Ant Algorithms for Self-Organization in Social Networks

143 Pages·2007·1.19 MB·English

Ph.D. Thesis
Ant Algorithms for Self-Organization in
Social Networks
Conductedforthepurposeofreceivingtheacademictitle
’DoktorindertechnischenWissenschaften’
Advisors
Prof. Gerti Kappel
InstituteforSoftwareTechnologyandInteractiveSystems/E188
FacultyofInformatics
ViennaUniversityofTechnology
Prof. Wolfgang Nejdl
DistributedSystemsInstitute,KnowledgeBasedSystems
UniversityofHannover
Submittedtothe
ViennaUniversityofTechnology
FacultyofInformatics
by
Elke Michlmayr
9402411
Schikanedergasse6/6
1040Wien
Vienna,14thMay2007
Abstract
Peer-to-peernetworksandfolksonomiesarelikelivingorganisms,evergrowingandchang-
ingastimegoeson. Thisthesisaddressestheapplicabilityofalgorithmsderivedfromthe
self-organizing and emergent behavior observed from ant colonies to these complex net-
worksfortwospecificpurposes,namely(1)content-basedsearchinunstructuredpeer-to-
peernetworks,and(2)theextractionofadaptiveuserprofilesfromfolksonomies.
For search in unstructured peer-to-peer networks, the main goal is to find the shortest
pathfromeveryqueryingpeertooneormoreansweringpeersthatpossessresourceswhich
areappropriateanswersforthegivenquery.TheSEMANTalgorithm,whichisdesignedfor
this task, is based on reputation learning. In reputation learning, the information about the
remotepeers’resourcesisgainedpassivelybyobservingtheuserqueriesandtheiranswers
thatareforwardedthroughthelocalpeer. Everysuccessfulqueryevokessmallupdatesin
the routing tables of those peers that are included in the path between the querying and
the answering peer. The routing tables are used for subsequent queries to decide which
linktofollowinordertofindappropriateresources. The SEMANT algorithmiscompliant
withtheAntColonyOptimizationmeta-heuristic,anditemploysaprobabilisticprocedureto
selectoutgoinglinksforqueryforwarding.Thisprocedurecombinesanexploitingstrategy,
whichselectsthoselinkscurrentlyknownasthemostappropriateones,withanexploring
strategy, which also follows links not currently known as the best ones with the aim of
findingbetterpathsnotyetexplored. Aweightdefinestheratiobetweenthestrategies.
SincetheSEMANTalgorithmisacontent-basedapproachtopeer-to-peersearch,itsper-
formancedependsonhowthecontentisdistributedinthenetwork. Theevaluationofthe
algorithmincludesaninvestigationtowhichextentthisisthecase. Basedontheseresults,
wedevelopstrategiesforimprovement.Undertheassumptionthattheresourcesinthenet-
workareannotatedaccordingtoataxonomy,andthatthequeryvocabularyisrestrictedto
theleaftopicsfromthesametaxonomy,itispossibletoconsideralsotheupper-leveltopics
inthequeryroutingprocedureofthealgorithminordertoincreaseitsperformance.
Ant algorithms include an evaporation feature for integrating a time factor when incre-
mentallycreatingsolutions. Thisfeatureisbeneficialforthetaskoflearningadaptiveuser
profiles from tagging data. For this purpose we design the Add-A-Tag algorithm, which
isbasedonacombinationofanevaporationfeatureforadaptingtheuserprofiletotrends
over time, and the co-occurrence technique for determining the relationships between tags.
The user profiles created with the Add-A-Tag algorithm are semantic networks derived
fromthestructureofthetaggingdata,andtheyareadaptiveinthesensethattheychange
accordingtochangesinauser’staggingbehavior. Inadditiontothelong-terminterestsof
auser, alsohisorhershort-terminterestsareincludedintheprofileatanygivenpointof
time. We present a tool for visualizing the changes in the profile over time, and we show
howtoexploittheprofileforpersonalizedbrowsingofannotateddatasources.
i
Kurzfassung
Peer-to-PeerNetzwerkeundFolksonomiesa¨hnelnlebendigenOrganismen,diestetigwach-
senundsichkontinuierlicha¨ndern.Ameisenalgorithmensinddememergentenundselbst-
organisierendenVerhaltenvonAmeisenkolonienbeiderFuttersuchenachempfunden.Die
vorliegendeDissertationbescha¨ftigtsichmitderAnwendbarkeitvonAmeisenalgorithmen
indiesenNetzwerkenfu¨r(1)diesemantischeSucheinunstrukturiertenPeer-to-PeerNetz-
werken,undfu¨r(2)dieExtrahierungvonadaptivenBenutzungsprofilenvonFolksonomies.
DasHauptproblembeiderSucheinunstrukturiertenPeer-to-PeerNetzwerkenistes,fu¨r
jedeAnfragejenePeerszufinden,diedemanfragendenPeertopologischnaheliegenund
u¨berRessourcenverfu¨gen,diealsAntwortaufdieAnfragegeeignetsind.DerimRahmen
dieserDissertationfu¨rdiesenZweckerstellteAmeisenalgorithmusSEMANTverfolgteinen
Ansatz, in dem die Informationen u¨ber die an den entfernten Peers verfu¨gbaren Ressour-
cenaufpassiveArtundWeise,durchdasU¨berwachenderamlokalenPeerempfangenen
und weitergeleiteten Anfragen und Antworten, gewonnen werden. Jede erfolgreiche An-
fragehinterla¨ssteineSpurimNetzwerk.Fu¨rdasWeiterleitenaktuellerAnfragenwirdein
probabilistischesModellbenutzt,dasdieSummederbestehendenSpurenauswertet.Die-
sesModellkombinierteineverwertendemiteinerexplorierendenStrategie.Inderverwer-
tenden Strategie werden immer jene Spuren benutzt, die am besten geeignet sind. In der
explorierendenStrategiewerdenauchschlechtereSpurenbenutzt,umpotentiellnochnicht
bekanntebessereWegezufindenunddamitdieLeistungdesGesamtsystemszuerho¨hen.
DieLeistungvonsemantischenAnsa¨tzenzurPeer-to-PeerSuchewirdstarkvonderVer-
teilungderInhalteimNetzwerkbeeinflusst.Dasgiltauchfu¨rden SEMANT Algorithmus.
UnterderAnnahme,dassalleRessourcenimNetzwerkmitauseinerTaxonomiestammen-
denMetadatenausgezeichnetsindunddassdieAnfragenaufdemselbenMetadatenvoka-
bularberuhen,istesmo¨glich,diehierarchischeInformationausderTaxonomieindieEnt-
scheidung miteinzubeziehen, zu welchem Nachbar-Peer eine Anfrage weitergeleitet wer-
densoll.DamitwirddieLeistungdesSuchalgorithmusverbessert.
Ameisenalgorithmen inkludieren einen Evaporierungsfaktor zur Beru¨cksichtigung von
zeitlichenAspektenbeiderinkrementellenGenerierungvonLo¨sungenfu¨rOptimierungs-
probleme. Der Add-A-Tag Algorithmus fu¨r die Extrahierung von adaptiven Benutzungs-
profilen von Folksonomies nutzt diesen Evaporierungsfaktor in Kombination mit einem
Co-occurrenceAnsatzzurAnpassungvonBenutzungsprofilenandieA¨nderungenimTag-
gingVerhalteneinesBenutzersodereinerBenutzerin.DiemitAdd-A-TagerstelltenProfile
sind semantische Netzwerke, deren gewichtete Kanten die Sta¨rke der Beziehungen zwi-
schendeneinzelnenTagsimProfilausdru¨cken.DurchdieIntegrationdesEvaporierungs-
faktors in den Algorithmus beinhalten die Profile sowohl die Langzeitinteressen als auch
dieKurzzeitinteressenderBenutzerInnenzumZeitpunktderProfilberechnung.DieProfile
ko¨nnenfu¨rdaspersonalisierteBrowsenvonannotiertenDatenquellenverwendetwerden.
ii
Acknowledgements
I am grateful to my advisors Prof. Gerti Kappel and Prof. Wolfgang Nejdl for their sup-
port. Moreover, I would like to thank my friends and colleagues who accompanied and
helpedmethroughoutmy thesiswork: SabineGraf,Birgit Korherr, MarionMurzek,An-
dreaSchauerhuber,VeronikaStefanov,NevenaStolba,MartinaUmlauft,StefanieScherzin-
ger,DorisKastner,SonjaWillinger,SonjaSchindler,DanielaKnitel,UlliPastner,BeateList,
HorstEidenberger,GeraldReif,MartinBernauer,GerhardKramler,MichaelSchadler,Mo-
nikaLanzenberger,MartinaSeidl,HorstKargl,MichaelStrommer,ManuelWimmer,Geor-
ge Metcalfe, Nysret Musliu, Agata Ciabattoni, Florian Ledermann, Karin Kosina, Michael
Mehling,WolfSiberski,AlexanderLo¨ser,ChristophTempich,ChristophSchmitz,Christof
Marti,WaiGenYee,ArneHandt,DanielGmach,MiriamFernandez,MischaTuffield,Phil
Moore, Tobias Bu¨rger, Aldo Gangemi, Enrico Motta, Michele Pasin, Tom Heath, Steve Ca-
yzer,PaulShabajee,CarloTorniai,HuiWan,AndrewByde,PaoloCastagna,HuwJeffries,
DanielDrozdzewski,SerdarCabuk,JohannesKirschnick,IlangoSriram,AndreiaEstevez,
Filipe Beato, Cressida Darwin, Christoph Trompler, Verena Hladik, Arno Pany, Christian
Zech,ChristineKohlmayr,PeterHochpo¨chler,SusannePalmetzhofer,SusannaHutsteiner,
MartinaMayrhofer,MarkusKoppenberger,FlorianHammer,andmanymore. Mostofall,
IthankmyparentsChristineandLeopold,mysisterBirgit,andmybrotherAnton.
iii
Contents
1 Introduction 1
1.1 Problemstatement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Organizationofthethesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
I Content-basedSearchinUnstructuredPeer-to-PeerNetworks 5
2 Searchinpeer-to-peernetworks 6
2.1 Peer-to-peernetworks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Structuredandunstructurednetworks . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.1 Unstructuredoverlaynetworks . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.2 Super-peerarchitecture . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.3 Structuredoverlaynetworks . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.4 Comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Searchinunstructurednetworks . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3.1 Breadth-firstsearchanddepth-firstsearch . . . . . . . . . . . . . . . . 10
2.3.2 Modificationstobreadth-firstsearch . . . . . . . . . . . . . . . . . . . . 10
2.3.3 Randomwalks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.4 Localindices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.5 Exploitationofnetworktopology. . . . . . . . . . . . . . . . . . . . . . 12
2.3.6 Reputationlearning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.7 Semanticoverlaynetworks/Shortcutnetworks . . . . . . . . . . . . . 14
2.3.8 Comparisonofapproaches . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Ant-inspiredemergenceandself-organization 16
3.1 Emergenceandself-organization . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2 Ant-basedmethods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.1 AntColonySystem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.1.1 Descriptionofthealgorithm . . . . . . . . . . . . . . . . . . . 21
iv
3.2.1.2 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3 Distributedant-basedmethods . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3.1 AntNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.1.1 Descriptionofthealgorithm . . . . . . . . . . . . . . . . . . . 24
3.3.1.2 Preventingcycles . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.1.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.2 AntHocNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.2.1 Descriptionofthealgorithm . . . . . . . . . . . . . . . . . . . 28
3.3.2.2 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4 TheSEMANTalgorithm 33
4.1 Problemdescription . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.1.1 Assumptions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Specificationofthealgorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.1 Datastructures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.2 Queryrouting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2.2.1 Queries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2.2.2 Time-to-liveparameter . . . . . . . . . . . . . . . . . . . . . . 37
4.2.2.3 MinResourcesvariationandmaxResultsvariation . . . . . . . 37
4.2.2.4 Step-by-stepdescriptionofthequeryroutingprocedure . . . 38
4.2.3 Linkselection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.3.1 Exploitingstrategy . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.3.2 Exploringstrategy . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.4 Routingtableupdates . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.5 Peeractivity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.2.6 Bootstrapping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.2.7 Programflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3 SimulationandResults . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.1 Evaluationsetup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3.1.1 Networktopology . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3.1.2 Contentdistribution . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3.1.3 Querydistribution . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3.2 Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3.3 Performanceevaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3.3.1 Parametersettings . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3.3.2 ComparisonofthemaxResultsvariationagainstthek-random
walkeralgorithm . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.3.3.3 Correctnessoftheimplementation . . . . . . . . . . . . . . . 49
v
4.3.3.4 ComparisonoftheminResourcesvariationagainstthemaxRe-
sultsvariation . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.3.3.5 Evaluationofthebootstrappingmechanism . . . . . . . . . . 51
4.3.4 Influenceofparametersettingsonperformance . . . . . . . . . . . . . 53
4.3.4.1 Influenceoftime-to-liveparameterttl . . . . . . . . . . . 53
max
4.3.4.2 Influenceofweightw . . . . . . . . . . . . . . . . . . . . . . 56
e
4.3.4.3 Influenceofevaporationfactorρ. . . . . . . . . . . . . . . . . 58
4.3.5 Influenceofnetworktopologyonperformance . . . . . . . . . . . . . . 60
4.4 Relatedwork. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.4.1 Antalgorithmsforsearchinpeer-to-peernetworks . . . . . . . . . . . 62
4.4.2 Antalgorithmsforotherdistributedtasks. . . . . . . . . . . . . . . . . 63
4.5 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5 ExtensionstotheSEMANTalgorithm 66
5.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.2 Definingsemanticrelationshipsbetweenpheromonetrails . . . . . . . . . . . 68
5.2.1 Datastructures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.2.2 Trailfollowing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.2.3 Traillaying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.3 Experimentalresults . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.3.1 Simulationsetup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.3.2 Numberofexpertsinthenetwork . . . . . . . . . . . . . . . . . . . . . 70
5.3.3 Degreeofcoherenceinthecontent . . . . . . . . . . . . . . . . . . . . . 73
5.4 Relatedwork. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.5 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
II AcquisitionofDynamicUserProfilesfromFolksonomies 78
6 ACaseStudyonEmergentSemanticsinCommunities 79
6.1 Folksonomiesandtheircharacteristics . . . . . . . . . . . . . . . . . . . . . . . 80
6.2 Folksonomiesandpeer-to-peerenvironments . . . . . . . . . . . . . . . . . . . 83
6.2.1 Architecture,userbehavior,andavailabilityofdata . . . . . . . . . . . 83
6.2.2 Dofolksonomiesprovideemergentsemantics? . . . . . . . . . . . . . . 83
6.3 ExperimentsandResults . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6.3.1 Experimentalsetupandtestdata . . . . . . . . . . . . . . . . . . . . . . 85
6.3.2 Dataselection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.3.3 Datasemantics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
6.4 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
vi
7 CreatingandVisualizingUserProfilesOverTime 92
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
7.2 Profileconstruction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.2.1 Naiveapproach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.2.2 Co-occurrenceapproach . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.2.3 Adaptiveapproach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
7.3 TheAdd-A-Tagalgorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.3.1 Updatingthegraph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.3.2 Extractingtheuserprofile . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.4 Evaluationofprofileadaptivity . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.4.1 Testsets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.4.2 Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
7.4.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.5 Profilevisualization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.5.1 Userstudy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.6 Profilesforpersonalizedinformationaccess . . . . . . . . . . . . . . . . . . . . 107
7.6.1 BrowsingtheWeb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7.6.2 Browsinganannotateddatasource . . . . . . . . . . . . . . . . . . . . 107
7.7 Relatedwork. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
8 Conclusionandfuturework 113
Bibliography 115
vii
List of Figures
3.1 Forwardandbackwardants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Sub-pathsofapath . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1 Formatandsizeoftheroutingtables . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2 TheSEMANTalgorithminpseudo-code . . . . . . . . . . . . . . . . . . . . . . 43
4.3 Researchareas: Third-leveltopicsandtheirleaftopics . . . . . . . . . . . . . . 45
4.4 Resource usage comparison of the k-random walker algorithm and the SEM-
ANTalgorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.5 Hitratecomparisonofthek-randomwalkeralgorithmandtheSEMANTalgo-
rithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.6 Resourceusagecomparisonof3testruns . . . . . . . . . . . . . . . . . . . . . 49
4.7 Hitratecomparisonof3testruns . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.8 Efficiencycomparisonof3testruns . . . . . . . . . . . . . . . . . . . . . . . . 49
4.9 HitrateevaluationofthemaxResultsvariationoftheSEMANTalgorithm . . . 50
4.10 HitrateevaluationoftheminResourcevariationoftheSEMANTalgorithm . . 50
4.11 ResourceusageevaluationofthemaxResultsvariationofSEMANT . . . . . . . 50
4.12 ResourceusageevaluationoftheminResourcevariationofSEMANT . . . . . . 50
4.13 EfficiencyofminResourcesvariationandmaxResultsvariation . . . . . . . . . . 51
4.14 Resourceusageevaluationofthebootstrappingmechanism . . . . . . . . . . 52
4.15 Hitrateevaluationofthebootstrappingmechanism . . . . . . . . . . . . . . . 52
4.16 Efficiencyevaluationofthebootstrappingmechanism(timeunit0to500) . . 53
4.17 Efficiencyevaluationofthebootstrappingmechanism(timeunit500to5000) 53
4.18 Hit rate evaluation of the influence of time-to-live parameter ttl in the
max
minResourcesvariation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.19 Hit rate evaluation of the influence of time-to-live parameter ttl in the
max
maxResultsvariation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.20 Resource usage evaluation of the influence of time-to-live parameter ttl
max
intheminResourcesvariation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.21 Resource usage evaluation of the influence of time-to-live parameter ttl
max
inthemaxResultsvariation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
viii
4.22 Efficiencyevaluationoftheinfluenceoftime-to-liveparameterttl inthe
max
minResourcesvariation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.23 Efficiencyevaluationoftheinfluenceoftime-to-liveparameterttl inthe
max
maxResultsvariation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.24 Resource usage of the SEMANT algorithm using the minResources variation
when varying the value used for parameter w . Between time unit 0 and
e
timeunit1500,resourceusageisdependentonparameterw . . . . . . . . . . 57
e
4.25 Hit rate of the SEMANT algorithm using the minResources variation when
varying the value used for parameter w . The curves converge to the same
e
limit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.26 Log-log plot of the efficiency of the SEMANT algorithm using the minRe-
sources variation for parameter w ∈ [0.05,0.95]. A higher rate of exploring
e
antsresultsinslightlylessefficientresultsinthestart-upphase,butimproves
theperformanceintheconvergedphase. Thecurvesfortheothersettingsof
parameter w lie in between those shown and are omitted for clarity. Note
e
thatthetimeaxisisstretchedbyfactor2. . . . . . . . . . . . . . . . . . . . . . 58
4.27 Efficiency of the SEMANT algorithm using the minResources variation when
varyingthevalueusedforparameterρ. Notethatthetimeaxisisstretched
byfactor2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.28 Zoomoftheefficiencyresultsbetweentimeunit500andtimeunit5000ofthe
SEMANTalgorithmusingtheminResourcesvariationwhenvaryingthevalue
usedforparameterρ. Notethatthetimeaxisisstretchedbyfactor2. . . . . . 59
4.29 Hitratecomparisonwhenusingdifferentnetworktopologies . . . . . . . . . 60
4.30 Resourceusagecomparisonwhenusingdifferentnetworktopologies . . . . . 61
4.31 Efficiency of the SEMANT algorithm using the minResources variation when
using different network topologies. Note that the time axis is stretched by
factor2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.1 Coherentcontentdistribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.2 Dispersedcontentdistribution . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.3 Hit rate evaluation of the impact of the number of experts (six and twelve)
onperformanceincaseof(1)usingaflatnamespaceandincaseof(2)using
ahierarchicnamespace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.4 Resource usage evaluation of the impact of the number of experts (six and
twelve) on performance in case of (1) using a flat namespace and in case of
(2)usingahierarchicnamespace . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.5 Efficiencyevaluationoftheimpactofthenumberofexperts(sixandtwelve)
onperformanceincaseof(1)usingaflatnamespaceandincaseof(2)using
ahierarchicnamespace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
ix