(整理)基于gossip的节点采样技术介绍gossipbasedpeersampling.

基于gossip机制的节点采样技术概述（gossip-based peer sampling）一、这是什么技术，为什么需要这个技术Gossip机制，即流言机制，作为一种简单可靠的拓扑管理与消息分发机制，在大规模的分布式系统中得到了广泛的应用，其主要应用包括信息分发，数据收集，拓扑管理等方面。

其产生原因主要由于在大规模的分布式系统中，底层物理链路存在数据丢包与链路断开等现象，节点规模的可扩展性与消息分发的可靠性难以得到有效保证。

基于gossip机制的覆盖网络协议模仿流言传播的特性，系统中的每个节点定期的从邻居表中选择一个节点子集，然后与这个子集中的节点进行拓扑信息（邻居表信息）的交换，来维持一种动态的覆盖拓扑结构。

如何进行子集的选择对于基于gossip机制的消息分发是至关重要的。

理想的情况下希望从分布式系统的所有节点中均匀随机的选择邻居节点。

基于这个假设而衍生出的gossip协议已经得到了很多良好的特性：如可扩展、可靠、有效。

在实际应用中，假设一个节点可以知道系统中的其他所有节点是不现实的。

因为当前的大规模分布式系统规模可以达到10万或以上级别，同时节点可能频繁加入或离开系统（称之为churn现象），前者需要巨大的存储开销，后者需要节点维持大量的对邻居节点的同步信息开销，这导致了节点以及整个系统的性能严重下降。

所以采取一种分布式的拓扑管理策略来替代全局的拓扑管理策略进行gossip机制的协议部署显得至关重要。

节点采样服务，是一种独立于应用的服务，就是在某个时刻系统中任意一个节点通过这个服务可以获取一个系统中的随机选择节点。

节点采样服务可以应用于消息分发，数据收集，负载均衡以及网络管理。

采样服务提供了任何节点与其他节点进行通信连接的可能性。

节点采样服务的基本原理本身基于gossip机制的特征，每个节点都维持一个本地的有限数目的邻居表，邻居表中包含若干个系统中的其他节点信息（称之为节点描述符），每隔一段时间节点使用gossip机制与某个或某几个邻居进行各自邻居表信息的交换来刷新自己的邻居表。

（但是很明显存在若干问题有待解决：1.单个节点从本地邻居表中选择的节点的随机性，即本地的有限数目邻居表如何映射系统中的所有节点来保证节点选择的随机性？2.当系统中存在节点失效、消息丢包以及网络扰动时如何保证此时节点的选择依然保持良好的随机性？3.由于系统中的节点分布不同，如何避免某个节点被采样的次数过多，即避免出现网络热点，保证负载均衡。

）事实已经证明：采用push-pull模式要优于纯push或是纯pull模式。

同时事实已证明，在进行成员策略管理时要兼顾负载均衡与抗网络扰动与节点失效。

（这引出了本文认为很重要的可能的一个研究点：基于gossip的节点采样服务存在负载均衡与抗网络扰动与节点失效这两个需求，如何通过环境的变化来动态调整若干关键参数来同时部分满足这两个需求？即某个时刻根据网络环境偏向于满足某个需求）二、基于gossip机制的节点采样服务的基本实现框架基于gossip的节点采样服务就是为某个节点提供一个获取系统中随机节点的方法。

其主要的方法只有两个，如下：1.init()：init方法用于对刚加入覆盖网络中的节点进行初始化的一系列操作，这个操作是应用相关的（比如针对消息分发，数据收集等等）。

2.getPeer()：getPeer方法返回一个系统中随机选择的节点。

理想情况下这个采样是独立的无偏采样，被采样节点的特性是与实验有关的（被采样节点的随机性在时间上和空间上可能存在关联）。

重点就在研究getPeer方法的不同实现版本，找出每种版本最适合于什么应用，然后针对总体环境在优化均衡考虑或直接针对某个场景做优化。

三、协议的总体描述考虑网络中一系列连通的节点，每个节点都有一个地址用于消息的发送，每个节点都有一个本地邻居表用来代表节点对全局成员关系的部分感知。

理想情况下本地邻居表包含网络中所有其他节点，但实际中本地邻居表不可能包含所有的节点。

如果本地邻居表包含所有其他节点信息，称之为节点持有网络的全局视图；如果本地邻居表仅仅包含所有节点的一个子集，则称之为节点持有网络的局部视图。

局部视图是c（c为常数）个节点描述符的列表。

每个节点都持有相同大小的局部视图。

一个节点描述符表示一个网络地址（例如一个IP地址）和一个时间戳。

时间戳用于表示这个节点描述符的存活时间，时间戳的值越大则表明这个描述符存在于节点的局部视图中的时间越长。

可以认为节点的局部视图是一个数据结构，在这之上定义了一组操作集合。

这意味着除非某个特殊的操作施加于局部视图，否则局部视图中的元素顺序不会显式变化。

同时规定局部视图中不允许存在相同网络地址的两个描述符。

节点定期持续进行gossip 的交换过程来保证局部视图中的描述符是系统全局拓扑信息的一个随机集合，使得局部视图可以反映系统的动态变化。

下面给出具体实现：协议包含两个线程：主动线程用于初始化与其他节点的通信；被动线程用于接受其他节点的请求并响应。

（对于view.select(c, H, S, buffer(p))函数，其每一句代码都很重要，实质就是对view这个数据结构进行一系列的操作达到想要的效果）我们将系统看作一个非同步的系统（即节点发起的请求-应答过程无需阻塞等待），将时间看作一系列离散的时间单元，在每个时间单元内节点只能执行一次局部视图的拓扑信息交换。

关键的参数为c，H，S。

其中c表示节点的局部视图大小，为常量；H表示需要从view中删除的age值偏大的节点描述符个数（下文解释）；S表示需要从view的头部删除的节点描述符个数（其中H，S小于c/2，下文解释）。

鉴于被动线程的内容与主动线程类似，在此仅仅解释主动线程的内容。

过程描述如下：1）由selectPeer方法返回一个目标节点进行gossip信息交换。

selectPeer的具体实现会对最终结果产生影响，下文将详细阐述。

2）发送缓冲区buffer：首先将当前运行主动线程的节点描述符置入缓冲区内。

然后在view上执行乱序排列，以此保证从view中选出的c/2-1个元素是随机的，但是选出的c/2-1个元素不包括age 值最大的H个元素（利用时间戳起到自动剔除可能已失效的节点）。

但若选出的元素不足(c/2-1)个，也可以从age值最大的H个元素中选出若干来补足。

3）select(c, H, S, buffer)方法：当收到应答后将参数buffer传递给函数view.select(c, H, S, buffer)。

这个函数根据4个参数通过一系列操作得到节点的新view（算法的核心关键所在）。

首先将buffer 的内容附在view的后面，然后删除重复的节点描述符，这之后view的大小至少是其原大小。

然后执行三个删除操作将view的大小裁剪到其原始大小。

4）removeOldItems(min(H, view.size-c))：首先删除age值最大的H个元素。

H越大，删除的age 值偏大的元素越多，这样做的目的是因为age值偏大的元素可能已经是失效节点（根据大规模P2P 系统中节点存活时间服从Pareto分布的原则），将其删除就直接避免了与失效节点保持一个无效的连接（H表示Healing）。

4）removeHead(min(S, view.size-c))：然后再从view的头部删除S个元素。

S越大，删除的view 中原有的元素越多。

这样做将使得最终节点收到的节点描述符信息有更高的概率留在view中，因为每次buffer的内容是附在view的原有内容之后，从头部删除S个元素，删除越多则可以留更多空间来装载接收的buffer内容，使得buffer中的内容有更高的概率留在view中。

实质上参数S控制了节点局部视图中拓扑信息交换的概率，S越高，交换概率越高（S表示Swapped）。

S很低会导致进行gossip交换的双方以较高的概率保持原有view的内容而非进行交换。

这会导致网络中只存唯一存在的节点描述符被删除（降低了鲁棒性）；如果S很高，进行gossip交换的双方会以较高的概率进行内容交换，可以降低网络中唯一存在的节点描述符被删除的可能性。

5）removeAtRandom(view.size-c)：最终view的大小被随机删除若干元素裁剪到原大小c。

具体设计准则组合：主要包含三种准则，目标gossip节点选择，局部视图的推送方式，局部视图的元素选择方式。

目标gossip节点选择：有两种方式，随机或选择age值最大的节点。

局部视图的推送方式：有三种，push，pushpull，pull。

局部视图的元素选择方式：盲选（blind），恢复式（healer），交换式（swapper）。

注：H的范围是[0, c/2]，S的范围是[0, c/2-H]，H+S<c/2。

四、具体实现init方法与getPeer方法。

getPeer方法是从节点当前持有的局部视图中返回一个节点描述符。

如果要增加返回的节点描述符的随机性，采样服务必须做到在一定的时间间隔内不对同一个节点采样两次：这样做明显引入了偏好性而破坏了采样服务的质量。

所以服务将会维持一个队列，用于存储没有被采样到的节点。

getPeer 方法将每次返回队列中的第一个元素并将这个元素删除。

当服务接到一个局部视图更新的通知时，不在当前队列中的所有元素将被删除，而新加入到局部视图中的元素将被添加到队列中来。

如果队列为空，那服务将返回当前view的随机采样。

实验证明，很多参数组合不能获取到较好的显示结果，但是也没有一种方案可以在各种应用中取得都比较理想的结果。

需要考虑应用差异性采取均衡的参数设置策略。

五、节点采样全局随机性分析节点可以很容易的从本地局部视图中进行随机的节点采样服务，但是单个节点的局部随机采样与独立采样特性的统计特征可能隐藏了网络作为一个整体呈现出的某些结构属性特征。

为了便于进行全局的随机性分析，将网络转化为一个有向图。

图的定义如下：如果节点a的view中存在节点b的描述符，则认为从a到b直接可达，在图中存在有向边(a, b)从a指向b。

问题是这个覆盖拓扑与一个随机图有多相似？使得这个覆盖拓扑中每个view中的节点描述符集合代表整个节点集合的均匀独立随机采样。

在图属性分析中最重要的特性就是度分布。

节点i的度定义为：如果某个节点将i的节点描述符存储于各自的局部视图中，则所有这些节点的个数之和为节点i的度。

每个节点的出度是个常数c，等于其局部视图大小。

度分布决定了节点通信中是否存在通信热点与瓶颈，即负载均衡由度分布决定。

同时度分布与节点失效与可靠性有直接的关系。

除开度分布还有两个参数集群系数（Clustering Coefficient）与平均路径长度（Average Path Length）。