Fagagnini, L. (2021). A Framework for self-initiative peer clustering agents [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2021.66923
In den meisten Peer-to-Peer Netzwerken werden Peers zufällig oder anhand ihrer geografischen Position verbunden. Das kann zu einem Leistungsengpass führen, worunter die Performanz eines solchen Netzwerkes leiden kann. Dieses Problem kann durch die Nutzung von Peer Clustering Algorithmen, welche die Peers anhand bestimmter Charakteristika gruppieren, gelöst werden. Diese Diplomarbeit liefert ein Framework, das systematische Benchmark-Tests von Peer Clustering Algorithmen, deren Auswertung und Vergleich ermöglicht. Die resultierende Applikation basiert auf dem Peer Model, einem koordinationsbasierten Programmiermodell. Außerdem bietet das Framework vielfältige Konfigurationsmöglichkeiten und erlaubt die einfache Austauschbarkeit der verwendeten Peer Clustering Algorithmen.Als weiterer Beitrag werden zwei innovative Algorithmen, Slime Mold und Slime Mold K-Means, die auf dem Lebenszyklus des Dictyostelium discoideum Schleimpilzes basieren, implementiert. Die beiden Algorithmen werden in Kapitel 5 vorgestellt und detailliert beschrieben. Diese werden kompetitiv gemessen, evaluiert und mit den neun folgenden, bekannten konventionellen und schwarm-basierten Algorithmen verglichen: Artificial Bee Colony, Artificial Bee Colony combined with K-Means, Ant-based Clustering, Ant K-Means, Fuzzy C-Means, Genetic K-Means, Hierarchical Clustering, K-Means and Particle Swarm Optimization. Slime Mold und Slime Mold K-Means übertreffen sämtliche andere schwarm-basierten Algorithmen in Bezug auf Ausführungszeit und Qualität der Clustering Lösung. Denn obwohl sie sich meist im Mittelfeld befinden, zeigen sie, im Gegensatz zu anderen Algorithmen, keine extremen, unerwünschten Schwankungen bezüglich der Clustering Effektivität.
de
In most Peer-to-Peer networks, peers are placed randomly or based on their geographical position. This can lead to a performance bottleneck and thus, performance in such networks can be extremely poor. This problem can be solved by using peer clustering algorithms, aiming at grouping peers, which have certain characteristics in common, together as neighbors. This thesis provides a benchmarking framework, which allows the systematic benchmarking, evaluation and comparison of peer clustering algorithms. The resulting application is based on the Peer Model, a coordination-based programming model. Furthermore, the framework provides extensive configuration possibilities and easy exchangeability of the applied peer clustering algorithms.As additional contributions, two innovative algorithms, Slime Mold and Slime Mold K-Means, based on the life-cycle of the Dictyostelium discoideum slime mold are implemented. Those two algorithms are presented and described in detail in Chapter 5. They are competitively benchmarked, evaluated and compared to the following nine well-known conventional and swarm-based algorithms: Artificial Bee Colony, Artificial Bee Colony combined with K-Means, Ant-based Clustering, Ant K-Means, Fuzzy C-Means, Genetic K-Means, Hierarchical Clustering, K-Means and Particle Swarm Optimization. Slime Mold and Slime Mold K-Means outperform all other swarm-inspired algorithms in terms of execution time and quality of the clustering solution. Although they are usually midranged, they never provide unwanted massive increase or decrease in clustering effectiveness results, unlike other peer clustering algorithms.