支持入侵容忍的网络距离选举计算模型 a voter model supporting intrusion-tolerance for network distance estimation.pdfVIP

下载本文档

0
0
约2.95万字
约 7页
2017-08-27 发布于上海
举报
版权申诉

支持入侵容忍的网络距离选举计算模型 a voter model supporting intrusion-tolerance for network distance estimation.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

支持入侵容忍的网络距离选举计算模型 a voter model supporting intrusion-tolerance for network distance estimation

第35 卷第11 期电子与信息学报 Vol.35No.11 2013 年11 月 Journal of Electronics Information Technology Nov. 2013 支持入侵容忍的网络距离选举计算模型王聪* 张凤荔杨晓翔李敏王瑞锦 (电子科技大学计算机科学与工程学院成都 611731) 摘要：为了增强非可信环境下网络坐标系统生存能力，该文重新解释了经典模型中锚节点作用力的物理意义，以锚节点信誉代替距离预测误差作为权值，提出了网络距离选举计算模型，并将其归结为损失函数优化问题求解。 l 1 针对目标函数的不可微特性，基于增量次梯度算法搜索目标函数极优值，并利用比例控制器实现了迭代步长的负反馈控制。实验证明，在计算代价可接受的前提下，模型不仅实现了可信环境下更高的计算精度，而且体现了远较基准算法为优的入侵容忍能力，在严重非可信环境下仍能提供质量尚可的网络距离计算服务。关键词：入侵容忍；网络坐标系统；网络测量；最优化中图分类号：TP393.1 文献标识码：A 文章编号：1009-5896(2013)11-2637-07 DOI: 10.3724/SP.J.1146.2012.01402 A Voter Model Supporting Intrusion-tolerance for Network Distance Estimation Wang Cong Zhang Feng-li Yang Xiao-xiang Li Min Wang Rui-jin (School of Computer Science Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China) Abstract: To enhance the survivability of Network Coordinate System (NCS) in un-trusted environment, the physical meaning of anchor nodes’ spring force in classic model is re-explained, weight vector is taken for anchor nodes’ reputations instead of their prediction errors. Thus a voter model is proposed for network distance prediction and this model is categorized as a kind of method to solve a l1 -loss function minimizing problem. By taking the objective function’s non-differentiability into consideration, the incremental sub-gradient descending algorithm is us