the metropolis-hastings algorithm[J]. The American Statistician, 1995, 49(4): 327-335.

[12] Johnson A A, Flegal J M. A modified conditional Metropolis- Hastings sampler[J]. Computational Statistics & Data Analysis, 2014, 78(5): 141-152.

[13] Jannotti J, Gifford D K, Johnson K L, et al. Overcast: reliable multicasting with on overlay network[C]// The 4th USENIX Symposium on Operating System Design & Implementation (OSDI). Colorado, USA: USENIX Association, 2000: 14-14.

[14] ZHANG Meng, ZHANG Qian, SUN Lifeng, et al. Understanding the power of pull-based streaming protocol: Can we do better?[J]. IEEE Journal on Selected Areas in Communications, 2007, 25(9): 1678-1694.

[15] ZHONG Ming, SHEN Kai, Seiferas J. The convergence- guaranteed random walk and its applications in peer-to-peer networks[J]. IEEE Transactions on Computers, 2008, 57(5): 619-633.

[16] Baumgart I, Heep B, Krause S. OverSim: A Flexible Overlay Network Simulation Framework[C]// IEEE Global Internet Symposium, New Jersey, USA: IEEE, 2007: 79-84.

[17] Muňoz-Gea J P, Malgosa-Sanahuja J, Manzanares-Lopez P, et al. Simulation of a P2P application using OverSim[C]// 2009 First International Conference on Advances in Future Internet. New Jersey, USA: IEEE, 2009: 53-60.

(编辑  罗金花)

收稿日期：2014-12-18；修回日期：2015-02-20

基金项目(Foundation item)：国家科技重大专项(2011ZX03005-004-02)；国家青年科学基金资助项目(61102076) (Project(2011ZX03005-004-02) supported by the National Science and Technology Major Program of China; Project(61102076) supported by the National Natural Science Foundation for Young Scientists of China)

通信作者：唐朝伟，博士(后)，研究员，从事于宽带无线移动多媒体和P2P流媒体技术研究；E-mail: cwtang@cqu.edu.cn