基于覆盖树的可扩展邻近搜索方法

第３６卷　第２Ｏ期　计算机工程　２０１０年ｌＯ月　Ｖｏ１．３６　Ｎｏ．２Ｄ　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｏｃｔｏｂｅｒ　２０１０　・软件技术与数据库・　文章编号：１ｏ０　＿３４２８（２０ｌｏ）２ｏ—ｌｏ８每一Ｉ２　文献标识码：Ａ　中图分类号：ＴＰ３１１　基于覆盖树的可扩展邻近搜索方法　王石，王意洁　（国防科技大学计算机学院并行与分布处理国家重点实验室，　长沙４１００７３）　摘要：针对邻近搜索技术受限于网络协议的支持以及存在空间嵌入误差的问题，提出一种基于覆盖树的可扩展邻近搜索方法ＣＰＳ，包括　覆盖树构建与维护协议和ｋ近邻搜索算法两部分。节点自主计算自身所处层次，构造一棵层次化树。邻居维护协议负责维护覆盖树结构，　确保其适应动态的网络环境。ｋ近邻搜索算法通过对覆盖树剪枝，构造各层候选节点集合，提高搜索效率。实验结果表明，ＣＰＳ的搜索精　度优于典型的邻近搜索方法Ｔｉｅｒｓ。　关健词：分布式应用；邻近搜索；网络坐标；网络探测　Ｓｃａｌａｂｌｅ　Ｐｒｏｘｉｍｉｔｙ　Ｓｅａｒｃｈｉｎｇ　Ｍｅｔｈｏｄ　Ｂａｓｅｄ　ｏｎ　Ｃｏｖｅｒ　Ｔｒｅｅ　ＷＡＮＧＳｈｉ，ＷＡＮＧＹｉ－ｊｉｅ　（Ｎａｔｉｏｎａｌ　Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｆｏｒ　Ｐａｒａｌｌｅｌ　ａｎｄ　Ｄｉｓｔｒｉｂｕｔｅｄ　Ｐｒｏｃｅｓｓｉｎｇ．Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ，　Ｎａｔｉｏｎａｌ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｄｅｆｅｎｓｅ　Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ　４　１００７３，ＣｈｉｎａＪ　［Ａｂｓｔｒａｃｔ］Ａｉｍｉｎｇ　ａｔ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｏｆ　ｃｏｎｓｔｒａｉｎｔ　ｏｎ　ｎｅｔｗｏｒｋ　ｐｒｏｔｏｃｏｌｓ　ｏｒ　ｉｎｃｕｒｒｉｎｇ　ｅｍｂｅｄｄｉｎｇ　ｅｒｒｏｒ　ｉｎ　ｔｈｅ　ｅｘｉｓｔｉｎｇ　ｍｅｔｈｏｄｓ，ａ　ｓｃａｌａｂｌｅ　ｐｒｏｘｉｍｉｔｙ　ｓｅ￣ｃｈ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｃｏｖｅｒ　ｔｒｅｅ　ＣＰＳ　ｉｓ　ｒａｉｓｅｄ．Ｉｔ　ｉｓ　ｃｏｍｐｒｉｓｅｄ　ｏｆ　ｔｗｏ　ｐａｒｔｓ：ｃｏｖｅｒ　ｔｒｅｅ　ｃｏｎｓｔｒｕｃｔｉｎｇ　ｐｒｏｔｏｃｏｌ　ａｎｄ　ｍａｉｎｔａｉｎｉｎｇ　ｐｒｏｔｏｃｏｌ，ａｎｄ　ｋ　ｎｅａｒｅｓｔ　ｎｅｉｇｈｂｏｒｓ　ｓｅａｒｃｈｉｎｇ　ａｌｇｏｒｉｔｈｍ．Ａｔｔｅｎｄｉｎｇ　ｎｏｄｅｓ　ｃｏｍｐｕｔｅ　ｔｈｅ　ｌａｙｅｒｓ　ｏｆ　ｔｈｅｍｓｅｌｖｅｓ，ＳＯ　ａｓ　ｔｏ　ｃｏｎｓｔｒｕｃｔ　ａ　ｌａｙｅｒｅｄ　ｔｒｅｅ．Ｔｈｅ　ｎｅｉｇｈｂｏｒ　ｍａｉｎｔａｉｎｉｎｇ　ｐｒｏｔｏｃｏｌ　ｉｓ　ｒｅｓｐｏｎｓｉｂｌｅ　ｆｏｒ　ｍａｉｎｔａｉｎｉｎｇ　ｔｈｅ　ｓｔｒｕｃｔｕｒｅ　ｏｆ　ｃｏｖｅｒ　ｔｒｅｅ，ｅｎｓｕｒｉｎｇ　ｔｈｅ　ａｄａｐｔａｂｉｌｉｔｙ　ｉｎ　ｔｈｅ　ｎｅｔｗｏｒｋ　ｅｎｖｉｒｏｎｍｅｎｔ．ｋ　ｎｅａｒｅｓｔ　ｎｅｉｇｈｂｏｒｓ　ｓｅａｒｃｈｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｃｏｎｓｔｒｕｃｔｓ　ｃａｎｄｉｄａｔｅ　ｎｏｄｅｓ　ｆｏｒ　ｅｖｅｒｙ　ｌｅｖｅｌ　ｂｙ　ｐｒｕｎｉｎｇ　ｔｈｅ　ｃｏｖｅｒ　ｔｒｅｅ　ｉｎ　ｏｒｄｅｒ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｓｅａｒｃｈｉｎｇ　ｅｆｆｉｃｉｅｎｃｙ　Ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｉｎｄｉｃａｔｅ　ｔｈａｔ　ｔｈｅ　ａｃｃｕｒａｃｙ　ｏｆ　ＣＰＳ　ｉｓ　ｂｅｔｔｅｒ　ｔｈａｎ　Ｔｉｅｒｓ．　［Ｋｅｙ　ｗｏｒｄｓ］ｄｉｓｔｒｉｂｕｔｅｄ　ａｐｐｌｉｃａｔｉｏｎ；ｐｒｏｘｉｍｉｔｙ　ｓｅａｒｃｈ；ｎｅｔｗｏｒｋ　ｃｏｏｒｄｉｎａｔｅ：ｎｅｔｗｏｒｋ　ｐｒｏｂｉｎｇ　１概述　预测误差，提高搜索精度。　随着计算机技术和网络技术的迅猛发展，大规模、动态　２基于覆盖树的可扩展邻近搜索方法——ｃＰｓ　的分布式应用不断涌现，如文件共享、分布式镜像、内容分　ＣＰＳ的基本模型由两部分组成：分布式覆盖树构建与维　发网络和流媒体服务等基于网络位置信息选择服务节点成为　护协议和ｋ近邻搜索算法。ＣＰＳ根据节点之问的距离约束关　亟待解决的共性问题。邻近搜索技术旨在为节点在动态的网　系赋予节点不同的层次，从而构造一棵层次化的树；维护协　络环境中寻找邻近的节点，且已成为这些分布式应用的基本　议负责维护覆盖树结构，确保其能适应动态的刚络环境；　组成部分。　ｋ近邻搜索算法沿着覆盖树自顶向下搜索，追踪覆盖树各层　根据技术实现所依赖的网络协议类型，邻近搜索技术大　候选节点集合，直至搜索完毕。　致可以分为基于网络层协助的方法和基于应用层协助的方　２．１分布式覆盖树构建与维护协议　法　。基于网络层协助的方法侧重于寻求网络层协议的支持，　ＣＰＳ通过节点自主计算自己所处的层次，构造一棵层次　搜索策略一般比较简单，如扩展环组播、Ｇｌｏｂａｌ　Ｉｎｔｅｒｎｅｔ　化的覆盖树ｉ４Ｊ。各层编号沿着从树根到叶子的方向递减，而　Ａｎｙｃａｓｔ（ＧＩＡ）。由于安全与管理上的原因，绝大多数Ｉｎｔｅｒｎｅｔ　且每层节点都是其下层的子集。此外，位于第ｉ一１层（Ｌｅｖｅｌ　ｉ一１）　服务提供商都没有在路由器上开放ＩＰ组播功能。此外，ＧＩＡ　的节点与其上层父亲节点之间的距离不超过／Ｊ　（　１）；任何　协议标准化进度影响了这种模式的全局部署。　２个位于第ｉ层的不同节点之间至少相距　。　基于应用层协助的方法可以进一步划分为基于网络坐标　覆盖树具有隐式和显式２种表示形式。隐式覆盖树直接　的邻近搜索方法和基于直接网络探测的邻近搜索方法。基于　反映了相邻层次之问的包含关系，且附带一些冗佘信息。显　网络坐标的邻近搜索方法（如ＰＩＣ　）通过将网络中的节点映　式覆盖树则将那些为自己独生子的节点合并。如图１所示，　射到一定的几何空间，使得任意２个节点之间的距离可以用　它们对应的网络坐标的函数来近似。然而，空间嵌入不可避　基金项目：国家自然科学基金资助项目（６０８７３２ｌ５，６０６２１００３）；　免会引入距离预测误差。典型的基于直接网络探测的邻近搜　国家“９７３”计划基金资助项目（２００５ＣＢ３２１８０１）；高等学校博士　索方法包括Ｔｉｅｒｓ…、Ｍｅｒｉｄｉａｎ１３］等。Ｔｉｅｒｓ基于分簇思想构造　学科点专项科研基金资助项目（２００８９９９８０００３）；高等学校全国优　一棵分布式的树用于邻近感知，自顶向下进行搜索，其局限　秀博士学位论文作者专项基金资金项目（２００１４１）　性在于分簇方式以及簇中心的选举。　作者简介：王石（１９８３一），男，硕士研究生，主研方向：邻近　本文提出一种基于覆盖树的可扩展邻近搜索方法ＣＰＳ，　搜索技术，网络计算；王意沽，教授、博士生导师　它不依赖特定网络协议的支持，并且通过网络探测降低距离　收稿日期：２０１０—０４一ｌ０　Ｅ－ｍａｉｌ：ａｌ７ｇｏｇｏ＠ｇｍａｉｌ．ｃｏｒｎ　网络中ａ、ｂ、ｃ、ｄ　４自主机被映射为覆盖树上对应的节点。　虽然ａ、ｂ、ｄ在隐式覆盖树中多次出现，但是它们在显式覆　盖树中均只出现一次。　图１　覆盖树中节点的层次化部署　ＣＰＳ引入自举节点（Ｂｏｏｔ　Ｓｔｒａｐ　Ｈｏｓｔ，ＢＳＨ），其作用在于　感知覆盖树树根。　覆盖树的构建过程从新节点加入开始。新节点Ｐ加入　ＣＰＳ的关键是寻找合适的父亲节点。加入算法Ｊｏｉｎ从覆盖树　根节点开始，不断探测各层候选节点集合　，并通过追溯其　孩子节点更新候选节点集合，直至找到合适的父亲节点。父　亲节点距离Ｐ不超过　，而且它的所有孩子节点与Ｐ之间的　距离均超过∥，见图２。　一　一一　…；一　图２实际网络拓扑至豆式覆盖树的演化过程　＝２）　当节点Ｐ退出ＣＰＳ时，一方面需要为其孩子节点寻找新　的父亲节点；另一方面需要消除Ｐ在覆盖树中的存在。退出　算法Ｌｅａｖｅ先从覆盖树根节点开始，不断探测各层候选节点　集合Ｑ　，并通过追溯其孩子　点得到其下层候选节点集合；　然后从Ｐ在覆盖树中所处的最高层次开始，为其孩子节点在　各层候选节点集合之中向上寻找合适的父亲节点。父亲节点　距离Ｐ不超过，ｉ　，而且它的所有孩子节点与Ｐ之间的距离均　超过　～。　２．２　ｋ近邻搜索算法　ｋ近邻搜索算法Ｆｉｎｄ—ｋＮＮ的核心是追踪覆盖树第ｉ层候　选节点集合Ｑ　并采用迭代方法构造Ｑ　：ｐ首先接触Ｑ　中　所有节点，而Ｑ　中节点将自己的孩子节点集合发送给ｐ（假设　返回的所有孩子节点构成集合Ｑ）；然后，ｐ探测至这些孩子　节点的网络延迟，进而筛选出离自己不超过ｄ（ｐ，Ｑ）　＋　／　一１）　的节点以构成新的候选集合Ｑ卜１。其中，ｄ（ｐ，ＱＪ　表示节点ｐ　与节点集合Ｑ中第ｋ最近邻之问的距离。当Ｑ　不再包含显式　节点时，迭代终止。　３性能分析　实验测试中使用的Ｉｎｔｅｒｎｅｔ延迟数据集为Ｍｅｒｉｄｉａｎ数据　集　，其中包含２　５００个节点之问的测量延迟。通过消除一些　不完全的信息，得到２　２５０个节点的完全测量矩阵。　文献【５１认为网络延迟空间符合增长约束度量的特性，膨　胀率ｓ是其重要参数。图３显示，除了少数节点的膨胀率较　大外，大部分节点的膨胀率不超过５００。膨胀率的累积分布　（图４）进一步证实了上述观点，并且表征约９０％的节点的膨胀　率不超过８６。由图３还可知，膨胀率的最大值为２　１４４，这　说明Ｍｅｒｉｄｉａｎ数据集的ＫＲ维数约为１】。因此，将增长约束　度量作为网络延迟空间理论模型具有一定的合理性。　图３各节点对应的膨胀事　，　Ｃ　ｅ　ｅ　５　４　３　一　图４膨胀率的累积分布　在模拟实验中，随机选取２　０００个节点作为覆盖网节点，　其余２５０个节点作为查询节点。查询节点分别采用ＣＰＳ与　Ｔｉｅｒｓ…２种方法搜索最近邻。对于Ｔｉ一　ｅｒｓ方法，影响搜索精度　的关键参数是簇的大小ｃ，簇中心选举采用集中式策略。实　验选用适当的Ｃ值（ｃ＝５，２０和１００），从相对误差的角度对　２种方法进行搜索精度对比。　实验结果（图５）显示，随着簇大小Ｃ的增加，Ｔｉｅｒｓ的搜　索精度也在增加。当然，这其中忽略了分布式的簇中心选举　策略带来的负面影响。当／ｊ为２．０时，若Ｃ取５和２０，ＣＰＳ　的搜索精度优于Ｔｉｅｒｓ；若Ｃ取１００，Ｔｉｅｒｓ的搜索精度略优于　ＣＰＳ。但是，当∥为１．５时，ＣＰＳ的搜索精度得到明显提高。　实验结果进一步说明，ＣＰＳ的搜索精度与参数∥密切相关，　较高的搜索精度可以由较小的　得到。当然，较小的∥意味　着更多的存储开销。因此，参数／ｊ的选择需要权衡搜索精度　与存储开销等方面的凶素。　图５相对误差的累积分布　（下转第９８页）　８７一　实验中在０时刻启动２００个ＦＴＰ连接，在８０　ｓ时１００个　ＦＴＰ连接退出；在１００　ｓ时加入１个新的ＵＤＰ流，在１４０　ｓ　时结束，每个ＵＤＰ分组的大小为１　ＫＢ，发送速率为３　Ｍｂ／ｓ；　在１５０　ｓ时加入２００个新的ＦＴＰ流，在１８０　ｓ时结束。仿真　表明，模糊Ｓｍｉｔｈ主动队列管理算法和ＲＬＦＳ—ＡＱＭ在网络状态　时间／ｓ　发生变化时，由于使用了模糊逻辑动态调节ＰＩＤ控制器的参　数，使得Ｓｍｉｔｈ补偿器对控制器参数不再敏感，在网络状态　发生变化时表现出较好的适应能力，但在干扰到来时，　ＲＬＦＳ—ＡＱＭ由于加入了速率控制项，因此能更快地使队列长　（ａ）模糊Ｓｍｉｔｈ主动队列管理算法队列长度　度收敛于期望值，体现了良好的抗干扰能力和网络变化适应　能力。　７结束语　本文针对网络大时滞和网络动态变化对ＡＱＭ算法的不　利影响，提出一种基于速率和队长的大时滞网络ＡＱＭ算法，　（ｂ）ＲＬＦＳ—ＡＱＭ队列长度　该算法提高了在大时滞网络环境中的自适应能力、抗干扰能　力和响应速度。利用ＮＳ２网络仿真平台在网络大时滞和网络　图３实验１仿真结果　（２）网络环境参数变化对算法的影响　参数动态变化条件下进行了仿真实验，验证了算法性能，在　大时滞的网络环境中取得了较好的控制效果。　本实验考查ＡＱＭ算法在较重负载情况下以及在动态的　网络环境中的性能，仿真时问为２００　ｓ。仿真结果如图４所示。　参考文献　脚　［１】任丰原，林闯，任勇，等．大时滞网络中的拥塞控制算法『Ｊ１．　攀，等．一种时滞网络自适应主动队列管　软件学报，２００３，ｌ４（３）：５０３—５　１　１．　基　［２］孙雁飞，张顺颐，王理算法研究ＩＪ１．电子与信息学报，２００６，２８（１Ｏ）：１９４０—１９４５．　［３］张鹤颖，刘宝宏，窦文华．一种基于速率和队列长度的主动队列　管理机制…．电子学报，２００３，３１（１１）：１７４３—１７４６．　（ａ）模糊Ｓｍｉｔｈ主动队列管理算法队列长度　８００　６００　［４］边立秀，赵日晖．Ｆｕｚｚｙ自整定ＰＩＤ参数的Ｓｍｉｔｈ预估主汽温控制　系统…．计算机仿真，２００４，２１（１）：１０２—１ｏ４．　［５】Ｍｉｓｒａ　Ｖ，Ｇｏｎｇ　Ｗｅｉｂｏ，Ｔｏｗｓｌｅｙ　Ｄ．Ｆｌｕｉｄ—ｂａｓｅｄ　Ａｎａｌｙｓｉｓ　ｏｆ　ａ　４０ｏ　Ｎｅｔｗｏｒｋ　ｏｆ　ＡＱＭ　Ｒｏｕｔｅｒｓ　Ｓｕｐｐｏｓｉｎｇ　ＴＣＰ　Ｆｌｏｗｓ　ｗｉｔｈ　ａｎ　Ａｐｐｌｉｃａｔｉｏｎ　ｔｏ　ＲＥＤｆＣ］／／Ｐｒｏｃ．ｏｆ　ＡＣＭ／ＳＩＧＣＯＭＭ’００．Ｓｔｏｃｋｈｏｌｍ，　Ｓｗｅｄｅｎ：［ｓ．ｎ．］，２０００：１５１－１６０　２００　０　５０　１００　时问，ｓ　１　５０　２００　［６】Ｈｏｌｏｔ　Ｃ，Ｍｉｓｒａ　Ｖ，Ｔｏｗｓｌｅｙ　Ｄ．Ａ　Ｃｏｎｔｒｏｌ　Ｔｈｅｏｒｅｔｉｃ　Ａｎａｌｙｓｉｓ　ｏｆ　ＥＤ［ＲＣＩ／／Ｐｒ０ｃｏｆ　ＩＥＥＥ　ＩＮＦＯＣＯＭ，Ｏ１．Ａｎｃｈｏｒａｇｅ，ＵＳＡ：ＩＥＥＥ　．（ｂ）ＲＬＦＳ—ＡＱＭ队列长度Ｐｒｅｓｓ２００１：１５１０—１５１９．　．图４实验２仿真结果　（上接第８７页）　编辑任吉慧　４结束语　基于网络位置信息选择服务节点是许多分布式应用亟待　解决的共性问题，已有的邻近搜索技术受网络协议的，　Ｃｏｏｒｄｉｎａｔｅｓ　ｆｏｒ　Ｄｉｓｔａｎｃｅ　Ｅｓｔｉｍａｔｉｏｎ［Ｃ］／／Ｐｒｏｃ　ｏｆ　ｔｈｅ　２４ｔｈ　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｄｉｓｔｒｉｂｕｔｅｄ　Ｃｏｍｐｕｔｉｎｇ　Ｓｙｓｔｅｍｓ．Ｔｏｋｙｏ　Ｊａｐａｎ：ＩＥＥＥ　Ｐｒｅｓｓ，２００４．　搜索精度不高。本文提出一种基于覆盖树的可扩展邻近搜索　方法ＣＰＳ。每个节点只需要维护少量其他节点信息，即可构　成层次化组织形式。通过对比实验发现，ＣＰＳ的搜索精度较　高。邻近搜索服务的实际部署将是下一步的工作。　【３］Ｗｏｎｇ　Ｂ，Ｓｌｉｖｋｉｎｓ　Ａ，Ｓｉｒｅｒ　Ｅ　Ｇ　Ｍｅｒｉｄｉａｎ：Ａ　Ｌｉｇｈｔｗｅｉｇｈｔ　Ｎｅｔｗｏｒｋ　Ｌｏｃａｔｉｏｎ　Ｓｅｒｖｉｃｅ　Ｗｉｔｈｏｕｔ　Ｖｉｒｔｕａｌ　Ｃｏｏｒｄｉｎａｔｅｓ［Ｃ】ＨＰｒｏｃ．　ｏｆ　ＳＩＧＣＯＭＭ’０５．Ｐｈｉｌａｄｅｌｐｈｉａ，ＵＳＡ：ＩＥＥＥ　Ｐｒｅｓｓ，２００５．　．［４】Ｂｅｙｇｅｌｚｉｍｅｒ　Ａ，Ｋａｋａｄｅ　Ｓ，Ｌａｎｇｆｏｒｄ　Ｊ．Ｃｏｖｅｒ　Ｔｒｅｅｓ　ｆｏｒ　Ｎｅａｒｅｓｔ　Ｎｅｉｇｈｂｏｕｒ［Ｃ］／／Ｐｒｏｃ．ｏｆ　ｔｈｅ　２３ｒｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ．Ｐｉｔｔｓｂｕｒｇｈ，ＵＳＡ：ＩＥＥＥ　Ｐｒｅｓｓ，２００６．　参考文献　［１】Ｂａｎｅｑｅｅ　Ｓ，Ｋｏｍｍａｒｅｄｄｙ　Ｃ，Ｂｈａｔｍｃｈａｒｊｅｅ　Ｂ．Ｓｃａｌａｂｌｅ　Ｐｅｅｒ　Ｆｉｎｄｉｎｇ　ｏｎ　ｔｈｅ　Ｉｎｔｅｍｅｔ［Ｃ］／／Ｐｒｏｃ．ｏｆ　Ｇｌｏｂａｌ　Ｉｎｔｅｒｎｅｔ　Ｓｙｍｐｏｓｉｕｍ．Ｔａｉｐｅｉ，　Ｔａｉ．ｗａｎ，Ｃｈｉｎａ：Ｉｓ．ｎ．］，２００２．　［５］Ｋａｒｇｅｒ　Ｄ　Ｒ，Ｒｕｈｌ　Ｍ．Ｆｉｎｄｉｎｇ　Ｎｅａｒｅｓｔ　Ｎｅｉｇｈｂｏｒｓ　ｉｎ　Ｇｒｏｗｔｈ—　ｒｅｓｔｉｒｃｔｅｄ　Ｍｅｔｒｉｃｓ［Ｃ］／／Ｐｒｏｃ．ｏｆ　ｔｈｅ　３４ｔｈ　Ａｎｎｕａｌ　ＡＣＭ　Ｓｙｍｐｏｓｉｕｍ　ｏｎ　Ｔｈｅｏｒｙ　ｏｆ　Ｃｏｍｐｕｔｉｎｇ．Ｍｏｎｔｒｅａｌ，Ｃａｎａｄａ：ＡＣＭ　Ｐｒｅｓｓ，２００２．　［２１　Ｃｏｓｔａ　Ｍ，Ｃａｓｔｒｏ　Ｍ，Ｒｏｗｓｔｒｏｎ　Ａ，ｅｔ　ａ１．ＰＩＣ：Ｐｒａｃｔｉｃａｌ　Ｉｎｔｅｍｅｔ　编辑张正兴