徐京薇，謝人超，黃　韜，劉　江，楊　磊

(1.北京郵電大學 網絡與交換技術國家重點實驗室, 北京 100876；2.中央電視臺, 北京 100020)

?

基于神經網絡算法的ICN網絡傳輸控制研究

徐京薇1，謝人超1，黃韜1，劉江1，楊磊2

(1.北京郵電大學 網絡與交換技術國家重點實驗室, 北京 100876；2.中央電視臺, 北京 100020)

摘要：隨著全球數(shù)字媒體的深刻變革，互聯(lián)網用戶關注的重點逐漸向如何快速獲取信息轉移，而不關注信息的存儲位置?，F(xiàn)在的TCP/IP網絡協(xié)議架構卻無法適應當今內容應用需求的迅速發(fā)展。為了適應這一互聯(lián)網的轉變，以信息為中心的新型網絡架構信息中心網絡(information-certric networking, ICN)受到了廣泛關注。網絡時延的動態(tài)變化反映了網絡路徑的負載特征，對時延的精確預測是實施網絡擁塞控制、路由選擇的重要依據(jù)。在ICN中，由于網絡緩存機制導致時延的不確定性，為網絡傳輸控制帶來了挑戰(zhàn)。通過對ICN網絡的經典架構命名數(shù)據(jù)網絡(named data networking, NDN)網絡時延模型進行建模，采用了神經網絡算法進行時延預測，設計了基于預測時延的轉發(fā)策略機制，創(chuàng)新地在NDN網絡組件轉發(fā)信息表(forwarding information based, FIB)上新增接口信息Stat，以實現(xiàn)轉發(fā)路徑的動態(tài)選擇。仿真結果表明，該設計機制能夠有效地提升網絡傳輸控制性能。

關鍵詞：未來網絡；信息中心網絡；神經網絡；時延預測；轉發(fā)策略

0引言

當前，互聯(lián)網已經成為當今世界上影響最廣泛、增長最快、市場潛力最大的技術和產業(yè)[1]?；ヂ?lián)網用戶的需求逐漸改變，從主機之間的通信逐步演進為主機到網絡的信息重復訪問。用戶關注的是信息本身，而不是信息的存儲位置[2-3]。但現(xiàn)在的TCP/IP協(xié)議架構卻無法適應應用需求的發(fā)展。為了徹底地解決這些問題，研究者們一直在試圖研究設計出全新的互聯(lián)網架構。信息中心網絡(information centric networking，ICN)正是被研究者們研究這一思想的典型代表[4-5]，并且逐漸被人們認為是最有前途的一種方案。不同于傳統(tǒng)的基于IP地址進行數(shù)據(jù)傳輸?shù)幕ヂ?lián)網體系架構，ICN體系架構是以用戶所關心的內容或者信息為中心，致力于將內容作為未來互聯(lián)網絡體系結構的細腰展開設計。

ICN的研究主要起源于美國和歐盟。主要研究項目包括內容中心網絡(content centric networking, CCN)[6]、命名數(shù)據(jù)網絡(named data networking, NDN)、面向數(shù)據(jù)的網絡架構(data-oriented network architecture, DONA)[7]、信息網絡(network of information, NetInf)[8]等。NDN是ICN的一種典型代表方案。由于NDN完全以內容命名進行路由，能更好地體現(xiàn)出信息中心的特性，因此，本論文將以NDN為代表展開研究。

在NDN網絡中，需要研究的關鍵技術問題包括信息命名、路由轉發(fā)、緩存策略、傳輸控制等。而傳輸控制性能的優(yōu)劣將直接影響NDN的傳輸效率[9]。雖然當前研究學者針對NDN網絡的傳輸控制進行了廣泛的研究，轉發(fā)策略方面有智能洪泛轉發(fā)策略(smart flooding)、洪泛轉發(fā)策略(flooding)和最優(yōu)轉發(fā)策略(best route)[10]等代表性轉發(fā)策略，但是這些策略在設計過程中并未考慮時延因素的影響。

然而，ICN網絡由于其緩存機制的存在，時延不確定性非常大，而時延是傳輸控制中的流量、擁塞等方面的重要因素，是反映傳輸控制性能好壞的最關鍵的因素。因此，在NDN網絡通過預測時延來進行設計轉發(fā)策略可以提高網絡傳輸控制性能[11-14]，對NDN網絡傳輸控制有著非常大的意義。因此，本論文創(chuàng)新地利用預測的時延進行轉發(fā)策略的設計，以提高網絡傳輸控制特性，通過預測能力較強的神經網絡預測時延，并且對預測時延進行分析、判斷，可以提前了解網絡狀況，動態(tài)選擇轉發(fā)路徑，從而達到網絡傳輸?shù)淖顑?yōu)化目的。

1NDN概述

NDN網絡中，通信是由接受者主導的，是通過交換興趣包和數(shù)據(jù)包來進行通信的。興趣包和數(shù)據(jù)包的標示是通過特殊命名規(guī)則來實現(xiàn)。用戶向網絡中發(fā)送一個帶有數(shù)據(jù)名字的興趣包，路由器通過識別這些名字來向數(shù)據(jù)包轉發(fā)興趣包。一旦興趣包到達了一個想要數(shù)據(jù)包的節(jié)點，該節(jié)點則會返回一個包含名字和數(shù)據(jù)的數(shù)據(jù)包，這樣可以綁定2個節(jié)點的信息，如圖1所示[7]。路由器會根據(jù)興趣包轉入的節(jié)點路徑進而轉發(fā)數(shù)據(jù)包。

圖1　NDN網絡中的興趣包和數(shù)據(jù)包Fig.1　Interest packet and data packet in NDN

為了完成興趣包和數(shù)據(jù)包的轉發(fā)工作，NDN網絡中包括3個組件：轉發(fā)信息庫(forwarding information base，F(xiàn)IB)、內容存儲庫(content store，CS)和未決請求表(pending interest table，PIT)。圖1中，這3個組件，同樣作為轉發(fā)策略(neural network based delay prediction,NNDP)模塊能夠決定是否、何時和向哪兒轉發(fā)每個興趣包。

圖2　NDN網絡轉發(fā)模型Fig.2　Forwarding model in NDN

圖2描述了NDN網絡中的興趣包和數(shù)據(jù)包的轉發(fā)策略[9]。當興趣包到達一個路由器，該路由器首先檢測其CS中是否包含跟該興趣包命名匹配的數(shù)據(jù)包。如果存在，則直接將CS中的數(shù)據(jù)包沿著該興趣包的輸入接口發(fā)向返回；如果沒有，則在該路由器的PIT中檢測是否含有該興趣包的名字。如果該興趣包的名字在PIT中已經存在，這說明在之前已經有其他消費者具有相同名字的興趣包被該路由器接收，同時已經從該路由節(jié)點轉發(fā)出去。因此，不需要再次轉發(fā)，路由器新增一個該興趣包的輸入接口到這個已存在的PIT條目中。如果PIT中不存在該興趣包的名字，則將該興趣包添加到PIT中，同時，根據(jù)FIB進一步轉發(fā)興趣包。當路由器接收到返回的數(shù)據(jù)包，使用數(shù)據(jù)包的名字來查找PIT內容，如果發(fā)現(xiàn)一個命名匹配的PIT條目，路由器則將該數(shù)據(jù)包轉發(fā)到PIT記錄的興趣包的接口，緩存數(shù)據(jù)同時刪除PIT條目。否則，數(shù)據(jù)包則被將會被丟棄。每個興趣包都被設定有一個生存期，當生存期到期時，PIT條目則會自動被刪除。

由于NDN緩存策略的存在，導致NDN網絡中的時延波動非常大。因此，本文提出了基于神經網絡的時延預測，同時在FIB組件中增加了Stat組件來完成轉發(fā)策略的設計。

2基于神經網絡的時延預測

由于NDN網絡仍然處在理論研究階段，沒有真正地實施到現(xiàn)實的網絡中，因此，針對NDN網絡的特性進行了時延模型的設計，同時，應用2種神經網絡算法進行時延預測，得到了比較理想的結果。

2.1神經網絡算法概述

人工神經網絡是一種通過模仿生物神經網絡的工作特征，來進行分布式信息處理的算法數(shù)學模型。神經網絡是目前具有非常強大的預測功能的一種算法模型。一個完整的神經網絡是由輸入層、隱含層和輸出層組成，而每一層都是由多個神經元組成的。

2.2NDN混合網絡的時延模型建模

網絡中時延的變化受到了網絡中用戶數(shù)量、鏈路狀態(tài)等因素影響，是不確定的。但每天的時延總體具有一定規(guī)律。因此，為了更好地模擬出現(xiàn)實NDN網絡中的時延數(shù)據(jù)，本文對NDN網絡時延模型進行了建模。

(1)

(1)式中：

D1=D0-k4·t+k5·sin(k6·t)+rand1

(2)

D2=k7·D1+k9·f1(b1,T1)+rand2

(3)

(4)

(1)-(4)式中：D0為時延的初始值;t為時間;f1為突變的函數(shù);f2為跳變的函數(shù);b1和b2為函數(shù)的寬度;T1和T2為函數(shù)的周期;rand為隨機函數(shù);k1-k10根據(jù)時間t變化的參數(shù)，保證了時延變化的隨機性。

D1考慮到NDN網絡緩存機制，時延在一段時間內會呈下降趨勢。但網絡中仍然會受到網絡用戶數(shù)的變化而有一定的不影響整體趨勢的波動；D2考慮到網絡中的用戶數(shù)量的突然增大導致時延急劇上升，并在短時間內，時延又恢復正常；D3考慮到NDN網絡中的緩存機制的存在，數(shù)據(jù)包可能突然變化緩存地點，導致時延變化呈跳變；Dh為混合模型，將D1-D3隨機混合，以便NDN網絡模型的訓練。

2.3基于NDN混合網絡時延模型的神經網絡設計

為了可以更好地進行時延預測，應選取最佳的神經網絡架構和神經網絡參數(shù)。

本論文選取的是預測效果比較好的BP神經網絡和Elman神經網絡進行對比，同時神經網絡參數(shù)參考文獻[14]的研究結論(當神經網絡結構為輸入層單元為5，單隱層單元為8，輸出單元為1時，時延預測性能最佳)，最終綜合得到了在NDN網絡下具有最佳預測效果的BP神經網絡結構。

仿真方法如下：根據(jù)Dh混合時延模型，參考一般網絡時延大小，產生了10 000個數(shù)據(jù)樣本輸入，其中，50%數(shù)據(jù)用于訓練網絡；50%數(shù)據(jù)用于驗證網絡。用原始數(shù)據(jù)D0與預測數(shù)據(jù)Dy來計算誤差，見(5)式。

(5)

根據(jù)Dh混合時延模型對2種網絡預測性能進行對比分析，發(fā)現(xiàn)在BP神經網絡的時延預測性能要優(yōu)于基于Elman的神經網絡，如圖3a所示。對比BP神經網絡在單隱層為8和10的誤差，可以發(fā)現(xiàn)，在單隱層單元數(shù)為10時，誤差均比單隱層數(shù)為8的小。

應用Dh混合時延模型的數(shù)據(jù)，訓練好了BP神經網絡。圖3b是原始數(shù)據(jù)和預測數(shù)據(jù)的對比圖。通過對比可以發(fā)現(xiàn)，在時延數(shù)據(jù)為突變的時候，預測有一定的誤差?？傮w來說，BP神經網絡具有很好的預測性。因此，本文選取BP神經網絡進行后續(xù)的時延預測。

BPElman0.4290.5410.3670.4680.4360.5480.5310.6550.3730.4860.3140.3940.4810.5990.4810.6040.3690.464單隱層單元為10單隱層單元為80.5330.5720.4860.5130.3600.3720.4870.5160.4910.5180.4930.5230.3870.4080.4960.5240.4310.449

a 誤差對比

b BP神經網絡預測效果圖

3基于預測時延的路由轉發(fā)策略算法

3.1存儲轉發(fā)模型

通過第2節(jié)訓練好的神經網絡預測出來的時延來選擇轉發(fā)的路徑。本文創(chuàng)新地在FIB表中增加一個接口信息Stat，用簡單的數(shù)字來表示狀態(tài)，在轉發(fā)時，通過簡單地比較每條路徑的接口內容來判斷走哪條路徑。

同時在節(jié)點存放時延表，其中包括5個歷史時延數(shù)據(jù)(D1-D5)和根據(jù)神經網絡預測的時延數(shù)據(jù)。FIB表中增加了的Stat接口信息內容是根據(jù)預測出來的時延數(shù)據(jù)的大小來進行改變的。

3.2基于預測時延的轉發(fā)算法

圖4是整個NDN網絡中的轉發(fā)流程。由于新增了Stat接口，在有可轉發(fā)路徑的前提下，判斷有幾個擁有命名指向的數(shù)據(jù)包的路徑。如果只有一個，則向這個方向轉發(fā)興趣包，如果有多個，則判斷Stat里面的數(shù)據(jù)來執(zhí)行轉發(fā)策略。

圖4　NDN網絡轉發(fā)流程圖Fig.4　Forwarding flow chart of NDN

3.2.1NNDP

1)向Stat接口內容最小的方向轉發(fā)數(shù)據(jù)。

2)如果有相同的Stat接口內容，則向所有最小的接口轉發(fā)。

3)轉發(fā)結束后，刪除D1中的時延，并且依次將時延數(shù)據(jù)向左移動，同時將新的返回的實際時延存放在D5中，同時預測第6個時延。當更新Stat之后，如果改變了轉發(fā)接口，則將時延表中的歷史時延數(shù)據(jù)改成新路徑的時延數(shù)據(jù)。

3.2.2Stat更新方法

1)對于相同的興趣包的接口，狀態(tài)0只存在一個。且0為最小的Stat。

2)當新增一個興趣包接口時，對應的Stat全部都為1。

3)如果所有的Stat都為1，則向所有端口轉發(fā)。轉發(fā)后，每個Stat存放返回的時延，并且在時延表中存放當前最小的時延。將時延進行排序，最小的為0，依次增大，數(shù)字不重復。對于相同大小的時延，根據(jù)FIB表中的位置，將處于更上面的時延值處理為Stat更小的值。

4)如果預測的時延超過T1(超時值的m1倍)，則立即令所有的Stat為1。當預測的時延超過T2(超時值的m2倍)，則向Stat等于1的路徑轉發(fā)，如果返回的時延小于T2，則將Stat為0和為1的2個數(shù)值互換。如果預測的數(shù)據(jù)仍然超過T2，則令所有的Stat為1。其中，m1，m2都是根據(jù)網絡具體情況來定的。

5)當更換路徑時，將5個歷史時延均存為更換的路徑返回的時延，以避免前一個路徑的時延的影響，同時減少本地時延表存儲壓力。

4仿真驗證

4.1網絡拓撲

本文中使用了Matlab仿真NDN網絡，網絡結構如圖5所示。這里的網絡結構選用相對比較簡單的二叉樹型結構。網絡說明如下。

圖5　二叉樹型NDN網絡結構Fig.5　Binary tree network architecture in NDN

1)網絡中的結點0為用戶，發(fā)送不同的興趣包(仿真是設定隨機請求1-5命名的興趣包，代表5個數(shù)據(jù)包)。

2)節(jié)點1-15分別是網絡的中間路由，擁有CS(可以存儲數(shù)據(jù)包)、Stat(表示向哪個方向發(fā)送數(shù)據(jù)包)。

3)在最上面的節(jié)點1中存放5個最近返回的時延值，并且預測下一個時延，根據(jù)預測的時延應用第3節(jié)的算法，來進行鏈路1-2和鏈路1-3的選擇。

4)由于是二叉樹結構網絡，則設定Stat只有1，2，3這3個值。1代表向2個方向發(fā)送數(shù)據(jù)；2代表向節(jié)點2發(fā)送數(shù)據(jù)；3代表向節(jié)點3發(fā)送數(shù)據(jù)。

5)在NDN網絡中，每個節(jié)點應該存有CS(緩存數(shù)據(jù)包)、PIT和FIB。為了簡化網絡，我們令網絡初始化的時候，每個端節(jié)點，即節(jié)點8-15，同時擁有這5個數(shù)據(jù)包，這樣每個節(jié)點都擁有2個方向可選路徑，且一直都會擁有，這樣可以減少PIT。并且由于Matlab不支持多線程，無法實現(xiàn)同時網絡中存在2個數(shù)據(jù)包發(fā)送的情況，因此，每次發(fā)完一個數(shù)據(jù)包等回來時候再發(fā)下一個數(shù)據(jù)包，則不需要PIT存在。由于二叉樹的結構，節(jié)點數(shù)除以2向下取整即可以找到父節(jié)點，也即節(jié)省了FIB(只存有新增的Stat)。因此，網絡中只擁有CS和FIB。

6)評測網絡的好壞，是用發(fā)出去的第一個興趣包開始，直到最后一個數(shù)據(jù)包返回的平均網絡時延來評測。網絡每次發(fā)送100個興趣包，興趣包的命名是隨機從1-5中抽取的。

7)緩存機制：每個節(jié)點最多CS緩存3個數(shù)據(jù)包，每次新到一個數(shù)據(jù)包，如果CS表中不存在，則讓新到的數(shù)據(jù)包排在最上面，依次向下降更新；如果有，則不更新CS表。

8)時延大?。好?個節(jié)點間的時延大小是按照上面所用的混合模型產生的。由于節(jié)點1-2和節(jié)點1-3是網絡中最容易產生擁塞的地方，所以，在每次發(fā)送100個包的時間里，這2條鏈路的時延設定為D3，呈跳變的模型。鏈路2-4，2-5，3-6，3-7設定為D2，呈突變的模型。鏈路4-8，4-9，5-10，5-11，6-12，6-13，7-14，7-15設定為D1，呈線性向下帶波動模型(后50個包翻轉該模型，即改為線性向上帶波動模型)。

4.2仿真結果

根據(jù)4.1節(jié)的規(guī)定，應用Matlab軟件，仿真了NDN網絡。每次發(fā)送100個興趣包，內容1-5隨機。圖6是統(tǒng)計了某一次網絡中發(fā)送每一個包返回的時延的大小?？偣灿?00個包。

其中，original為沒有應用預測算法的網絡，即直到超過Timeout才重新發(fā)送數(shù)據(jù)選擇最好的鏈路的時延曲線。NNDP代表網絡中加入了本文的算法之后的網絡平均時延曲線。網絡的超時Timeout設定為0.033 6 s，即為圖6中最上面的點狀線。m1·tout和m2·tout分別表示為Timeout的m1倍和Timeout的m2倍(這里m1=0.8，m2=0.6)。其中，有3次不符合整體趨勢的誤差，跟整體仿真相比，可以忽略。

由圖6中可以發(fā)現(xiàn)，經過本文的算法之后的網絡時延比沒有應用本算法的網絡時延要小。尤其是在網絡時延到0.8倍Timeout時候，會比沒有應用本算法時候的時延少很多。

圖6　仿真時延對比圖Fig.6　Simulation comparison chart of time delay

圖7是仿真了100次100個數(shù)據(jù)之后，每次仿真的平均時延。計算這100次的2種網絡的平均時延，可發(fā)現(xiàn)應用算法之后的總平均時延也要比沒有應用算法的平均時延小很多。

圖7　仿真網絡平均時延對比圖Fig.7　Simulation comparison chart of average time delay

通過圖6和圖7這2種網絡時延的評估方法，可以發(fā)現(xiàn)，應用算法之后的網絡平均時延比沒有應用NNDP算法的時延小很多。因此，可以得出結論：本文的NNDP算法可以一定程度地提高網絡的性能，減少網絡擁塞的產生。

5結束語

本文設計了NDN網絡時延模型，訓練2種神經網絡，并且進行了預測性能的對比，發(fā)現(xiàn)2種神經網絡都可以很好地預測出時延，但BP神經網絡略好于Elman神經網絡。本文同時應用預測出來的時延，設計了轉發(fā)策略的算法，并且通過仿真NDN網絡，進行算法的評估，發(fā)現(xiàn)算法可以提高網絡的性能。

在未來的工作里面，可以通過應用更好地仿真平臺，如用ndnSim來驗證本文的算法的優(yōu)劣，同時可以改進算法中的參數(shù)m1和m2，來更好地優(yōu)化算法。同時，應用ndnSim可以更好地設計網絡時延模型。除此之外，可以深入研究更多的神經網絡，尋找最好的可以預測時延的神經網絡。同時可以對比其他非神經網絡的算法進行時延預測，為NDN網絡性能提高尋找最好的預測方法。

參考文獻：

[1]CNNIC，第35次中國互聯(lián)網絡發(fā)展狀況統(tǒng)計報告[EB/OL].(2015-01-10)[2016-03-05] http://www.cnnic.cn/gywm/xwzx/rdxw/2015/201502/W020150203456823090968.pdf.

CNNIC，35 times China Internet network development state statistic report [EB/OL].(2015-01-10)[2016-03-05] http://www.cnnic.cn/gywm/xwzx/rdxw/2015/201502/W020150203456823090968.pdf.

[2]黃韜，劉江，霍如，等. 未來網絡體系架構研究綜述[J]. 通訊學報, 2014,35(8):184-197.

HUANG Tao，LIU Jiang，HUO Ru，et al. Survey of research on future network architectures[J]. Journal on Communications, 2014,35(8):184-197.

[3]夏春梅，徐明偉. 信息中心網絡研究綜述[J]. 計算機科學與探索,2013, 7(6)：481-493.

XIA Chunmei, XU Mingwei. Survey of Information-Centric Networking [J]. Journal of Frontiers of Computer Science and Technology,2013, 7(6)：481-493.

[4]XYLOMENOS G, VERVERIDIS C N, SIRIS V A. A survey of information centric networking research[J]. IEEE Communication Surveys,2014,16(2):1024-1049.

[5]AHLGREN B, DANNEWITZ C, IMBRENDA C. A survey of information centric networking[J]. IEEE Communication Magazine,2012,50(7):26-36.

[6]JACOBSON V, SMETTERS D K, THORNTON J D, et al. Networking named content[C]//Proceedings of the 5th International Conference on Emerging Networking Experiments and Technologies (CoNEXT ’09). NewYork, NY, USA:ACM, 2009: 1-12.

[7]KOPONEN T, CHAWLA M, CHUN B G. A data-oriented (and beyond) network architecture[J]. International Computer Science Institute,2007(7):27-31.

[8]DANNEWITZ C, KUTSCHER D, OHLMAN B, et al. Network of Information(NetInf)-An Information Centric Networking Architecture[J]. Computer Communications, 2013, 36(7): 721-735.

[9]ZHANG L, AFANASYEV A, BURKE J. Named Data Networking[J].ACM SIGCOMM COMP COM, 2014, 44(3): 66-73.

[10] 薛錦，張棟，唐濱.命名數(shù)據(jù)網絡中主動探測的轉發(fā)策略研究[J].計算機工程與應用,2014,50(18):89-93.

XUE Jin, ZHANG Dong, TANG Bin. Research on active detection forwarding strategy for Named Data Networking[J]. Computer Engineering and Applications, 2014, 50(18)：89-93.

[11] 王宏偉，楊雨，張智華. 網絡時延預測研究[J].電腦知識與技術,2011,10(7):2363-2365.

WANG Hongwei, YANG Yu, ZHANG Zhihua. Research of Internet Time Delay Predicting[J]. Computer Knowledge and Technology, 2011,10(7):2363-2365.

[12] 宋楊，涂小敏，費敏銳.基于FARIMA模型的Internet時延預測[J]. 儀器儀表學報, 2012, 33(4):757-763.

SONG Yang，TU Xiaomin，F(xiàn)EI Minrui. Internet time-delay prediction based on FARIMA model [J].Chinese Journal of Scientific Instrument, 2012, 33(4):757-763.

[13] 田中大，高憲文，李琨.基于KPCA與LSSVM的網絡控制系統(tǒng)時延預測方法[J]. 系統(tǒng)工程與電子技術, 2013, 35(6):1281-1285.

TIAN Zhongda, GAO Xianwen, LI Kun. Networked control system time-delay prediction method based onKPCA and LSSVM [J]. Systems Engineering and Electronics, 2013, 35(6):1281-1285.

[14] 胡治國,張大陸,侯翠平,等.基于隨機神經網絡的多步網絡時延預測模型[J].計算機科學,2009,36(7):85-112.HU Zhiguo, ZHANG Dalu, HOU Cuiping, et al. Multi-step Network Delay Prediction Model Based on RNN [J]. Computer Science,2009, 36(7):85-112.

DOI：10.3979/j.issn.1673-825X.2016.04.015

收稿日期：2016-03-08

修訂日期：2016-04-12通訊作者：徐京薇kelly_xujw@bupt.edu.cn

基金項目：國家自然科學基金青年科學基金(61501042)；北京郵電大學青年科研創(chuàng)新計劃專項(2015RC10)；北京市科技新星計劃項目(Z151100000315078)；產學研轉化項目(201502012)

Foundation Items：The National Natural Science Foundation of China(61501042); The BUPT Special Program for Youth Scientific Research Innovation(2015RC10); The Beijing Nova Program(Z151100000315078); The Industry, Education and Research transformative project(201502012)

中圖分類號：TP939

文獻標志碼：A

文章編號：1673-825X(2016)04-0539-06

作者簡介：

徐京薇(1993-)，女，河南開封人，北京郵電大學碩士研究生， 主要研究方向為未來網絡體系架構，內容中心網絡。E-mail:kelly_xujw@bupt.edu.cn。

謝人超(1984-)，男，福建南平人，博士，北京郵電大學講師，主要研究方向為未來網絡體系架構、內容中心網絡、無線通信網絡。

黃韜(1980-)，男，重慶人，博士，北京郵電大學副教授，主要研究方向為未來網絡體系架構、軟件定義網絡、內容中心網絡。

劉江(1983-)，男，河南鄭州人，博士，北京郵電大學講師，主要研究方向為未來網絡體系架構、軟件定義網絡、內容中心網絡。

楊磊(1974-)男，碩士,高級工程師,主要研究方向為電視臺制、播、存儲媒資、傳輸相關技術及應用。

(編輯：劉勇)

Research for transport control in ICN based on neural network algorithm

XU Jingwei1, XIE Renchao1, HUANG Tao1, LIU Jiang1, YANG Lei2

(1.State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications,Beijing 100876, P.R. China; 2. CCTV, Beijing 100020, P.R. China)

Abstract:With a profound change in the global digital media, current Internet users gradually show great concern for how to get information quickly, rather than the storage location of information. However，the TCP/IP network protocol architecture is unable to adapt to the rapid development of the application demand today. Thus, the new network architecture of information-centric (information-centric networking, ICN) has received the widespread attention. The dynamic changes of the network time delay reflects the load characteristics of the network path, so the accurate prediction of time delay is important to the implementation of network congestion control and routing. In ICN, the uncertainty of time delay, due to network caching mechanism, brings new challenges for the network transmission control. Therefore, in the NDN (named data networking) network which belongs to ICN delay model modeling, time delay prediction algorithm and neural network are used in this paper to design the forwarding strategy based on the predicted time delay mechanism, adding interface Stat into component forwarding information based in NDN innovatively, so as to realize the dynamic choice of forwarding path. The simulation results show that the designed mechanism can effectively improve network transmission control performance.

Keywords：future network; information centric networking; neural network; delay prediction; forwarding strategy