个人助理总结精品(七篇)

序论：写作是一种深度的自我表达。它要求我们深入探索自己的思想和情感，挖掘那些隐藏在内心深处的真相，好投稿为您带来了七篇个人助理总结范文，愿它们成为您写作过程中的灵感催化剂，助力您的创作。

篇(1)

Airbnb，迪斯尼世界，Uber和Nest都是取得了非凡成就的产品，总市值加在一起已经超过了1350亿美元！他们不仅仅在服务上传递了很棒的价值，用户的体验好到足以掩盖战略的锋芒。换句话说，它们的用户体验是隐形的。

有谁会真的享受整天摆弄下拉菜单、输入框和按键？有时候作为设计师，在思考体验之时我们会被那些不必要的噪音给干扰。我们会把关注点放在“设计好看的菜单”上，原因不过在于那是我们认为最简单粗暴的解决方案。我发现的一个较为高效的方法是确定最终目标后倒推设计。这能让你不再被UI元素干扰而去专注在真正重要的事情上。

“设计应在回顾时才能被想起”

作为设计师，学会全局纵览产品是很重要的。我并不是说在像素层面纠结无关紧要，但体验如果能好到让人都忘了视觉那会更棒。

可用性和设计领域的专家Jared Spool举了个例子：Netflix曾向它的用户发送了一些问卷调查，内容时关于他们最喜欢其哪点。用户们的答案是：“好看的电影、推荐工具很有用、整体的服务很棒。”然而有一件事他们并没有提及，那就是网站拥有超丰富的功能以及直观且视觉优秀的界面。

Jared Spool由此得出：

“这个结果正反映了Netflix设计师们每天勤奋地工作所得到的成效——他们没有被用户所提及……这并不是因为他们做的事不重要，恰恰相反，这是因为设计师们很好地完成了他们的工作：他们让设计隐形了。”

1.Airbnb——设计不只是绚烂的像素

当在Airbnb上预订住宿的时候，他们真正关心的是住家能否招待他们。Airbnb可能有数千个“可选的”地点，但如果没有任何一家愿意接待你——你的体验会是很糟糕的。

那么Airbnb是如何快速引导你发现其真正的价值的呢？

一切都是隐形的。在Airbnb上进行搜索很简单，表单也很简洁。当你进行搜索的时候，Airbnb在屏幕之后会使用机器学习(Machine Learning)来检测你对目的地的偏好。

说白了，他们创建了一个机器学习的模型来探测住家对于住宿请求的行为和偏好。这样他们就能对每位“客人”的搜索结果进行优化，优先显示那些更有可能接受请求的住家。这能让你在Airbnb上的体验更加有意义，因为于此你便非常有希望从一个住家那里快速成功地收到反馈。

2.迪士尼世界——顺畅奇幻的体验

“过去五年间，迪士尼耗资10亿美元，在全球所有的迪士尼乐园里建立一个用手环连接的智能系统。(这个系统的终端来自于为每个游客订制的Magical Wristband手环。迪士尼不仅把它看作是一张电子门票。它还是解锁酒店房门的钥匙，餐厅和纪念品商店购物时的信用卡。手环配有一个手机应用，可以管理你在乐园里游玩的计划路线、定位家人在园中的位置，可以防止父母和孩子走散。总之，Magical Wristband手环管理着你在童话世界里的身份和财富。这枚手环既可以在乐园的纪念品商店购买，也可以在入园前从官网预订。每只手环价格12.95美元，可以连续待机2年，只要拥有一只就可以逛不止一家迪士尼乐园。)”为什么？因为这能让他们通过隐形的设计创造出一个平滑、奇幻的体验。

从你在网上订票、挑选最喜欢的路线那一刻开始。他们会在屏幕之后捕捉所有你的信息。通过这些数据他们能摸透你的偏好，然后给你提供一个无需多走冤枉路、经过规划的路线。

这个隐形的设计同时能作用于你预订餐馆的时候。当你进行预约时，餐馆工作人员会提前知道你的名字。事实上，你可以坐在公园任意一处，而你的食物会神奇般地找到你！如何做到的？餐馆装备了先进的感应器。

迪士尼世界知道你在他们神奇的主题公园里的位置，这还能创造更棒的体验。想象一下你的孩子不用再挤过拥挤的人群，最喜欢的卡通角色主动向他们走来的场景。

正如你所见，优秀的设计能带来绝佳的体验。

从商业的立场来看，对线路进行优化同时能帮助人们探索公园里更多的受欢迎景点。当参观者在某条线路上花了更少的时间，也就意味着他们可以做更多的事，花更多的钱！

3.Uber——一个屏幕打破整个行业

随时待命的出租车。

谁曾经想过一个屏幕(Uber的大多数主要操作在一个界面里就能完成)就能颠覆整个行业？

在Uber诞生之前，在马路边上挥手叫车的经历简直是一场噩梦。在悉尼寒冬凌晨四点繁忙的街头上叫车实在不是一个好的体验。

1不知何时才能等到一辆空车；

2对何处招揽出租车一无所知；

3对到达目的地的具体费用一无所知；

Uber的体验设计却是非凡。从交互的立场来说，Uber在一个屏幕里解决了用户所有的痛点。

在刚打开app的时候(开启位置服务后)，用户不需要借助操作任何UI元素来体验这个产品的价值。这是一个行业内领先的设计思维的绝佳示例。如何让用户能通过最少的步骤去达成目标？相信Uber的设计团队始终铭记这点。

在app加载的时候：

1你可以看到所有赋闲出租车的位置。

2 Uber同时会告诉你最近的出租车赶来需要的大致时间。

3整个Uber的体验是如此合理优雅以至于只有在回顾时才会发现一个个用心之处。但再想想之前我们通过电话预订出租车的经历，能做的就是拨打热线、留下姓名、提供一个大概的候车位置，每一步都需要在经历时就用劲去实施。

如果你留意到了Uber的成功，整个预订车辆的概念都被精简了。Uber并没有提供“为明天预订一辆车”的功能。他们整个颠覆了行业的标准和期望。

4. Nest——自我学习能力的调温器

目前市面上的调温器价格昂贵、操作复杂、表现低效。Tony Fadell注意到了这点，因此他创建了Nest。作为18代iPod和3代iPhone的设计师，他把他的经验应用到了一个“智能调温器”上。

大多数人或许会以各种理由不去设置他们的调温器——对我来说这需要动手能力极强的人，而我恰好不是。Nest的团队却让整个体验变得绝佳，并让其近乎隐形。

在安装的头七天里，调温器会学习你的偏好和个性化日程。它包含的一些特点有：

1通过位置设置监测你的方位，当你不在家的时候切断电源。

2在你回家之前重新打开，让你到家后能直接感受舒适。

3 Nest监测你的睡眠时间来关掉电源。

4 Nest主张：你告诉它你的习惯，然后它会帮助你节能。

Nest之所以优秀是因为所有的行为都在屏幕之后发生。唯一需要用户做的就是在第一周设定温度。不需要纠结于不必要的UI元素。这也是Google愿意收购Nest的原因。

个人助理App的崛起

Great (invisible) design comes at a great cost.

正由于我们已经越来越熟悉科技于人类的馈赠，并能更好地理解技术、数据、用户行为和期望，这些体验将能变得越来越容易实现。这也正是为什么个人助理app越来越火。

Portal， Emu， VidaHealth， Mindy， Cortana， Siri和Google Now的公共点是什么？

它们都是跻身优秀体验的奠基石。它们都专注于传递一种“过程”悄然运作的体验。“作为一个消费者，我为什么要点击表单来告诉你我需要什么呢？是否是因为我们仍在向僵化的思维妥协，亦或是它综合来看是更好的体验？”

篇(2)

背景：

智能音箱市场体量急速上升，2018Q2季度销量1680万台，预计年底总销量达5630万台，使用人数突破1亿。

用户使用功能中排名前三的是：播放音乐（60%）、回答常识问题（30%）和咨询天气（28%）。最常使用场景是客厅和书房，其次是厨房和卧室。

智能音箱功能外形演变趋势为：mini版、屏幕化、跨界结合（场景感知）。

音箱功能分析：

当前市场智能音箱的核心音乐播放功能点：歌单推荐、收藏管理、音乐控制、GUI点播。

语音平台布局：

通过分析亚马逊-Alexa和阿里AliGenie热门技能：游戏类、教育类、新闻类、音乐类，建议结合开放平台丰富游戏种类和游戏玩法、丰富更好玩的音乐技能。搭载智能设备破一亿的Duer OS，专注于第三方设备中嵌入DuerOS AI助手。

手机语音助手领域，谷歌凭借富有想象力和智能化的Google Assistant更具竞争力；建议结合情感化和虚拟偶像辅助，加强自然贴心的对话服务，如：主动问询、感知情绪、发起性格测试了解用户画像等。

未来发展：

内容服务：个性化语音识别和推送，结合用户群体特点，给予特殊关怀，打造差异化服务。

使用场景：家庭、车载、室外等多场景探索。挖掘手机语音助手使用场景，结合第三方服务提供更强大功能。

一、智能音箱市场现状首先分析智能音箱的发展背景和现有市场体量，估计其未来趋势。接着调查其用户常用功能和主要的使用场景，了解用户刚需，找到主发力点。最后通过盘点音箱功能和外形的演变，探讨业界的发展方向。

1. 智能音箱市场体量智能音箱的发展始于2014年，亚马逊在2014年底Echo，至今占据美国市场60%以上。谷歌在2016年11月正式发售Google Home，中国也加入智能音箱大潮。

2016年智能音箱市场处于启动期，销量300万台。2017年，苹果入局，谷歌、亚马逊全面交锋，销量爆发性增长10倍到3000万台。

2018年Google Home超过Echo成为最热销的智能音箱，第二季度智能音箱总出货量为1680万台，高于第一季度的900万台，2018年智能音箱全球出货量预计将达到5630万台，使用人数突破1亿。

目前在中国，阿里巴巴的Tmall Genie音箱占有50％的市场份额，而小米也在奋力追赶其小米mini音箱的销量在本季度增长了228％。

2. 用户使用功能和场景根据2017年美国智能音箱用户调查报告显示，16%的美国成年人（3900万）有一部智能音箱。播放音乐（60%）、回答常识问题（30%）和咨询天气（28%）是最常见的任务。

用户最喜欢将智能音箱放在客厅和书房（52%），其次是厨房（21%）和主卧（19%），31%的用户将智能音箱和智能家居设备连接在一起。

3. 智能音箱功能和外形演变mini版：布局中高低不同系列音箱，打造系列生态，通过低价撬动市场，代表：Echo dot、小爱mini、百度mini、天猫方糖等等。与谷歌发力高端音箱不同，亚马逊拉低售价，转而开拓屏幕音箱市场。

屏幕化：多模态交互，听得懂、看得见、能对话、会思考，代表：Echo Show、小度在家、京东叮咚。

跨界结合（带摄像头）：视觉交互、场景感知，用手机屏代替音箱屏，代表：精灵火眼。

二、智能音箱核心功能分析参考当前智能音箱的综合排行榜，选择排名前五品牌的代表音箱进行分析，分别为：阿里巴巴-天猫精灵X1、小米-小爱音箱mini、百度-小度、苹果-HomePod、亚马逊-Echo。

由于音乐是智能音箱最常用的任务（60%），在此重点分析音乐功能，通过对比分析五大热门音箱的音乐功能异同点，结合用户体验，总结出当前市场智能音箱的核心音乐播放功能点：歌单推荐、收藏管理、音乐控制、GUI点播。

1. 热门智能音箱功能点对比选择排名前五品牌下的代表音箱对比分析其音乐功能，分别为:

2. 音乐播放核心功能点国内发展较好的智能音箱品牌中，小爱音箱的音乐推荐和播放功能最为齐全；天猫精灵音乐基本功能完备，主打购物生态链；小度APP端功能虽未全部上线，但已布局，努力研发中（与目前王者APP音乐功能类似）。

Echo等国外智能音箱配套APP功能简单，基本功能为音乐控制。HomePod无配套APP，只在HomeKit平台配网连接。

综合热门音箱配套APP音乐功能，核心功能点如下图：

“歌单推荐”是当前智能音箱的基础功能。小爱音箱可根据用户选择喜爱的歌曲风格、歌手进行相应的推荐，但根据用户喜好推荐歌曲工作量较大，且影响用户后期选择范围，因此暂不考虑。

“收藏管理”可有效解决冷启动问题，增加用户粘性。基础功能是指用户通过语音，将正在播放的歌曲添加至收藏歌单，并在APP端显示。小爱与QQ音乐合作，将该账户下收藏歌单同步至智能音箱，此方法值得借鉴。管理功能可方便用户在APP端快捷删除歌单，增删同步完成用户闭环体验。

“音乐控制”可解决复杂场景下远场语音，音箱反应不灵敏问题，营造更为舒适的音乐体验。在基础暂停、切歌等功能上，还有音量控制、播放时间设置、进度条控制等功能，综合用户体验，这些优化点为非必要功能，因此只保留基本的控制功能。

“GUI点播”为用户提供了点播的补充入口。由于近五成用户喜爱海外音乐，收听率超过30%，然而当前智能音箱无法识别非中文歌名。GUI点播解决了海外音乐点播问题的同时，为用户提供了更加快捷流畅音乐点播的体验。小爱和天猫精灵都已实现，小度正努力实现中。

三、语音智能开放平台支撑语音命令操作系统（语音OS）之于智能音箱，相当于移动端的Android和iOS，PC端的window和Linux。智能音箱跨界结合的玩法兴起，因此了解语音智能平台的布局和发展，有助于更好的了解当前能力整合资源，分析热门趋势找到未来的发力点。

下面挑选国内外知名品牌公司的语音系统进行分析，分别为：亚马逊-Alexa、谷歌-Google Assitant ；阿里-AliGenie OS 百度-Duer OS

1. 智能平台热门技能智能语音平台可内置，如：视觉识别、机器学习、自然语言理解、语音识别、模型预测等技术为不同产品形态赋能，打造各有不同功能的“机器人”。

以最早布局的美国科技巨头Alexa为例：开发者为 Alexa 开发的技能数，排名最靠前的技能分别是：游戏类、教育类、新闻类、音乐类。

游戏类技能数量占所有技能的29.76%，热门技能类型主要是音乐音频、休闲游戏，其次是教育和新闻类，而生活智能家居的数量与热度也趋于上升。

在国内，同样有着电商和技术背景优势的阿里，AliGenie目前所涵盖的功能包括：音乐音频、家居控制、购物充值、儿童教育、技能市场。未来发力场景包括：儿童领域、酒店领域、家庭场景下 to B 其他商业场景、线下零售场景、与其他显示设备结合的场景。

2. 手机语音助手市场分析美国市场研究机构Strategy Analytics报告称：2023年全球将有90%的智能手机拥有智能语音助手。到2018年底，Google Assistant的市场份额有望增至51%，苹果Siri排名第二，市场份额将降至31%，百度DuerOS占17%，由2017年的第四名上升至第三名。

图：2018年全球智能手机语音助手市场份额预测

Google借助Android设备，在手机语音助手领域遥遥领先，Alexa在这一关键领域失利。2018年Google Home智能音箱后来居上，除了自身海外市场优势、媒体营销战、与零售商和智能家居设备制造商的合作外，其富有想象力和智能化的Google Assistant更具竞争力。

相比于Alexa数字助理只能理解简单的指令，Google Home利用谷歌的搜索引擎以及谷歌自然语言处理算法能与人进行更具自然的对话。

Duer OS搭载的智能设备激活量已经突破一亿，专注于在尽可能多的第三方设备中嵌入DuerOS AI助手，同时推出自己的产品线。允许OEM厂商快速将百度的语音助手整合到他们的设备中，比如：电视机顶盒、故事机、智能音箱和家用电器。智能助手从手机、音箱迁移至其他硬件设备是未来的发展趋势，同时开拓以手机、音箱为中枢控制的智能家居生态，也是主要发力点。

提前抢占手机智能助手市场非常重要，在启动期，以情感化和虚拟偶像为辅助，可增大用户在技术方面的容忍度。上升期和成熟期的发展需要结合用户特点，提高对话能力，提供更加自然贴心的对话服务。

例如：增加主动问询，感知情绪，发起性格测试了解用户画像等。参考智能家居的理念，可开拓周边硬件，例如：路由器、插座、充电宝等等。

四、未来趋势与应用场景1. 内容服务：细分领域走向个性化用户个性化语音识别模型，提高用户交互成功率；

通过用户交互数据行为和爱好，构建用户画像，实现个性化推送；

结合记忆功能，将智能音箱打造为个人助理和情感陪伴的朋友；

深挖用户个性化需求，给予人群特殊关怀，打造差异化服务。

2. 使用场景：家庭、车载、室外场景探索室内家居：从客厅走向卧室、厨房，应用于生活服务和智能家居交互上。从播放音乐新闻、查询天气百科到购物、定外卖等服务，以及控制家居产品等。

室外场景：可穿戴设备与智能音箱结合，通过用户手势和体感控制，比如：户外运动、广场舞等。

车载场景：通过音箱给汽车下达指令，实现播放音乐、导航、调节空调等功能。

多场景下智能音箱生态，在不同的场景下有其突出渗透的功能。

篇(3)

关键词:服务发现;OMNET;JINI;SLP;UPnP

中图分类号:G301文献标识码:A文章编号:1009-3044(2010)01-26-03

Service Discovery Model for Multi-Networks

SHEN Yong

(Southeast University, Nanjing 210003, China)

Abstract: The recent technological developments in communication networks have results into a broad range of networks. These networks are to be connected with each other to share services and resources. In order to realize automatic configuration and discovery of service, it is very important to apply service discovery technologies in multi-networks scenarios. However, traditional centralized and distributed service discovery models are not suitable for these scenarios. New hybrid service discovery model which is developed from traditional models can meet the requirements.

Key words: service discovery; OMNET; JINI; SLP; UPnP

1 概述

1.1 服务发现技术

服务发现技术(Service Discovery[1])是随着电子技术的不断发展而产生的,越来越多的电子移动设备出现在人们的生活――手机,移动个人助理(PDA),笔记本电脑,数字播放器(MP3)等等。并且这种增长趋势愈演愈烈,拥有如此多的移动计算设备,人们面临着如何自动并有效管理如此多的移动设备的难题,例如,如何使这些设备之间相互通信及共享数据,如何使用这些设备连接到外部网络以获取所需的服务,如何让我们自己所拥有的服务能够被他人知道并共享使用。服务发现技术就是用来解决这些难题的。一方面,通过服务发现,设备能够自动发现服务提供商,并配置与其的连接和通信以获得相关的服务;另一方面,设备能够把自己提供的服务广播给其他设备,能够让其他设备调用它提供的服务。在过去几年中,很多商业和研究机构都提出了各自的服务发现技术,例如SUN公司的JINI技术,微软的UPnP技术,IETF的SLP技术,这些技术在各自的应用范围内都取得了不错的效果,极大地便利了移动设备的管理和服务与资源的共享。

1.1.1 SLP

服务定位协议(Service Location Protocol [2])是由IETF的SvrLoc工作组开发的,是一种独立于特定厂商的标准,SLP已经成功推出了两个版本。SLPv1已经成功地运用于商业软件中,例如惠普的JetSend技术,支持打印机,数码相机,扫描仪,PDA等设备的自动发现和配置。SLPv2进一步完善了SLPv1,应用前景更加广泛,已经被Solaris 8和惠普的Web JetAdmin所使用。

1.1.2 JINI

Jini[3]是由SUN Microsystems公司在1999年推出,它沿用了Java设计思想,用JAVA对象来抽象系统中的设备和服务,建立一个具有可扩展性的面向服务的分布式体系结构。Jini使各种设备可以非常简单地连接到任意无准备的网络上,从而简化接入的新的网络服务的过程。

1.1.3 UPnP

通用即插即用协议(UPnP[4])是由微软公司领导的工业联盟()开发的。UPnP是一种建立在TCP/IP和HTTP技术至上的分布式,开放的网络结构,可在联网的设备间传递控制和数据,目标是使具有网络功能的设备彼此之间可以自动连接及协同工作,具有设备驱动程序无关性和零配置联网的优点。UPnP不依赖于特定的操作系统,编程语言或物理媒体,适用于有线网或无线网,微软的Windows系列产品已经加入了"UPnP"功能,可以自动检测并配置新接入网络的支持UPnP的设备。Intel,ARESCOM,Buffalo Technologies, D-Link Systems, Linksys Group和NetGear等各大厂商所开发的支持UPnP的路由器,网络摄像机,网络打印机等产品也相继问世。用户将新买回的支持UPnP的打印机联入局域网后,局域网上的其他用户就可以检测到该打印机并且自动设置为可以使用。

1.2 多网络互联服务发现

随着通讯技术的快速发展,各式各样的网络种类不断涌现――WIFI,移动自组织网络,3G和其他蜂窝网络,无线传感器网络,蓝牙网络等等。在这些通讯网络中,又有许多服务供应商提供不同的服务,例如蜂窝网络提供的语音服务,传感器网络提供的温度监控测量服务,移动自组织网络提供的安全警报服务。现有的服务发现技术能够很好的解决单种类型网络中的资源与服务的共享,但是还没有一种服务发现技术能够实现多网络互联的服务发现。我们可以预计,在不远的将来,这些形形的网络必将完全互联在一起,带来服务与资源的大范围共享,极大地提高各种服务和资源的利用率,因此,多网络互联中的服务发现技术有很大的应用前景。

2 多网络互联的服务发现模型

2.1 问题描述

随着现代通信技术的迅猛发展,诞生了各式各样的网络,例如WIFI,移动自组织网络(MANET),3G和其他蜂窝网络,无线传感器网络,蓝牙网络等等,这些不同的网络提供各式各样不同的服务与资源。在单个网络中,可以应用现有的商业版本的服务发现技术完成服务的自动配置与发现。但是,目前还没有一种适当的服务发现框架适用于横跨网络的服务发现。图1展现的就是多网络互联共享场景,三种不同类型的通信网络通过网关连接到充当网络基础设施的WIFI网络中,其中选取网络稳定,并且传输距离长的WIFI网络作为网络基础设施层,其它的通信子网,通过协作网关连接到稳定的网络基础设施层,从而实现了各种不同类型通信网络的互联。在如此场景中,现有的服务发现技术只能配置单个网络,不能完成跨多网络的服务与设备的自动配置与共享,必须研究出新的服务发现模型,来实现多网络互联的服务发现技术。

多网络互联中的服务发现技术模型的基本需求如下:

① 相互协作性:用户能够横跨各个通信子网发现其所需的服务,各个通信子网协作完成服务与资源共享。

② 鲁棒性:由于多个网络总体节点数目巨大,必须避免单个服务器损坏引起的整个服务发现系统的瘫痪。

③ 可伸展性:随着通信网络的不断发展,网络类型会不断增多,网络中节点数目会不断增长,服务发现系统必须具备可伸展性来应对这种变化。

2.2 现有服务发现模型

对现有若干种服务发现协议的归纳总结,将其分为“集中型”与“分布型”两种模型。在服务发现协议中存在三类主体,分别是:

用户――服务请求的发起者。

服务提供商――服务的提供者。

目录服务器――向客户提供目录服务,向服务提供商提供注册服务。

集中型服务发现模型:在网络中有一个目录服务器维护整个网络的服务信息。目录服务期定期向整个网络广播其存在,服务提供商收到广播以后,把自己所提供的服务通过单播注册到目录服务器,当用户需要服务时,向目录服务器单播服务要求信息,目录服务器查找注册的服务,并返回查找结果给用户。SUN公司的JINI就采用了集中型服务发现模型,SLP也包含了集中型版本。

分布型服务发现模型:网络中没有目录服务器,分为两种分布式模型,第一种是主动式,第二种是被动式,在主动式服务发现模型中,用户需要服务时向整个网络广播服务要求消息,服务提供商监听网络,如果能匹配服务要求,就单播服务回复消息给客户。在被动式服务发现模型中,服务提供商定期向网络广播服务信息,用户收到服务信息,如果需要该服务,则向服务提供商单播服务要求消息。最典型的分布型模型的便是SLP的分布型版本。

集中型服务发现模型,由于用户及服务提供商对目录服务器都采用单播的通讯方式,系统中的通信量相对较少,适合于节点较多的网络,并且具有良好的可伸展性,缺点是一旦目录服务器不能工作,整个系统也就瘫痪,系统缺乏鲁棒性。

分布型服务发现模型,由于不需要中央目录服务器,单个节点的损坏并不影响整个系统的正常运行,系统有较好的鲁棒性,但是,由于用户与服务提供商之间采用广播的通讯方式,所以随着节点数目的增长,通讯量呈指数级别增长,不适用于节点较多的网络。

两种协议框架有各自的局限,都不能直接应用到我们所提出的跨网络服务发现之中;也有一些关于新型服务发现模型的论文,提出了Konark[5],DEAPspace[6],GLOSERV[7]等,但都不能适用于跨网络的服务发现。需要在这些模型研究的基础上,结合跨网络服务发现的特定需求,研究出新的服务发现模型。

2.3 新型混合型服务发现模型

2.3.1 概述

结合传统的两种服务发现框架以及跨网络服务发现应用的特点,可以将网络划分为“网络顶层”与“通信子网”两层。初期,由于互联到网络基础设施层的通信子网数目较少,网络基础设施层的结点数目较少,网络基础设施层即可作为“网络顶层”;随着子网数量的增多,网络基础设施层的结点数目也会增长,当结点数目增长到一定数量时,分布式服务发现框架就不适用了,此时我们可以将网络基础设施层划分为若干块区域,在每个区域中设置一个网关用于和其他区域的网关通信。每个区域就类似于之前的“通信子网”,而新增加的网关组成了新的“网络顶层”。这种“通信子网”―“网络顶层”的模式是一种层次状的模型结构,具有很好的伸展性。采用新型的混合服务发现模型,在节点较少的网络顶层采用分布式服务发现模型,在网络节点较多的各种类型通信子网中采用集中式服务发现模型,并通过设计协作网关来实现两种不同服务发现模型的融合。

2.3.2 网络顶层

在网络顶层中应用分布式服务发现模型,由于不需要中央目录服务器,所以单个节点的损坏并不影响整个系统的工作,给系统提供了鲁棒性。同时由于节点数目较少,服务发现的延迟和网络通信量也相对较少。

2.3.3 通信子网

在通信子网中,节点数量往往比较巨大,采用集中式模型,引入中央目录服务器,能够使服务发现性能不会随着节点数目的增长而产生巨大的变化,为系统提供了可伸展性。

2.3.4 协作网关

各个通信子网的相互协作是通过协作网关达成的,通信子网通过协作网关连接到网络基础设施层,由于在通信子网以及网络顶层采用不同的服务发现框架,为各个通信子网提供相互协作性就是通过协作网关的设计,转换两种不同的服务发现协议框架。传统的集中式及分布式框架都已成型,所以在选定好服务发现整体框架后,重点就是在协作网关的设计上。

2.3.5 具体方案

分布式与集中式服务发现框架,在现有的服务发现协议中,已经有完备的框架体系。接下来的重点是通过协议网关来融合这两种不同的框架。由于在协议网关两侧是不同的框架体系,而两种不同框架体系的消息处理流程截然不同,简单地在协议网关上并行运行不同的服务框架并不能融合两种框架。所以必须结合两种框架的基本思想来设计协议网关,根据面对的不同用户和服务提供商,协议网关必须有不同的接口。具体来说,有四个接口,分别对应于通信子网的用户,服务提供商以及网络基础设施层的用户,服务提供商。协作网关在通信子网中扮演着目录服务器的角色,这要求它维护一个服务信息目录,并且处理来自于通信子网的用户的服务要求和 服务提供商的服务注册;同时,它在网络基础设施层又同时扮演着用户和服务提供商的角色,作为用户,它要把它所属通信子网中的不能匹配的服务要求消息转发到网络设施层,作为服务提供商,它要监听网络基础设施层的服务要求消息,并返回匹配的服务信息给相关用户。结合不同的消息类型和来源,协议网关采用不同的处理流程,把来自于协议网关两端的用户和服务提供商联系起来,以便能达到不同网络间的资源和服务共享。协作网关维护了一个本地目录用于提供所属通信子网的目录服务,还有一个外部快存用于存储在网络顶层中的历史服务发现记录以提高服务发现性能。图2就是协作网关的基本框架。

2.4 性能评测

对于这种混合型服务发现模型的性能评测,我准备从网络通信流量,服务发现延迟这两个主要方面进行评测。网络通信流量反映了系统运行的网络流畅程度,服务发现延迟就是用户从发出服务请求到收到回复之间的时间。这两个指标能很好的反映了服务发现协议的性能。我选取了两种服务发现框架进行比对性能测试,一种是完全集中型模型,是在网络基础设施层和通信子网均采用集中型架构,另一种是完全分布型模型,在协作网关两侧均采用分布型模型,通过性能评测,突出新型混合型模型的优势。

整个模型的建立及评测均基于离散事件网络模拟平台OMNET++,由于城市协作网目前还停留在研究阶段,所以只能通过网络模拟来建立服务发现的模型及评测性能。网络模拟是指采用计算机软件对网络协议、网络拓扑、网络性能进行模拟分析的一种研究手段。它使得很多研究人员能够在硬件条件不具备的情况下研究大规模网络以及在设计、学习新协议新算法时能够快速地设计、实现、分析进而改进协议或算法的设计。此外,它还可以在各种新老系统和算法之间进行比较而不必花费巨资去建立多个实际系统。因此,网络模拟是网络通信研究中一种非常重要的方法。通过网络模拟来评价我所提出的城市协作网络中服务发现协议模型的性能,并与现有的模型进行对比,就能发现我所提出模型的优缺点。

下面是模拟的结果:

模拟平台为 OMNET++ Version 4[8]。