P2P(Peer-to-Peer)网络因其端到端特性,可避免客户/服务器模型的服务瓶颈问题,因而成为下一代互联网研究的热点。在P2P网络中,如何对资源进行搜索和定位一直是该领域中的关键问题。现今在Internet上获得大规模应用的P2P网络系统中,绝大部分都是基于Gnutella网络模型或其改进后的类Gnutella网络系统。它们大多采用基于洪泛算法的资源搜索方式,存在占用过多带宽资源和可扩展性较差等问题。基于此,概率递减洪泛算法(DPFSL:Decreasing Probability Flooding algorithm combined with Self-Learning)作为一种新型改进方案被提出。它是一种将概率递减洪泛与自学习两机制相结合的简单高效算法。其基本思想是:(1)网络中每个节点被洪泛的概率依该节点与查询源节点距离的增加而递减。(2)网络中每个节点均能从命中响应中学习。为此,每个节点均有一个外部资源信息索引表ET。当命中响应沿查询路径返回查询源节点时,所有途经节点均进行如下操作:若ET中不存在相关资源信息条目,则将其添加至ET中;否则,若资源相关属性已发生变化,则更新之。该算法的特点是:(1)若查询命中,则不论查询请求的TTL值是否到零,均停止洪泛该查询,此为对洪泛算法的改进之一。(2)若查询未命中,则区别于洪泛算法以概率1洪泛查询,而是以相应的递减概率独立地向所有邻居洪泛,此为改进之二。(3)能从命中响应中学习,从而较好避免了洪泛算法的完全盲目性,此为改进之三。(4)继承了洪泛算法简单易于实现的最大优点。在以查询覆盖率,查询命中率,查询扩散率为算法度量标准的前提下,DPFSL的实验仿真结果表明:该算法在较大程度地降低查询覆盖率和扩散率的同时,仍能使查询命中率维持较高的水平,从而可有效地改善Gnutella网络的可扩展性。