[论文解读] Human-centric Data Dissemination in the IoP: Large-scale Modeling and Evaluation

Matteo Mordacchini, Marco Conti+2 more|arXiv (Cornell University)|Sep 29, 2021

Opportunistic and Delay-Tolerant Networks参考文献 50被引用 13

一句话总结

本文提出了一种在人网（Internet of People, IoP）中以人类为中心的数据传播方案，该方案利用人类决策中的认知启发式方法——识别启发式（recognition heuristic）——来指导机会网络中设备到设备（D2D）的数据复制。通过一种新颖的混合仿真方法，结合局部社区的解析模型与社区间移动性的事件驱动仿真，作者在大规模场景下（最多250万名用户和500万条数据）评估了该方案，即使在长尾内容场景下也实现了高命中率，同时存储开销极低，并在区域规模场景下实现了高效传播。

ABSTRACT

Data management using Device-to-Device (D2D) communications and opportunistic networks (ONs) is one of the main focuses of human-centric pervasive Internet services. In the recently proposed "Internet of People" paradigm, accessing relevant data dynamically generated in the environment nearby is one of the key services. Moreover, personal mobile devices become proxies of their human users while exchanging data in the cyber world and, thus, largely use ONs and D2D communications for exchanging data directly. Recently, researchers have successfully demonstrated the viability of embedding human cognitive schemes in data dissemination algorithms for ONs. In this paper, we consider one such scheme based on the recognition heuristic, a human decision-making scheme used to efficiently assess the relevance of data. While initial evidence about its effectiveness is available, the evaluation of its behaviour in large-scale settings is still unsatisfactory. To overcome these limitations, we have developed a novel hybrid modelling methodology, which combines an analytical model of data dissemination within small-scale communities of mobile users, with detailed simulations of interactions between different communities. This methodology allows us to evaluate the algorithm in large-scale city- and country-wide scenarios. Results confirm the effectiveness of cognitive data dissemination schemes, even when content popularity is very heterogenous.

研究动机与目标

• 评估在机会网络中大规模数据传播场景下，人类认知启发式（识别启发式）的可扩展性与有效性。
• 解决以往小规模仿真和难以处理的解析模型在建模复杂、大规模以人类为中心的网络时的局限性。
• 开发并验证一种混合建模方法，以实现对城市级和国家级IoP场景中数据传播的准确、可扩展评估。
• 评估在内容流行度异构性和真实移动性模式下的基于认知的方案性能。

提出的方法

• 提出一种混合仿真方法，将大规模IoP场景分解为社区内与社区间动态。
• 使用解析模型描述基于识别启发式的封闭社交社区内的数据传播。
• 采用事件驱动仿真来建模社区间的移动性及社区间的交互。
• 将社区层面行为的解析模型与社区间移动性的仿真相结合，以降低计算复杂度。
• 使用现实分布建模内容流行度，包括长尾场景。
• 在不同条件下评估系统，包括社区内是否存在信道识别。

实验结果

研究问题

• RQ1 在大规模、类现实世界的IoP场景中，基于识别启发式的数据传播方案有多高效？
• RQ2 内容流行度异质性（尤其是长尾内容）对基于认知的数据传播性能有何影响？
• RQ3 在社区内引入信道识别如何影响传播效率与命中率？
• RQ4 该方案在包含数百万用户和数据项的区域与国家级地理尺度下的可扩展性如何？
• RQ5 当内容流行度降至某一阈值以下时，传播速度会显著下降？

主要发现

• 基于识别启发式的方案在所有测试场景中均实现了高命中率（热门信道最高达100%），即使在250万名用户和500万条数据的区域规模场景下也表现优异。
• 该方案在长尾内容上仍保持强劲性能，当仅考虑中等流行度信道（≥25%社区用户订阅）时，命中率显著提升。
• 缺乏极低订阅率信道（如<0.0025%用户订阅）可提升命中率，尤其对不热门内容更为明显，因减少了缓存污染。
• 当每个社区中对某类数据感兴趣的节点少于一个时，传播速度出现相变，性能急剧下降。
• 在社区内引入信道识别可提高传播效率，因为它可防止无关数据在移动节点的缓存空间中竞争。
• 混合仿真方法在保持准确性的同时，实现了对大规模IoP场景的可扩展评估，克服了纯仿真或解析模型的局限性。