近年来，对等网络（P2P网络）由于自身的自治性、扩展性、容错性等方面的优势，获得了快速发展。基于P2P网络的应用已远远超越简单的文件共享，在大规模互联网应用等方面显示出巨大的潜力。　　 P2P网络需要研究的问题包括体系结构、资源发现、数据管理、安全和信任等，资源发现是其中一个基本而且重要的方面。资源发现机制为P2P网络中节点提供了定位资源的能力。目前，无结构化P2P网络在Internet环境中获得了广泛应用，针对其中的资源发现方法，研究人员开展了许多研究工作，努力提高资源发现的性能，但是复杂的组织方法、过多的开销等因素影响它们实际的可用性，还有很多关键问题仍未很好地解决，需要进一步深入研究。　　 由于P2P网络的自组织特性，节点可以随时加入或离开网络而不受到任何约束，由此引起Churn现象，造成P2P网络结构不稳定，而且降低了资源的可用性，影响到P2P网络的性能。　　 本文对P2P网络资源发现的相关问题进行了深入研究，围绕节点兴趣特征，从多个方面探讨提高资源发现性能的方法，主要研究内容和贡献如下:　　 1.对无结构化P2P网络的资源搜索方法进行研究。在P2P网络中，节点表现出明显兴趣偏好，节点上的资源之间具有相关性，由此做出推断:如果一个节点拥有与用户所感兴趣资源相关的资源，则这个节点很可能拥有用户所感兴趣的资源。以此推断为基础，本文提出了基于贝叶斯网络的资源搜索算法（BNS算法）。根据语义关系，建立资源之间相关性以及相关程度的描述方法;采用贝叶斯网络建立相关度模型，根据相关资源的历史反馈信息，推断查询请求在邻居节点上成功发现的可能性;提出基于该模型的资源搜索算法。实验表明，这一方法不仅能够提高资源发现的性能，而且产生的消息量与随机游走方法产生的消息量相当，而且结构简单，不需要复杂的维护，具有良好的扩展能力。　　 2.研究预测用户兴趣集合的方法。在P2P网络中，用户的行为具有一定的规律性。如果能够准确描述用户的兴趣，预测用户未来的兴趣特征及其变化，将其应用于资源发现方法，能够为改善资源发现的性能提供帮助。本文针对用户的查询行为，采用聚类方法获得与其相关的主题;利用马尔可夫链为查询行为建立模型，描述用户查询相关主题的时序变化;应用极限概率，预测用户的兴趣集合。实验表明，在用户表现出明显的兴趣偏好时，采用这一模型预测用户未来的兴趣集合，具有较高的准确率。兴趣集合预测可以应用于多种资源搜索方法，有助于提高P2P网络资源发现的性能。　　 3.研究减轻Churn对P2P网络资源发现性能影响的方法。在P2P网络中，节点随意地加入或离开，节点之间关系不断变化，造成网络拓扑结构不稳定，使得网络中资源的可用性降低，对资源发现性能产生影响。本文依据网络中资源的可用性，提出减轻Churn对BNS搜索方法性能影响的策略。根据历史搜索的反馈结果，采用命中结果数的期望和方差对系统中资源的可用数量以及波动程度进行描述，反映在动态变化环境中资源的实际可用性;针对各种资源可用性的差异，分别采用不同的搜索策略和相关的算法。实验表明，这个方法使得BNS算法在Churn状态下的搜索性能得到改善，接近在静态条件下的搜索性能。　　 4.在P2P网络中，搜索可用性较低的资源需要付出很大的开销，在Churn环境中，这一问题更加严重。本文提出了基于预取缓存的方法，根据对节点兴趣的预测，推断节点兴趣相关资源在网络中的可用性;对与节点兴趣相关，并且可用度较低但波动度较高的资源，进行预取并缓存。实验表明，对于这类可用性较低的资源，这个方法能够减少对其搜索所付出的代价并且可以提高搜索性能。