[发明专利]加快一致性分布式算法收敛速度的网络拓扑优化方法

说明书

本发明公开了加快一致性分布式算法收敛速度的网络拓扑优化方法。现有方法不能及高效解决网络拓扑参数发生改变的问题。本发明方法不改变网络拓扑连接边数目，使用网络拓扑的局部节点信息，调整节点之间的连接优化拓扑的连通性，首先计算原始网络拓扑的信息并初始化调整次数，然后使用局部节点(邻居节点)信息计算出各个节点的删边信息，随机选择一个节点的删边信息执行一次删边操作，使用局部节点信息计算各节点的加边信息，随机选择一个节点的加边信息执行一次加边操作，最后根据网络拓扑中的最大度与最小度的差值以及调整次数的上限结束优化。本发明方法操作简单，无需网络拓扑全局信息，能够加速一致性分布式算法收敛等优点。

技术领域

本发明属于分布式信息处理技术领域，具体是分布式信息处理中的网络拓扑优化领域，涉及一种加快一致性分布式算法收敛速度的网络拓扑优化方法。

背景技术

近年来，随着网络的普及使用，云计算和大数据等新兴领域的出现，分布式网络因其高可靠性、可扩展性、灵活性、更快的处理速度等优势逐渐代替集中式网络。分布式网络是由分布在不同地点且具有多个节点机互连而成的，每个节点都是独立存储和计算的，节点间就需要网络通信算法进行协作，因此产生了各种各样的分布式算法，其中的一致性分布式算法是分布式网络中应用较多的算法。

一致性分布式算法，不需要将信息传输到一个中央处理器，是通过与邻居节点交换信息最终所有节点达成一致。在实际的网络环境中，有限的带宽资源使得节点之间不能进行太多的信息交换和多次迭代计算，因此加快一致性分布式算法收敛速度具有重要应用价值。

一致性分布式算法的收敛优化是一个复杂组合优化问题，已有的加快一致性分布算法收敛速度的优化方法主要分成两个大类。一类是对算法的优化，如分布式梯度算法、分布式交替方向乘子法、分布式牛顿算法等。分布式梯度算法的基本思想是在每次迭代中，每个节点都根据局部代价函数在变量梯度的反方向更新相应的参数，最终实现对目标函数的优化；分布式交替方向乘子法的基本思想是将原始变量和目标函数进行拆分，即将原问题分解成较容易求解的若干个子问题，其收敛速度要快于分布式梯度算法；分布式牛顿法的基本思想是利用泰勒展开近似Hessian矩阵的逆矩阵，减少求解逆矩阵的计算量实现目标函数的快速收敛。另一类是从网络拓扑结构入手分析一致性分布式算法的收敛问题，证明出一些拓扑结构参数对收敛速度的上下界约束，以及提出了一些重要的网络拓扑模型，如有着小的平均路径长度和大的集聚系数的小世界网络、符合实际网络特征的无尺度网络等，也讨论了对固定网络拓扑模型下基于全局信息下的拓扑优化，验证了网络拓扑结构参数对收敛速度的影响，但是获取网络全局信息是不可行的。

在实际的网络环境中，一方面网络拓扑的连接通常会发生变化，这样的变化会对网络的一致性收敛性能产生一定的影响，对一致性分布式算法的优化并不能及时且高效应对网络拓扑结构变化问题；另一方面，有限的通信资源使得获取网络全局信息是不可行的，因此亟需一种方法不仅能够及时且高效应对拓扑结构变化问题，还能使用网络拓扑的局部节点信息去实现拓扑结构的优化，进而加快一致性分布式算法的收敛速度。

发明内容

本发明的目的是针对网络拓扑结构影响着一致性分布式算法收敛性能的问题，提供一种加快一致性分布式算法收敛速度的网络拓扑优化方法。本发明方法在不改变网络拓扑连接边数目的情况下，以降低网络通信开销、加快收敛速度为目的，使用网络拓扑的局部节点信息，调整节点之间的连接，优化拓扑的连通性，加快一致性分布式算法的收敛速度，进而降低网络通信开销。

为了实现上述目的，本发明采用如下技术方案：

步骤(1)计算原始网络拓扑的信息，具体是：

(1-1)由N个节点组成的网络拓扑表示为其中，节点集合V＝{s₁,s₂,…,s_N}，s_n为第n个节点，n＝1,2,…,N，ε为连接边的集合；节点s_n的邻居节点集合确定连接边数量表示s_n的邻居节点数量；