标签：比较 部分 动态 这一 cup 就是 准备 des 网上
首先说点没用的：
在老师留下这份作业的时候，说的大致意思是这样的（T T因为讲作业内容那节课翘掉了，导致关键东西没听到什么也不明白滚回来自学。）：
你们作业做出来大致是这个意思的就行：“就是节点再获得信息之后，想要获得信息的欲望弱了。也就是每次兴趣的逐渐减少，衰减”，体现出这个思想就行，要求P2P的，N个nodes什么的。
另外老师补充道：要想研究标准的这个算法，一定要去找他的论文，网上大部分都是不标准的。所以你们只要体现出来这个思想就ok。
先自己查一波资料（并不能看太懂）：这个算法是干这个活的——gossip 是一种弱一致算法，也就是最终一致性算法。
Gossip是一个带冗余的容错算法，更进一步，Gossip是一个最终一致性算法。虽然无法保证在某个时刻所有节点状态一致，但可以保证在”最终“所有节点一致，”最终“是一个现实中存在，但理论上无法证明的时间点。
因为Gossip不要求节点知道所有其他节点，因此又具有去中心化的特点，节点之间完全对等，不需要任何的中心节点。实际上Gossip可以用于众多能接受“最终一致性”的领域：失败检测、路由同步、Pub/Sub、动态负载均衡。
但Gossip的缺点也很明显，冗余通信会对网路带宽、CUP资源造成很大的负载，而这些负载又受限于通信频率，该频率又影响着算法收敛的速度，后面我们会讲在各种场合下的优化方法。
// 然后最骚的是，想查查一些其他的人怎么看的，好多复制粘贴那一堆概念。。
反熵思想（Anti-entropy）。
反熵又是啥啊：修复分布式各节点永久性错误的东西。
废话先放一放，查询教材之后找出提到的几个概念：
1.感染协议（epidemic protocol）：应该说的就是这类协议是基于流行病理论衍生的，然而在分布式系统中要传染的不是病，而是信息罢了。那么以下的概念都是些源于传染病的术语了??；
2.已感染的（infected）：分布式系统的某个节点如果具有了要传播的其他的节点的数据。（已经染上病了的）
3.易受感染的（susceptible）：还没有接受到数据的节点。（想要染病的。。。容易染上病的说法更好一点）
4.已隔离的（removed）：不会传播其数据的已更新节点。（染上病都好了有抗体了的）
摘自教材（分布式系统原理与范式 第二版中文版 Andrew.S.Tanenbaum ，Maarten.Van.Steen写的）：
要解释这杨算法东风恶一般原理，我们假定特定数据项的更新都是从单个节点发起的。这些就可以避免写冲突。
分布式系统的感染算法设计人员则是试图尽可能快递用新信息“感染”所有节点。
这里我们假定可以区分新旧数据，因为数据可能加上时间戳或者版本号了。
一种流行的传播模型是 反熵（anti-entropy）。再这个模型中，节点P随机选取另一个节点Q，然后与Q交换更新信息。三种方法如下：
（1）push：P只把自己的更新信息给Q。
（2）pull： P从Q那里活得更新信息。
（3）push-pull：PQ交换更新信息。
后文解释道：
快速方面push不好，push只能已感染的点发，已经感染的点多了的话，那么每个点去感染别人的时候能碰到易感染的点的几率就小了。但是，如果易感染的节点很多的话，push方法就很好的发挥作用了。这种情况下，易感染的被选择的几率高，就有着良性循环。
书上又说：
如果是只有一个节点感染的话，三种方法相比较之下，push-pull的方法最好。
所有点都与随机的另一点交换过了的这一过程成为 一轮（round）。
所以更新信息传到所有结点就需要O（logN）轮。
这中方法的特殊变体称为————gossiping。
然后这个例子让我马上明白了这个算法怎么玩得：
gossiping完全源于生活（因为这个单词的意思是流言蜚语的意思的吧），比如（虚构的）说：
Bob知道了同班同学A要过生日的事情准备通知大家给他准备个惊喜。Bob给Alice打电话通知，Alice又给她的朋友打电话通知，
但是她其中一个朋友Chuck说我都知道了，Alice觉得那大家可能都知道了把，就没有再打电话的兴趣了。
也就是说：
一个点（因为改变之后变成了“感染者”）开始发更新信息（当然是随机选），然后被选到的那个点也变成了“感染者”
然后感染者们继续选点，继续感染。如果选到一个已经感染的点的话（因为是push-pull算法），自己变得没兴趣了，就是变成了“被隔离者”，相当于便成了已经知道的人。
直到所有的感染者们都被隔离。
这种方法不能保证所有的节点都真的被更新了。
下面进行编码的尝试：
编码ing。。。
标签：比较 部分 动态 这一 cup 就是 准备 des 网上
原文地址：http://www.cnblogs.com/THX-night/p/7989282.html
