主控网状通信策略在web搜集系统中的应用及模拟分析

　　 摘要：搜索引擎所处理的对象是Web上成千上万的Web服务器通过网页之间的链接构成的海量信息，各个主机之间的联系或多或少，但都可以说是相对独立的本文研究了网状主控通信策略在web搜集系统中的应用情况。
关键词：主控网状通信策略web搜集系统中模拟
0引言
搜索引擎已经成为快速、准确地在纷繁的信息网中定位自己所需东西的重要手段。然而要在搜索引擎中尽可能地找到用户所需信息，就要求搜索引擎索引尽可能多的网页。因此索引网页数量是评价一个搜索引擎好坏的关键因素之一。要索引更多的网页就要获取更多的网页，因此高效地获取网页是一个好搜索引擎的基础。然而，单机系统受限于CPU的处理能力、磁盘存储的容量，而最致命的是系统可扩展性低，扩大规模的唯一方法是换成处理能力更强的系统，巨大的成本是难以令人接受的。采用可扩展并行分布式计算机系统结构处理Web上的海量信息，成为很自然和诱人的方案，扩大分布式系统处理能力只需要增加机器即可。并行分布技术的可实现性来自计算机网络速度的不断提高，交换技术保证各节点的通信可以相互独立，而不是像共享式技术一样所有节点共享全部带宽。在10M以太网的环境下，文件传输的速度可以达到1MB/s;在100M以太网的环境下，文件传输的速度可以达到10MB/s。一个以太网帧的最大长度是1518个字节，在10M以太网的环境下传输时间是1.2毫秒；如果在千兆网环境下传输时间则是12微秒，这个时间延迟对于大多数应用都是可以忽略的。本文研究了网状主控通信策略在web搜集系统中的应用情况。
1web搜集系统概述
一个完整的web搜集系统主要包括搜集系统、索引系统、检索系统等不同组成部分，其中Web信息搜集系统是核心部件。系统分布的核心是数据的分布。对搜集部分而言，实际是将URL分布在执行搜集任务的机器之间，保证它们搜集的URL不会重复。对查询部分，则是将索引数据分布在执行检索任务的机器之间。搜集节点之间相互协调，分配URL，保证每个Web主机的全部网页只能存在于一个搜集节点上。每个索引节点对应搜集节点搜集的网页，查询代理节点通过多播向所有索引节点发送查询命令，等待搜集到全部索引节点返回的检索结果后，对所有结果依据相关度排序，并缓存一定数量的结果，最后向用户返回结果的首页。用户的后续查询（翻页），将会在缓存命中，不必再次启动后面的网络查询，这将大大减少查询的响应时间，降低后面查询系统的负载，从而提高查询系统的性能。
2web搜集系统的主控通信策略
2.1主控通信策略的类型整个Web可以看作是一张有向图G=(V，E)组成，V表示网页的URL，E表示两个网页之间存在的超链接URL，即一个网页中有另一个网页的URL。对于图中任意两个顶点Vi，Vj∈V，如果Vi到Vj有路径，则称Vi与Vj是连通的。假设存在集合Vs，其中初始仅起始URL，随着对G的遍历，不断的扩充Vs，对于G中任意一个Vi∈V，存在Vsi∈Vs，从Vsi到Vi有路径，则认为G是连通的。所以Web的搜集过程可以看作是从集合Vs出发，发现有向图G中所有V的过程。为了尽快的发现有向图G中所有的V，应该采用多个搜集分系统从多个起始URL开始。考虑到网络速度限制和集中式系统中单台机器性能的限制，应该采用分布式并行工作。因此就存在一个主控通信的问题，一般主控通信策略主要包括以下两种：①主控环形通信策略，邻近的主控之间建立连接，形成环状图。外发URL的传送可以选定顺时针或逆时针方向。②主控网状通信策略，各主控制之间两两建立连接，形成一个外发网状图。外发URL的传送可以直接传递。
主控环形通信策略的系统运行初始化简单，但是因为有多次传送外发URL可能，存在通信量大的缺点。而采用主控网状通信策略则有明显优势，速度快，而且由于每两台主控之间都有连接，当有一台主控当机的情况下或增加新主控时，能够迅速的调整URL的分配。
2.2 主控网状通信策略的应用 web搜集系统使用主控环形通信策略的结构如图1所示。
在图1中，调度模块(WebGather Server Registry，简记为WSR)，存储分布式系统内所有登记主控的信息，包括各登记主控的IP和端口号。当任一个主控的信息有所改变时，WSR负责发送新的主控信息给其他主控，便于建立连接和变更连接。每个主控模块主控1，主控2，……主控N负责搜集存储属于自己范围内的网页。每一个搜集模块搜集器1，搜集器2，……搜集器N附属于相应的主控模块，负责接收所属主控发送的URL，抓取该URL指向的网页并传送回所属主控。各主控模块之间都建立有双向连接，可以全双工的工作。当任一主控发现自己的搜集模块发回的网页中包含不属于自己的URL时，将此URL传送给它应属的主控去处理。为减少通信量，各主控之间只传送URL。
3 模拟分析
3.1 模拟环境 WebGather自1997年10月正式提供查询服务以来，得到了广大用户的好评。本文以WebGathe作为模拟环境，在WebGather正常运行过程中，利用附加程序，产生分布式算法需要使用的模拟数据，对于每个网页保存了URL及其所包含的URL信息，大小为507MB。通过运行程序，产生一有761，129个网页的模拟Web数据。以此作为我们的实验对象。程序运行的机器是一台PC机，配有双Intel550CPU，内存为512MB，硬盘36GB，运行的操作系统为Solaris8.0。基于上述实验环境，我们分别模拟实验了主控数n为2，4，8，16时四种情况。四组模拟实验分四次完成，每次运行n个主控时，同时运行一个集中式主控。每组运行时间至少为三天，获得了大量模拟实验数据。由于实验环境需要具有一致性，我们采用了集中解析域名方式，因此各个主控之间只有外发URL的通信量。各主控之间传递的只是URL，根据经验值取定每个URL长度最大为128字节。这样的设定值既能满足绝大部分URL的长度规则，又能够有效控制通信量。考虑在上述后两种情况下的主控通信中，一个副本要传送给多个主控，在实际系统的运行中可以采用多播(multicast)技术。
3.2 运行结果分析 为使系统负载平衡，采用Hash函数动态分配URL给每个主控进行搜集，负载平衡的效果可以通过分析每个主控每小时搜集网页数获得，在运行环境相同的条件下，如果每个主控在相同的时间间隔内搜到的网页数大致相等，则证明系统是负载平衡的。可以看出，在主控数分别为2，4，8，16情况下，方差值均小于参照方差值，从图中可以看出任何一组实验数据的方差都小于参考方差。
在图2中三角形线表示参考数据方差，方形线表示主控数为2时的方差，钻石形线表示主控数为4时的方差，加号形线表示主控数为8时的方差，星号形线表示主控数为16时的方差。这说明在各组实验条件下，分布式系统的每个主控程序承担的工作量基本相等（体现为搜集的网页数基本相等），因此搜索引擎分布式系统负载平衡达到预期目标。
参考文献：
[1]孟涛，闫宏飞，王继民.一个增量搜集中国Web的系统模型及其实现[J].清华大学学报(自然科学版)，2005，(S1).
[2]刘玉莲，周春楠，张强.网页搜集系统的动态可配置性的研究与实现[J].信息技术，2004，(7).
[3]胡修林，杨刚，张蕴玉.嵌入式多任务操作系统中的任务间通信策略[J].微型电脑应用，2007，(8).