一种基于社交关系的BitTorrent阻塞算法的制作方法

技术特征：

1.一种基于社交关系的BitTorrent阻塞算法，其特征在于，包括以下步骤：

S1：Tracker服务器每隔10秒获取该下载集群内各个节点的最新朋友列表，并构造评分矩阵M_n*n；

S2：对矩阵M_n*n做矩阵分解，用随机梯度下降法求出M_n*m矩阵，使得M_n*n＝W_n*m*Q_m*n成立，其中M_n*m是两个矩阵的乘积，其中m是隐因子的个数，W_n*m的每行表示节点对各个隐因子的喜欢程度，Q_m*n的每一列表示节点在各个隐因子上的概率分布；

S3：对于某个上传节点，遍历其朋友列表和邻居节点，将对本节点所拥有资源块感兴趣的节点选出，组成候选列表；

S4：对于上传节点i和候选列表中的任意节点j，根据W_n*m计算出相似度S(i,j)；

S5：根据j的活跃值、j与i的相似度以及j是否拥有i感兴趣的资源块，计算出i与j的亲密值；

S6：对候选列表中的节点按照计算出的亲密值从大到小排序，对前4个节点发送所需资源块，对其余候选节点阻塞。

2.根据权利要求1所述的基于社交关系的BitTorrent阻塞算法，其特征在于，所述Tracker服务器收集下载节点信息，并提供各节点信息给下载节点，当新节点加入下载时，会先与Tracker服务器连接注册；Tracker服务器将其邻居节点信息发给该节点，使其能与邻居节点连接起来，相互传输数据。

3.根据权利要求2所述的基于社交关系的BitTorrent阻塞算法，其特征在于，所述Tracker服务器获取各个节点的朋友列表、构造矩阵M_n*n及求出W_n*m并且每10秒计算一次。

4.根据权利要求3所述的基于社交关系的BitTorrent阻塞算法，其特征在于，所述步骤S1中构造评分矩阵M_n*n的过程如下：

矩阵A_n*n表示节点朋友关系矩阵，其中A_ij表示节点i与j的亲近程度，值越高表示越亲近，其中i，j表示节点ID；SUM_i表示i的朋友列表中的朋友个数，若j在i的朋友列表中，则A_ij＝1/SUM_i，否则A_ij＝0；

矩阵B_n*n表示三度朋友关系的朋友矩阵，其中λ₁+λ₂+λ₃＝1且λ₁≥λ₂≥λ₃≥0；

构造评分矩阵α为常量，且α+min(log(B_ij))＞0，即调整M_n*m中有值的各项，使之大于0，M_ij表示节点i对节点j的评分，评分越高，表示节点间越亲密。

5.根据权利要求4所述的基于社交关系的BitTorrent阻塞算法，其特征在于，使用随机梯度下降法计算M_n*n＝W_n*m*Q_m*n中的W_n*m，具体操作如下：

令其中表示矩阵Q_m*n的第j列，是矩阵W_n*m第i行向量的转置，是一个列向量，对所有的M_ij≠null，与M_ij的值尽量接近，使得gap的值尽可能小；

引入加入权重函数有：

$\stackrel{\‾}{gap}={\Σ}_{i,j}f\left(M_{ij}\right)*{(w_i^T{\tilde{w}}_j-M_{ij})}^2,$

其中权重函数

使用随机梯度下降法计算中的W_n*m：

W_n*m＝[w₀,w₁,w₂,…,w_n-1]^T。

6.根据权利要求5所述的基于社交关系的BitTorrent阻塞算法，其特征在于，计算节点i和节点j的相似度的公式如下：

S(i,j)＝w_i·w_j

越相似的节点，其隐因子向量的夹角就越小，而根据向量夹角计算公式：

$cos\mathrm{\θ}=\frac{w_i\·w_j}{\left|w_i\right|*\left|w_j\right|}$

其中因为w_i·w_j是单位向量，所以|w_i|和|w_j|的值都是1，而且夹角大小与夹角的余弦值成反比，w_i·w_j的结果越大，节点i和j就越相似，反之亦然。

7.根据权利要求6所述的基于社交关系的BitTorrent阻塞算法，其特征在于，节点间的亲密度计算公式如下：

f(i,j)＝a*Active+b*S(i,j)+c*Interest,a+b+c＝1

其中，Active表示候选列表中节点的活跃值，Interest表示是否拥有本节点感兴趣的资源的加权值,如果候选列表中的节点拥有上传节点感兴趣的资源则Interest＝1，否则Interest＝0，a、b、c为常数均大于0。