近几年,随着网络规模的不断扩大,网络中海量的资源给传统网络应用带来新的挑战。基于网络资源(包括CPU处理、存储、服务等)的不断增多,其组织、获取、分析、处理等操作也逐渐成为资源发现领域中新的研究方向。传统的网络模型主要依赖中心服务器对资源进行集中控制,存在单点失效、负载不均衡等很多潜在的缺陷,从而促使了新的网络模型——P2P网络的出现。P2P网络具有自组织性、可扩展性、对称性以及容错能力强等优点,克服了传统网络模型中所存在的瓶颈。P2P网络应用中,分布式的资源发现技术已成为网络研究的热点问题。如何在一个庞大的P2P系统中快速准确的定位和发现用户所需资源尤其关键。在结构化网络中,基于分布式哈希表的方法只支持单关键字的精确查询,由于P2P网络的高度动态特性使得网络拓扑及其存储规则的维护非常困难。非结构化网络能适应节点的高度动态变化,容错能力较强,但是搜索具有不确定性,且容易产生较多的冗余消息。因此,本文结合结构化P2P网络和非结构化的P2P网络的特点以及在资源发现方面的优缺点,设计出一种分组式的P2P系统,该系统由两部分组成:一部分是以超级节点为服务器的结构化网络,另一部分是具有随机链接的非结构化网络。将网络中的节点根据改进的兴趣相似性算法进行分组;组内选择性能较优的节点作为服务节点,用来维护和管理该分组内的普通节点以及相邻超级节点的基本信息。运用相似性度量的方法计算用户的兴趣相似和用户行为相似值,根据兴趣相似程度的不同将网络节点进行分组,实现网络拓扑的结构化分布;提出基于混合相似性的资源发现策略,在一定消息耗费的前提下实现网络资源的精确查询。本文的研究工作和创新点包括以下几个方面:(1)引入信息熵估算感兴趣资源在文件信息量中的概率,改进兴趣相似度计算过程中余弦相似度的计算方法;引入节点访问路径C和访问时间T两个计算因子,使用内积的计算方法计算对象的时间相似系数,反映对象之间的行为相似程度。(2)提出一种基于混合相似性的资源发现机制研究策略,该策略综合改进的兴趣相似度算法和行为相似度算法实现P2P网络中资源信息的查询,从而提高了资源发现的效率。(3)提出一种分组式P2P网络拓扑模型,该模型在组内进行相似度查询、组外使用消息广播的形式进行资源发现。分组式P2P网络中用到了超级节点之间的链接和资源传送,超级节点是兴趣覆盖网络中性能比较好的节点,它记录了兴趣网中其它普通节点的基本信息,方便资源的查询。同时,在超级节点中设置缓存,用来记录历史查询的相关信息,从而为快速查询和负载均衡提供一些方便。