郭 晨,鄭 烇,丁 堯,王 嵩

(中國科學(xué)技術(shù)大學(xué) 自動化系 未來網(wǎng)絡(luò)實驗室,合肥 230026)

基于內(nèi)容熱度與節(jié)點介數(shù)的NDN網(wǎng)絡(luò)緩存策略①

郭 晨,鄭 烇,丁 堯,王 嵩

(中國科學(xué)技術(shù)大學(xué) 自動化系 未來網(wǎng)絡(luò)實驗室,合肥 230026)

緩存技術(shù)是數(shù)據(jù)命名網(wǎng)絡(luò) (Named data networking,NDN)的關(guān)鍵技術(shù)之一. NDN 傳統(tǒng)的 LCE 緩存策略會造成較大的冗余. 改進(jìn)的RCOne策略采用隨機放置的方法,沒有利用任何內(nèi)容、節(jié)點信息,對網(wǎng)絡(luò)緩存性能的提升有限. Betw策略只考慮到節(jié)點介數(shù),導(dǎo)致高介數(shù)節(jié)點緩存更替頻繁,當(dāng)節(jié)點緩存容量遠(yuǎn)小于內(nèi)容總量時,緩存性能下降. 為了解決這些問題,本文提出一種結(jié)合內(nèi)容熱度與節(jié)點介數(shù)的新型緩存策略HotBetw(Hot content placed on node with high Betweenness),充分利用內(nèi)容與節(jié)點信息選擇最佳的位置放置緩存. 仿真實驗表明相對于典型NDN緩存策略,HotBetw緩存策略在提高緩存命中率、降低平均跳數(shù)方面具有很好的效果.

數(shù)據(jù)命名網(wǎng)絡(luò); 緩存技術(shù); 內(nèi)容熱度; 節(jié)點介數(shù); HotBetw 緩存策略

為了從根本上解決傳統(tǒng)IP網(wǎng)絡(luò)傳輸效率低的問題,一類以信息為中心的新型網(wǎng)絡(luò)體系——ICN被提出[1]. 數(shù)據(jù)命名網(wǎng)絡(luò)NDN是ICN的主流網(wǎng)絡(luò)架構(gòu)之一[2],NDN網(wǎng)絡(luò)泛在化的緩存能有效的降低用戶的等待時延、節(jié)約帶寬資源、減小服務(wù)器負(fù)載.

NDN網(wǎng)絡(luò)默認(rèn)的緩存決策策略是LCE(Leave copy everywhere)[1],LCE策略會在網(wǎng)絡(luò)中產(chǎn)生大量冗余副本,導(dǎo)致網(wǎng)絡(luò)緩存資源的利用率低. 針對LCE的缺點,RCOne[3]、Betw[4]等緩存決策策略被提出[5,6]. 為了提升網(wǎng)絡(luò)緩存的多樣性,RCOne算法在內(nèi)容返回路徑中隨機地選擇一個節(jié)點緩存內(nèi)容. 這種隨機化的緩存決策易于實現(xiàn),但并未考慮內(nèi)容的熱度等信息,對緩存性能的提升有限. Betw算法在內(nèi)容返回時選擇興趣包請求路徑上最重要的節(jié)點緩存,其它節(jié)點不再緩存. 對于不同網(wǎng)絡(luò)拓?fù)?該策略都取得了較高的網(wǎng)內(nèi)節(jié)點緩存命中率,并減少了內(nèi)容傳輸?shù)钠骄鴶?shù). 然而,在實際網(wǎng)絡(luò)中,節(jié)點緩存量遠(yuǎn)小于內(nèi)容總量,Betw策略會導(dǎo)致節(jié)點越重要,到達(dá)的請求越多,需要緩存的內(nèi)容也越多,同時節(jié)點負(fù)載也會越大,從而導(dǎo)致緩存中的內(nèi)容更替頻繁,新緩存的內(nèi)容,即使具有很高的熱度,也具有較大可能性被快速替換掉,致使后續(xù)請求無法充分利用前期緩存.

選取2016年3月—2018年1月在我院接受口腔疾病治療的患者90例作為研究對象，并將其隨機分為研究組和對照組，每組各45例患者。其中，對照組中，男21例，女24例，年齡20～50歲，平均年齡（32.06±6.49）歲，其中有7例是牙列缺損、12例是齲齒導(dǎo)致的牙體大面積缺損、8例牙間隙過寬、18例牙周炎；研究組中，男28例，女17例，年齡19～50歲，平均年齡（31.59±5.89）歲，其中有9例是牙列缺損、10例是齲齒導(dǎo)致的牙體大面積缺損、6例牙間隙過寬、15例牙周炎；對兩組患者的一般資料進(jìn)行對比，差異無統(tǒng)計學(xué)意義（P＞0.05），具有可比性。

基于以上方案存在的問題,本文提出一種綜合考慮內(nèi)容熱度與節(jié)點介數(shù)的網(wǎng)絡(luò)緩存決策策略HotBetw.根據(jù)內(nèi)容的熱度信息將內(nèi)容分為熱點內(nèi)容與非熱點內(nèi)容. 在內(nèi)容返回的過程中結(jié)合內(nèi)容熱度與節(jié)點的重要性,將熱點內(nèi)容放置在重要節(jié)點上,非熱點內(nèi)容隨機放置在某一個節(jié)點上. 該策略既能保證熱點內(nèi)容盡量緩存在相對重要節(jié)點上,又能避免重要節(jié)點處于高頻率的內(nèi)容替換狀態(tài)下,同時也充分利于了非重要節(jié)點的緩存資源,達(dá)到提升網(wǎng)絡(luò)緩存性能的目的.

本文的結(jié)構(gòu)如下: 第1節(jié)介紹和分析內(nèi)容熱度算法與NDN緩存決策策略的相關(guān)技術(shù); 第2節(jié)闡述本文提出的HotBetw緩存決策策略; 第3節(jié)給出仿真環(huán)境、方案與參數(shù)的設(shè)置,并分析仿真結(jié)果; 第4節(jié)對本文工作進(jìn)行總結(jié).

1 相關(guān)技術(shù)

1.1 內(nèi)容熱度算法

為了提高緩存命中率,節(jié)點進(jìn)行緩存替換時會把熱度最小的內(nèi)容替換出去. 最常用的NDN網(wǎng)絡(luò)緩存替換算法有 LRU[7]與 LFU[8]. LRU(Least recently used)主要思想是: 當(dāng)有新內(nèi)容轉(zhuǎn)發(fā)到節(jié)點且節(jié)點緩存空間已滿時,將最久未使用的緩存內(nèi)容替換掉. LRU主要考慮內(nèi)容的動態(tài)性,認(rèn)為最近轉(zhuǎn)發(fā)的內(nèi)容很有可能再次被請求,因此具有較大的熱度. 但是如果一個內(nèi)容每隔一段時間都會被請求一次,LRU算法會用最近的內(nèi)容將它替換掉,即使最近的內(nèi)容很少有人感興趣. LRU算法只注重了內(nèi)容的動態(tài)性卻忽略了內(nèi)容的歷史熱度.LFU(Least frequently used)的核心思想是給每一個緩存內(nèi)容進(jìn)行計數(shù),緩存命中時,計數(shù)值加 1. 緩存替換時將計數(shù)值最小的內(nèi)容替換掉. LFU主要考慮內(nèi)容的歷史熱度,認(rèn)為歷史熱度高的內(nèi)容被再次請求的概率大.但是如果請求的內(nèi)容在動態(tài)變化時,LFU算法的性能將下降. 原因是: 當(dāng)一個內(nèi)容過去很流行,即使之后沒有人再請求,它也會一直留在緩存中直到最近的一些被命中次數(shù)更多的內(nèi)容出現(xiàn). LFU算法只只注重了內(nèi)容的歷史熱度卻忽略了內(nèi)容的動態(tài)性.

Complete Freund's adjuvant:CFA is composed of paraffin oil,mannide monooleate and heat-killed,dried Bacillus Calmette-Guerin(BCG).11 CFA was purchased from Sigma-Aldrich(USA),which had been used to stir immunity in several researches.12,13

針對LRU與LFU緩存替換策略的不足,文獻(xiàn)[8]提出了CCP緩存替換策略. CCP緩存替換策略周期性地統(tǒng)計內(nèi)容的命中次數(shù),實時計算內(nèi)容的熱度,根據(jù)內(nèi)容熱度進(jìn)行緩存替換. 內(nèi)容熱度的計算公式如下:

1)根據(jù)內(nèi)容熱度算法,將內(nèi)容分為熱點內(nèi)容與非熱點內(nèi)容.

本文旨在結(jié)合內(nèi)容熱度與節(jié)點介數(shù)進(jìn)行緩存決策,因此接下來將詳細(xì)介紹內(nèi)容熱度算法、NDN緩存決策策略這兩方面的相關(guān)技術(shù).

1.2 NDN緩存決策策略

NDN的默認(rèn)緩存決策策略是LCE(Leave copy everywhere). LCE的主要思想是在內(nèi)容返回過程中的每一個節(jié)點都緩存內(nèi)容. LCE的算法復(fù)雜度低、實現(xiàn)簡單,但是會導(dǎo)致網(wǎng)絡(luò)中出現(xiàn)大量冗余副本,降低緩存的多樣性.

謝子臥疾山頂，覽古人遺書，與其意合，悠然而笑曰：夫道可重，故物為輕；理宜存，故事斯忘。古今不能革，質(zhì)文咸其常。合宮非縉云之館，衢室豈放勛之堂。邁深心于鼎湖，送高情于汾陽。嗟文成之卻粒，愿追松以遠(yuǎn)游。嘉陶朱之鼓棹，乃語種以免憂。判身名之有辨，權(quán)榮素其無留。孰如牽犬之路既寡，聽鶴之途何由哉！[注] 《宋書》卷六十七《謝靈運傳》，第1754頁。

健脾生血片與多糖鐵復(fù)合物膠囊治療非透析腎性貧血的療效及安全性比較 ……………………………… 簡 訊等（10）：1384

根據(jù)內(nèi)容的實時熱度值,我們可以對內(nèi)容進(jìn)行合理的劃分. NDN網(wǎng)絡(luò)中用戶請求到的內(nèi)容是由源服務(wù)器節(jié)點或者請求路由路徑中某個節(jié)點的CS表提供[9].由源服務(wù)器節(jié)點提供的內(nèi)容在請求路由路徑中沒有緩存副本,說明這個內(nèi)容在路徑中所有節(jié)點上的熱度都不高,因此被劃分為非熱點內(nèi)容. 由節(jié)點CS緩存表提供的內(nèi)容根據(jù)實時熱度值進(jìn)行劃分. 內(nèi)容分類的詳細(xì)情況如下:

圖1 實例拓?fù)?/p>

文獻(xiàn)[4]提出的Betw緩存決策策略,請求命中后將內(nèi)容只緩存在內(nèi)容返回路徑中最重要的節(jié)點上. 由于在重要節(jié)點上,同一個內(nèi)容被請求的次數(shù)會更多,使得內(nèi)容在節(jié)點上被緩存時間變長,緩存命中率變高從而提升緩存性能. 而節(jié)點重要程度是以節(jié)點介數(shù)作為度量,節(jié)點介數(shù)用來描述節(jié)點在網(wǎng)絡(luò)中重要性的一個度量,源于復(fù)雜網(wǎng)絡(luò)領(lǐng)域,其數(shù)學(xué)定義如下:

然而在實際網(wǎng)絡(luò)中節(jié)點緩存大小與網(wǎng)絡(luò)內(nèi)容總量相比非常小,因此,重要節(jié)點到達(dá)的請求數(shù)量非常大,節(jié)點處于高頻率的內(nèi)容替換狀態(tài)下,導(dǎo)致熱點內(nèi)容也會出現(xiàn)很快就被替換. 此時大量的興趣包到達(dá)重要節(jié)點后,無法實現(xiàn)緩存命中,興趣包也只能被轉(zhuǎn)發(fā)到別的節(jié)點,直至內(nèi)容源端. 在圖1 的拓?fù)浣Y(jié)構(gòu)中,Betw 策略會把所有的內(nèi)容都緩存在v2節(jié)點,v2節(jié)點的緩存空間大小有限,高頻率的替換狀態(tài)下導(dǎo)致網(wǎng)絡(luò)緩存性能的降低; 此外v2之外的其他節(jié)點均未放置緩存,也造成了緩存資源的浪費.

2 算法介紹

2.1 HotBetw緩存決策策略核心思想

基于以上分析,我們發(fā)現(xiàn)如果將內(nèi)容緩存在內(nèi)容返回路徑中最重要的節(jié)點上,雖然能夠滿足更多的請求,但是由于節(jié)點緩存空間有限,緩存替換過快會導(dǎo)致網(wǎng)絡(luò)緩存性能下降. 另一方面,如果采用隨機緩存的方法,由于沒有結(jié)合任何內(nèi)容或者節(jié)點的信息,網(wǎng)絡(luò)緩存性能的提升也很有限,因此本文提出如下基于內(nèi)容熱度與節(jié)點信息的HotBetw緩存決策策略:

隨機抽取2017年2月-2018年2月至我院接受治療的104例冠心病患者為檢驗組(n=56),再隨機抽取同時期至我院接受健康體檢的健康者為對照組(n=48),檢驗組男33例,女23例,年齡45-70歲,平均年齡(57.58±12.74)歲,病程1-9年,平均病程(3.47±2.39)年;對照組男23例,女25例,年齡47-74歲,平均年齡(57.79±12.83)歲,病程2-7年,平均病程(4.32±2.18)年;將兩組人員年齡、病程、性別等基本資料納入統(tǒng)計學(xué)中分析顯示無顯著差異(P>0.05),具有比較意義。

8是一個吉利的數(shù)字，在中國人的傳統(tǒng)語境中，8意味著財富的增長。但是在這個尾數(shù)是8的年份里，很多民眾的感受中，這并不是一個好的年景。中國股市復(fù)制了2008年的大跌模式，股指在2018年開市的最后一天回落至2500點以下收盤，全年跌幅超過四分之一，1.46億股民人均虧損近10萬元?！岸艘?guī)則”也被輕易打破，僅有一成股民僥幸賺了點錢。對于中國股市，這顯然是一個沒能逾越的寒冬。

2.5 m時的過流能力分別為0.442 m3/s、1.070 m3/s。 按式(1)計算得出魚道池室的容積功率耗散約為19.92 W/m3、19.29 W/m3，紊動不劇烈，適合魚類上溯。

3)非熱點內(nèi)容采用隨機化的RCOne策略,隨機緩存在內(nèi)容返回路徑中的某一個節(jié)點上.

下面通過一個實例來分析HotBetw策略的性能.在圖1所示的拓?fù)浣Y(jié)構(gòu)中,假設(shè)每個節(jié)點的CS緩存表的大小為1,3個用戶節(jié)點分別先后請求1次內(nèi)容:Client A請求c1,然后Client B請求c2,最后Client C請求c1. 接下來我們分析采用不同緩存決策策略下,網(wǎng)絡(luò)的緩存命中次數(shù). 緩存決策策略采用Betw策略時,Client A請求的c1由源服務(wù)器s1提供,c1緩存在v2節(jié)點;Client B請求的c2由源服務(wù)器s1提供,c2緩存在v2節(jié)點,將之前的c1替換掉; 最后Client C請求的c1依然不能被緩存命中,只能由源服務(wù)器s1提供. 3次請求過后,緩存命中次數(shù)為0. 如果緩存決策策略采用RCOne,當(dāng)Client A請求的c1緩存在v1節(jié)點,Client B請求的c2緩存在v2或v4節(jié)點; 或者Client A請求的c1緩存在v2節(jié)點,Client B請求的c2緩存在v1或v4節(jié)點時,Client C請求的c1才會被緩存命中. 可以算出RCOne策略的平均緩存命中次數(shù)為4/9. 如果緩存決策策略采用 HotBetw,c1被請求 2 次,是熱點內(nèi)容,采用Betw 策略;c2只被請求 1 次,是非熱點內(nèi)容,采用RCOne策略.Client A請求的c1由源服務(wù)器s1提供,c1緩存在v2節(jié)點;Client B請求的c2由源服務(wù)器s1提供,c2只要不緩存在v2節(jié)點,Client C請求的c1就會被v2節(jié)點的緩存命中. 可以計算出HotBetw策略的平均緩存命中次數(shù)為2/3,高于Betw策略與RCOne策略. HotBetw策略既能將熱點內(nèi)容放置在重要節(jié)點,又能降低重要節(jié)點緩存替換率提高緩存命中率,同時利用其它節(jié)點存儲非熱點內(nèi)容,提升網(wǎng)絡(luò)緩存多樣性.

2.2 基于CCP緩存替換策略的內(nèi)容熱度算法

合理劃分熱點內(nèi)容與非熱點內(nèi)容是HotBetw策略的關(guān)鍵之處. 在實際網(wǎng)絡(luò)中,我們無法像2.1小節(jié)實例中那樣提前預(yù)知具體的內(nèi)容請求,此時正確計算內(nèi)容的實時熱度顯得尤為關(guān)鍵. 文獻(xiàn)[8]中提出的CCP緩存替換策略中能兼顧內(nèi)容請求的動態(tài)變化與內(nèi)容的歷史熱度,正確計算出內(nèi)容的實時熱度,因此本文采用CCP緩存替換策略所提出的內(nèi)容熱度算法計算內(nèi)容熱度. CCP替換策略在NDN網(wǎng)絡(luò)的CS、PIT以及FIB結(jié)構(gòu)的基礎(chǔ)上,新增了內(nèi)容熱度統(tǒng)計表(Content popularity table,CPT). CPT 表用來保存緩存內(nèi)容的命中次數(shù)、歷史熱度用來計算緩存內(nèi)容的實時熱度. 當(dāng)CS表更新時,CPT表也同步更新,確保CPT表保存CS表中所有緩存內(nèi)容的信息. CPT表詳細(xì)表結(jié)構(gòu)如表1所示.

2)熱點內(nèi)容采用基于節(jié)點介數(shù)的Betw策略,緩存在內(nèi)容返回路徑中節(jié)點介數(shù)最大的節(jié)點上.

表1 內(nèi)容熱度統(tǒng)計表(CPT)

RCOne緩存決策策略采用隨機化的思想,在內(nèi)容返回路徑中隨機選取一個節(jié)點緩存內(nèi)容. 圖1所示的拓?fù)浣Y(jié)構(gòu)中,用戶Client A請求內(nèi)容c1時,源服務(wù)器s1提供c1,c1在返回過程中隨機選擇v1、v2、v3中的某一個節(jié)點緩存下來. 相比于LCE,RCOne雖然能在一定程度上提升網(wǎng)絡(luò)緩存多樣性,但是在緩存放置時既沒有考慮內(nèi)容熱度,也沒有考慮節(jié)點信息,對網(wǎng)絡(luò)緩存性能的提升有限.

1)熱點內(nèi)容: CS表中實時熱度值位于前40%的內(nèi)容.

2)非熱點內(nèi)容: 源服務(wù)器節(jié)點提供的內(nèi)容、節(jié)點CS表實時熱度值位于后60%的內(nèi)容.

興趣包請求如果被某一個節(jié)點CS表中實時熱度值位于前40%的內(nèi)容緩存命中,那么返回的內(nèi)容是熱點內(nèi)容; 如果被源服務(wù)器或者某一個節(jié)點CS表中實時熱度值位于后60%的內(nèi)容滿足,則返回的內(nèi)容是非熱點內(nèi)容.

2.3 HotBetw緩存決策策略的實現(xiàn)

為了實現(xiàn)HotBetw緩存決策策略,興趣包在請求的過程中,需要記錄路由路徑中所有節(jié)點的最大節(jié)點介數(shù)CB和跳數(shù)hop. 興趣包被滿足時,基于2.2小節(jié)的內(nèi)容熱度算法,判斷內(nèi)容是否為熱點內(nèi)容. 熱點內(nèi)容采用Betw緩存決策策略,在內(nèi)容返回的路徑中,將路徑中每個節(jié)點v的節(jié)點介數(shù)CB(v)與最大節(jié)點介數(shù)CB進(jìn)行比較,兩個值相同則將內(nèi)容緩存在這個節(jié)點v上. 非熱點內(nèi)容采用RCOne緩存決策策略,興趣包被滿足時產(chǎn)生一個0到跳數(shù)hop之間的隨機數(shù),內(nèi)容返回過程中每轉(zhuǎn)發(fā) 1 跳,隨機數(shù)減 1,當(dāng)隨機數(shù)減為 0 時,將內(nèi)容緩存在這個節(jié)點上. 圖2的偽代碼給出了節(jié)點對興趣包與內(nèi)容的詳細(xì)處理過程. 興趣包到達(dá)節(jié)點v時,OnIncomingInterest首先查詢興趣包是否被節(jié)點v滿足(v的CS表緩存命中或者v是源服務(wù)器server). 如果被滿足,則返回內(nèi)容,內(nèi)容從興趣包中獲得3項信息:最大節(jié)點介數(shù)CB、0-hop之間的一個隨機數(shù),熱點內(nèi)容標(biāo)志位hot. 如果興趣包沒被滿足,則更新興趣包的最大節(jié)點介數(shù)CB與跳數(shù)hop,繼續(xù)轉(zhuǎn)發(fā)到下一跳. 內(nèi)容到達(dá)節(jié)點v時,OnIncomingData首先判斷內(nèi)容是否為熱點內(nèi)容,熱點內(nèi)容根據(jù)節(jié)點介數(shù)的匹配結(jié)果放置,非熱點內(nèi)容則根據(jù)跳數(shù)值是否為0進(jìn)行放置,更新跳數(shù)值,繼續(xù)將內(nèi)容轉(zhuǎn)發(fā)到下一跳.

圖2 HotBetw 偽代碼

3 實驗分析

3.1 實驗環(huán)境與參數(shù)配置

3.2 實驗結(jié)果分析

圖3是在4種緩存決策策略下,節(jié)點緩存容量不同時,用戶請求在全網(wǎng)的緩存命中率. 這個命中率是在節(jié)點緩存大小確定好后,一次實驗中被網(wǎng)內(nèi)節(jié)點緩存命中的請求占所有用戶請求的比例. LCE、RCOne、Betw這3組對照實驗中,Betw策略的全網(wǎng)緩存命中率最高. 本文提出的HotBetw策略的全網(wǎng)緩存命中率相比于Betw策略高出9%.

圖3 全網(wǎng)緩存命中率隨節(jié)點緩存大小的變化

圖4是在4種緩存決策策略下,請求的平均跳數(shù)隨節(jié)點緩存容量大小的變化. 平均跳數(shù)是一次實驗中所有的用戶請求被轉(zhuǎn)發(fā)的平均跳數(shù). 3組對照實驗中,Betw策略的平均跳數(shù)最低. 本文提出的HotBetw策略的平均跳數(shù)比Betw策略低0.3跳,性能提升了10%.

懸浮間隙傳感器非線性校正模型為單輸入單輸出系統(tǒng)，因此其輸入層和輸出層均只有一個神經(jīng)元。RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要取決于隱含層神經(jīng)元節(jié)點的個數(shù)，隱含層神經(jīng)元的個數(shù)越多，網(wǎng)絡(luò)的逼近能力越強，但網(wǎng)絡(luò)也越復(fù)雜；神經(jīng)元個數(shù)越少，網(wǎng)絡(luò)越簡單，但同時網(wǎng)絡(luò)逼近能力亦隨之降低。本文通過仿真試驗最終選擇5個隱含層神經(jīng)元的網(wǎng)絡(luò)結(jié)構(gòu)。RBF網(wǎng)絡(luò)隱含層神經(jīng)元的中心值、閾值和輸出權(quán)值參數(shù)的訓(xùn)練，采用粒子群優(yōu)化算法，具體按式(6)將各優(yōu)化參數(shù)用各粒子進(jìn)行編碼。

4 結(jié)語

為了解決NDN網(wǎng)絡(luò)中內(nèi)容在請求路徑上如何選擇緩存節(jié)點的問題,本文提出了一種基于內(nèi)容熱度與節(jié)點介數(shù)的緩存決策策略HotBetw. 該策略通過內(nèi)容的熱度信息,對內(nèi)容進(jìn)行分類,熱點內(nèi)容采用 Betw 策略,非熱點內(nèi)容采用RCOne策略. HotBetw策略既能保證熱點內(nèi)容盡量緩存在相對重要節(jié)點上,又能避免Betw策略只考慮節(jié)點介數(shù)而導(dǎo)致重要節(jié)點內(nèi)容替換頻繁,同時也充分利于了非重要節(jié)點的緩存資源. 仿真實驗表明,HotBetw決策策略與Betw策略相比全網(wǎng)命中率提升了9%,請求平均跳數(shù)減小了10%,相比于隨機放置的RCOne與到處放置的LCE策略性能提高更加顯著.

圖4 請求平均跳數(shù)隨節(jié)點緩存大小的變化

1張國強,李楊,林濤,等. 信息中心網(wǎng)絡(luò)中的內(nèi)置緩存技術(shù)研究. 軟件學(xué)報,2014,25(1): 154–175. [doi: 10.13328/j.cnki.jos.004494]

2Ahlgren B,Dannewitz C,Imbrenda C,et al. A survey of information-centric networking. IEEE Communications Magazine,2012,50(7): 26–36. [doi: 10.1109/MCOM.2012.6231276]

3Eum S,Nakauchi K,Murata M,et al. CATT: Potential based routing with content caching for ICN. Proc. of the Second Edition of the ICN Workshop on Information-Centric Networking. New York,USA. 2012. 49–54.

4Chai WK,He DL,Psaras I,et al. Cache“l(fā)ess for more” in information-centric networks. International Conference on Research in Networking. Berlin Heidelberg. 2012. 27–40.

5Psaras I,Chai WK,Pavlou G. Probabilistic in-network caching for information-centric networks. Proc. of the Second Edition of the ICN Workshop on Information-Centric Networking. New York,USA. 2012. 55–60.

6Laoutaris N,Che H,Stavrakakis I. The LCD interconnection of LRU caches and its analysis. Performance Evaluation,2006,63(7): 609–634. [doi: 10.1016/j.peva.2005.05.003]

7Podlipnig S,B?sz?rmenyi L. A survey of web cache replacement strategies. ACM Computing Surveys (CSUR),2003,35(4): 374–398. [doi: 10.1145/954339]

8Ran JH,Lv N,Zhang D,et al. On performance of cache policies in named data networking. Proc. of the 2013 International Conference on Advanced Computer Science and Electronics Information. Beijing,China. 2013. 668–671.

9Yi C,Afanasyev A,Wang L,et al. Adaptive forwarding in named data networking. ACM SIGCOMM Computer Communication Review,2012,42(3): 62–67. [doi: 10.1145/2317307]

10Mastorakis S,Afanasyev A,Moiseenko I,et al. ndnSIM 2.0:A new version of the NDN simulator for NS-3 [Technical Report]. NDN-0028. Los Angeles: NDN,2015.

Cache Scheme Based on Content Popularity and Node Betweenness in Named Data Networking

GUO Chen,ZHENG Quan,DING Yao,WANG Song

(Laboratory for Future Networks,Department of Automation,University of Science and Technology of China,Hefei 230026,China)

Cache is one of the key technologies of named data networking(NDN). However,the basic cache scheme LCE(leave copy everywhere) in NDN leads to much redundancy. The RCOne scheme chooses the cache node randomly without using any information of content and node,which is limited in improving cache performance. The Betw scheme results in that the node has the more frequent replacement with the larger betweenness centrality,which will decrease the cache performance when the node’s cache capacity is far smaller than the total content amount. In order to solve those problems,a cache scheme named HotBetw is proposed in this paper based on content popularity and node betweenness to choose appropriate cache node along the content delivery path. The simulation results show that the HotBetw cache scheme can achieve higher cache hit ratio and reduce average request hop compared with existing schemes.

named data networking; cache; content popularity; betweenness centrality; HotBetw cache scheme

郭晨,鄭烇,丁堯,王嵩.基于內(nèi)容熱度與節(jié)點介數(shù)的NDN網(wǎng)絡(luò)緩存策略.計算機系統(tǒng)應(yīng)用,2017,26(12):165–169. http://www.c-sa.org.cn/1003-3254/6105.html

2017-03-14; 修改時間: 2017-03-31; 采用時間: 2017-04-07