超立方体网络上与距离相关的容错性研究

来源 :苏州大学 | 被引量 : 1次 | 上传用户:abo000
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着计算机科学和信息化网络技术的发展,高性能计算机在社会各个领域发挥着日益重要的作用。高性能计算机的性能在很大程度上取决于其系统内部处理器之间的连接方式(互连网络)。互连网络的拓扑结构及其性质的研究是并行计算领域的研究重点之一。互连网络一般可以用一个简单图G=(V(G),E(G))来表示,其中V(G)表示图G中的顶点集合,代表互连网络中的处理器,E(G)表示图G中的边集合,代表处理器之间的链路。随着互连网络规模的不断扩大,网络中处理器和链路的数目也逐渐增多,处理器或链路发生故障的概率也会随之增加。在网络发生故障的情况下网络中某些特性能否继续保持,这就是网络的容错性,它是衡量互连网络性能的一项关键指标。超立方体网络是多处理器系统中一种常用的互连网络,它具有很多优越的性质,例如直径较小、结构对称、递归构造、可扩展性强等。基于该网络,研究者们已经提出了许多性能优越的超立方体变型网络,例如交叉立方体、扭立方体、莫比乌斯立方体等。因此,超立方体网络已成为多处理器系统中最基础也最重要的网络模型之一。本文在结合理论分析的基础上,就超立方体网络的容错性提出了新的测量方法,并且在该方法的限制条件下,研究了超立方体网络上的条件连通度,容错单播路由算法以及容错哈密顿性质。主要研究内容如下:1.本文提出一种与距离相关的新的条件(边)连通度――(g,d,k)-条件(边)连通度。与其他条件连通度相比,(g,d,k)-条件(边)连通度的要求更符合实际情况,并且允许存在更多的故障顶点(边)。它为研究超立方体等网络的容错性提供了新的衡量指标。2.本文研究了超立方体网络上某些特定的(g,d,k)-条件(边)连通度,包括κ1,1,k(Qn),κ1,d,2(Qn),λ1,1,1(Qn)和λ1,d,2(Qn)。这些结果为后续研究超立方体网络上其他(g,d,k)-条件(边)连通度提供了参考,也为在超立方体变型网络等其他网络上研究(g,d,k)-条件(边)连通度提供了方法上的指导。3.本文在(1,1,1)-条件连通的情况下提出了一种基于局部信息的容错单播路由算法,该算法通过构建长度不超过3的跨越路径来选择用于路由的维度。本文分析了该算法的时间复杂度以及空间复杂度,并且和现有的几种单播路由算法从成功率,运行时间,路径长度等方面进行了比较。4.本文结合(g,d,k)-条件边连通的概念,提出了一种新的条件容错哈密顿性质:f-(g,d,k)条件边容错哈密顿。本文证明,当n≥4时,n维超立方体是(4n-13)-(3,0,0)条件边容错哈密顿的,并且这一结果是最优的。最后,对本文工作进行了总结,并对后续的研究工作进行了展望。
其他文献
随着Internet的快速发展,网络电话VoIP也得到了推广,由于其较传统电话资费便宜、可视频通话等优点,VoIP在长途电话、越洋电话等方面应用尤其广泛,但与传统电话相比,VoIP话音质量还
移动社交网络,是一种结合了网络与节点社会特性的时延容忍网络。现有的时延容忍网络路由协议假设源节点和目标节点之间至少存在一条完整通信路径,已经无法适用于该新型网络。
随着网络技术的飞速发展和网络应用范围的不断扩大,对网络的各类攻击与破坏与日俱增。在网络安全问题日益突出的今天,如何迅速有效地发现各种入侵行为,对于保证系统和网络资源的
相比于浅层网络,深度网络拥有更为有效的函数表征能力,可以为高度非线性且高度变化的函数学习到一种紧凑的表示。深度学习算法通过预训练和微调解决了深度网络的训练问题,使
在数据爆炸性增长的环境下,信息抽取成为一种从海量数据中获取有价值信息的重要手段。事件抽取是信息抽取的一个子任务,其目的是把含有事件信息的无结构化文本以结构化的形式
随着社会的发展和生活水平的提高,水资源的污染程度也成上升趋势,水污染已经成为了世界性的头号环境治理课题。我国的环保事业需要快速发展,工业废水、生活污水的处理成为当
学位
心脏病严重威胁着人类的生命,是全球范围内造成死亡的主要原因。传统的心脏病诊断方式以医生分析患者的心电图为主,医生主观判断的不确定性及心脏病病理的复杂性易造成误诊及
Skyline是指数据集中不被其他点支配的所有点的集合。支配是指在数据集中,一个数据对象的每一维值都不比另一数据对象相对应维值差,而且必须至少有一个维值比另一数据对象好。
本文提出一种基于混合图结构的图像描述与表示,并利用该结构进行图像匹配。混合图结构是图像先经预处理、分割成若干区域后,再根据图像中各区域的属性特征和空间位置关系建立
随着海洋探测与开发的不断深入,具有自主导航能力的水下航行器的需求越来越大。在复杂的水下环境中,单一的传感器设备,如声纳、摄像头等,都无法满足高精度自主导航的要求,而