CN108769251B - 一种启发式ccn网络合作缓存方法 - Google Patents

一种启发式ccn网络合作缓存方法 Download PDF

Info

Publication number
CN108769251B
CN108769251B CN201810640759.4A CN201810640759A CN108769251B CN 108769251 B CN108769251 B CN 108769251B CN 201810640759 A CN201810640759 A CN 201810640759A CN 108769251 B CN108769251 B CN 108769251B
Authority
CN
China
Prior art keywords
sbs
content
network
hit rate
cache
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810640759.4A
Other languages
English (en)
Other versions
CN108769251A (zh
Inventor
张明川
吴庆涛
朱军龙
郑瑞娟
杨美怡
刘康
张伟娜
杜娟
孟维鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201810640759.4A priority Critical patent/CN108769251B/zh
Publication of CN108769251A publication Critical patent/CN108769251A/zh
Application granted granted Critical
Publication of CN108769251B publication Critical patent/CN108769251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
    • H04L67/5682—Policies or rules for updating, deleting or replacing the stored data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Computer And Data Communications (AREA)
  • Information Transfer Between Computers (AREA)
  • Memory System Of A Hierarchy Structure (AREA)

Abstract

本发明提供了一种启发式CCN网络合作缓存方法，包括以下步骤：步骤S1、网络模型为两级CCN拓扑，两级CCN拓扑是由控制节点和普通节点组成；一个控制节点和多个普通节点组成一个SBS；步骤S2、缓存内容的流行度：步骤S3、最大化本地SBS命中率；步骤S4、最大化整个网络命中率；步骤S5、最大化用户获得的平均利润：步骤S6、最优分解因子的算法；步骤S7、控制节点的缓存替换；本发明在SBS本地命中率和全网命中率之间引入了SBS间合作缓存方式，在一定程度上增加了全网的内容多样性，提高了全网命中率；同时，SBS内部也进行合作缓存，提高本地命中率，最大化了用户获得的平均利润。

Description

一种启发式CCN网络合作缓存方法
技术领域
本发明涉及信息中心网络技术领域，具体是涉及一种启发式CCN网络合作缓存方法。
背景技术
随着互联网的快速发展，出现了许多新型的网络应用，其中内容获取类应用占据了重要的位置。根据2018年的Cisco VNI报告：在过去的五年间，移动数据流量增长了18倍，其中，视频流占据全部的移动流量的60％。这个预测的增长不符合现有的TCP/IP面向连接的设计模式，它会增大网络中数据的传输，导致传输时延和能源消耗的增大。为了解决此问题，研究者们提出了以数据为中心的全新的网络模式——信息中心网络(InformationCentric Networking,ICN)，其中具有代表性的有内容中心网络(Content CentricNetworking,CCN)。
CCN是一种新型的网络模型，它有许多创新点，如：基于节点的缓存、基于名字的路由查找。其中能够缓存内容的节点是CCN的重要组成部分，它可以缓存流行的内容用于响应未来的需求。将内容缓存到更接近于用户的节点上，可以减少用户访问内容的代价，即增大用户获得的利润。因此，制定一个好的缓存策略会对用户获得的利润产生重要影响。
到目前为止，现有的缓存策略都是用于任意的CCN拓扑下的而不是有等级的网络拓扑下的，主要分为两类：非合作缓存策略和合作缓存策略。对于非合作缓存策略，网络中每个节点缓存内容是独立的。在这种情况下，每个节点都不知道其他节点缓存情况，会造成网络中内容冗余度增大、命中率减小。对于合作缓存策略，每个节点之间可以通过合作，降低网络中内容的冗余度、提高响应请求速度，从而提升用户获得的利润。然而在CCN任意的网络拓扑中，每个节点拥有同等的地位，合作是发生在所有节点间的，它不能很好的发挥出合作缓存的优势，反而会造成带宽资源浪费。因此，为了最大化用户获得的利润，研究一种用于有等级拓扑下的合作缓存策略是至关重要的。
发明内容
为了最大化用户利润，本发明的目的是提供一种启发式CCN网络合作缓存方法，该策略用于两级CCN拓扑下：控制节点和普通节点，一个控制界点和多个普通节点组成一个小型基础系统(Small Base System,SBS)。该方法用一个分解因子将每个SBS中的控制节点的缓存空间划分为复制部分和独特部分两部分。复制部分缓存最流行的内容，不用担心全网络的内容冗余度，用于提升SBS的命中率；独特部分缓存较不流行的内容，每个控制节点的独特部分缓存的内容在全网中副本数都为一，用于增大全网的内容多样性。另外，我们可以通过最大化用户获得的平均利润来得到最优的分解因子。针对这个合作缓存算法还提出了控制节点内容替换策略。
本发明为解决上述技术问题采用的技术方案是：一种启发式CCN网络合作缓存方法，包括以下步骤：
步骤S1、网络模型：该网络模型为两级CCN拓扑，两级CCN拓扑是由控制节点和普通节点组成；控制节点可以缓存内容，还可以控制管理相邻的普通节点，普通节点只可以缓存和转发内容；一个控制节点和多个普通节点组成一个小型基础系统SBS；每个SBS中的控制节点的缓存空间通过分解因子λ(0≤λ≤1)划分为两部分，一部分为复制部分，复制部分缓存相同的最流行内容的副本，另一部分为独特部分，独特部分缓存其它SBS没有缓存的内容；
步骤S2、缓存内容的流行度：假设网路中有N个控制节点，则整个网络中有N个
Figure GDA0002823309290000034
用户的内容请求来自一个有限的内容库F＝{f1,...,fm,...,fM}，其大小为M，其中fm表示第m个流行的内容；这个内容库中所有内容的大小一样，都为1；每个控制节点都可以缓存K个内容，每个普通节点都可以缓存H个内容；每个SBS的缓存大小为Ci，i∈N＝{1,···,N}，整个网络中可以缓存
Figure GDA0002823309290000031
个内容；假设请求模式是同构的，每个节点请求内容的速率相等且都遵循Zipf分布，根据Zipf定律，内容库F中第m个流行的内容的流行度为：
Figure GDA0002823309290000032
变量pm表示任意节点请求第m个内容的概率(p1＞p2＞···＞pM)；Zipf参数α(0≤α≤1)表示斜率；α越大，越流行的内容越受关注；
步骤S3、最大化本地SBS命中率：每一个SBS中控制节点与普通节点相邻，假设它们的访问代价近似相等，用内容放置变量
Figure GDA0002823309290000033
表示内容fm是否缓存在SBSsi中，是为1，不是则为0；使用变量
Figure GDA0002823309290000041
和
Figure GDA0002823309290000042
分别表示普通节点c、控制节点r和相关SBSsi对内容fm产生请求的概率；ni(i∈N)表示
Figure GDA00028233092900000410
内普通节点的数量，在假设请求模式是同构的基础上，得出：
Figure GDA0002823309290000043
因此，第m个内容的流行度为：
Figure GDA0002823309290000044
最大化本地SBS命中率的定义为：
Figure GDA0002823309290000045
Figure GDA0002823309290000046
步骤S4、最大化整个网络命中率：最大化整个网络命中率的定义为：
Figure GDA0002823309290000047
C表示整个网络中可用的缓存大小，即能被缓存的内容的种类的数量，Bm(m∈{1,...,M})是一个二项函数，如果内容缓存到网络中则Bm＝1；否则Bm＝0；如果SBS之间不合作，则C＝Cmax，其中Cmax≥Ci(i∈N)；如果SBS之间发生合作，即每个SBS缓存的内容不同，则
Figure GDA0002823309290000048
可得到
Figure GDA0002823309290000049
步骤S5、最大化用户获得的平均利润：用RL表示本地SBS命中率所带来的平均利润，用RD表示其它SBS命中率所带来的平均利润，用RM表示服务器命中率所带来的利润；在给定的网络拓扑中，RM＜RD＜RL，最大化获得的平均利润为：
Figure GDA0002823309290000051
Figure GDA0002823309290000052
其中
Figure GDA0002823309290000053
Figure GDA0002823309290000054
Figure GDA0002823309290000055
公式(6)、公式(7)和公式(8)分别为本地
Figure GDA00028233092900000511
的命中率、一个来自
Figure GDA0002823309290000059
请求在
Figure GDA00028233092900000510
上响应的概率、一个来自
Figure GDA00028233092900000512
的请求在服务器上响应的概率；用
Figure GDA0002823309290000056
Figure GDA0002823309290000057
和
Figure GDA0002823309290000058
分别表示本地SBS命中率、其它SBS上命中率和服务器上命中率；
步骤S6、最优分解因子的算法：本地
Figure GDA00028233092900000513
的命中率由复制部分命中率
Figure GDA0002823309290000061
和独特部分命中率
Figure GDA0002823309290000062
组成，请求来自于
Figure GDA00028233092900000613
响应在其它
Figure GDA00028233092900000614
独特部分的概率是
Figure GDA0002823309290000063
它们被表达为：
Figure GDA0002823309290000064
Figure GDA0002823309290000065
Figure GDA0002823309290000066
式中Γ＝Λmax+N(1-λ)K，Λi＝Zλ(λK+niH)和Λmax＝Zλ(λK+nmaxH)，则本地
Figure GDA00028233092900000615
的命中率为
Figure GDA0002823309290000067
其它
Figure GDA00028233092900000616
的命中率为
Figure GDA0002823309290000068
服务器命中率为
Figure GDA0002823309290000069
把
Figure GDA00028233092900000610
和
Figure GDA00028233092900000611
带入公式(5)，将最大化用户平均利润转为找到最优的分解因子λopt，即
Figure GDA00028233092900000612
Figure GDA0002823309290000071
将公式(2)带入到(12)，得到
Figure GDA0002823309290000072
式中
Figure GDA0002823309290000073
表示SBS中节点的数量/网络中全部节点的数量，从公式(13)中得到：
Figure GDA0002823309290000074
Figure GDA0002823309290000081
上述公式根据关系
Figure GDA0002823309290000082
可以得到，通过使公式(14)等于0我们可以得到λopt，使得利润最大；
步骤S7、控制节点的缓存替换：使用数据包头的标签来标记内容的来源，当内容来源于源端则标记为0，替换的内容在整个缓存空间中选择，当内容来源于其它SBS标记为1，替换的内容在控制节点的复制部分选择。
进一步的，所有的控制节点都可以缓存最流行的内容，而普通节点只缓存控制节点根据最近最不常用页面置换策略(LeastFrequently Used，LFU)抛弃的内容。
进一步的，步骤1中的复制部分为Zλ(λK+niH)，该部分用于缓存最流行的内容，最小的SBS的复制部分是Zλ(λK+nminH)，式中nmin表示网络中缓存空间最小的SBS中普通节点的数量，式中Zλ是一个二项函数，当0＜λ≤1时，它等于1，否则等于0。
进一步的，步骤1中的独特部分为(1-λ)K，该部分用于缓存其它SBS没有缓存的内容，在稳定状态，有Zλ(λK+nmaxH)+N(1-λ)K种内容被缓存在网络中，式中nmax表示为网络中缓存空间最大的SBS中普通节点的数量。
进一步的，步骤S7中控制节点的缓存替换方法为：用户输入一个内容Onew，然后检查数据包包头标签，如果标签值为1，Omin＝复制部分最不流行的内容，否则，Omin＝这个缓存空间最不流行的内容，结束判断；如果Onew.popularity＞Omin.popularity，则用Onew替代Omin，如果被替换的内容来自于复制部分，则在相关联的普通节点上缓存Omin，否则，将Omin从网络中丢弃，结束判断；否则，保持原有内容，结束判断。
本发明的有益效果主要表现如下：该方法针对现有缓存方法中没有充分考虑SBS本地命中率和全网命中率之间的平衡，引入了SBS间合作缓存方式，在一定程度上增加了全网的内容多样性，提高了全网命中率；同时，SBS内部也进行合作缓存，提高本地命中率，最终它们最大化了用户获得的平均利润。
具体实施方式
结合实施例对本发明加以详细说明，本实施例以本发明技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种启发式CCN网络合作缓存方法，包括以下步骤：
步骤S1、网络模型：该网络模型为两级CCN拓扑，两级CCN拓扑是由控制节点和普通节点组成；一个控制节点和多个普通节点组成一个SBS；控制节点可以缓存内容，所有的控制节点都可以缓存最流行的内容，还可以控制管理相邻的普通节点，普通节点只可以缓存和转发内容；普通节点只缓存控制节点根据最近最不常用页面置换策略(LeastFrequentlyUsed，LFU)抛弃的内容，控制节点维持一张索引表去记录哪一个普通节点缓存抛弃内容，这个拓扑在每个SBS内部是集中式的，在整个网络中是分布式的，所以它结合了集中式易于控制的优势和分布式的易扩展性的优势；
每个SBS中的控制节点的缓存空间通过分解因子λ(0≤λ≤1)划分为两部分，一部分为复制部分，复制部分缓存相同的最流行内容的副本，另一部分为独特部分，独特部分缓存其它SBS没有缓存的内容；
步骤S2、缓存内容的流行度：为了便于描述，假设网路中有N个控制节点，则整个网络中有N个
Figure GDA0002823309290000103
用户的内容请求来自一个有限的内容库F＝{f1,...,fm,...,fM}，其大小为M，其中fm表示第m个流行的内容；这个内容库中所有内容的大小一样，都为1；每个控制节点都可以缓存K个内容，每个普通节点都可以缓存H个内容；每个SBS的缓存大小为Ci，i∈N＝{1,···,N}，整个网络中可以缓存
Figure GDA0002823309290000101
个内容；假设请求模式是同构的，每个节点请求内容的速率相等且都遵循Zipf分布，根据Zipf定律，内容库F中第m个流行的内容的流行度为：
Figure GDA0002823309290000102
变量pm表示任意节点请求第m个内容的概率(p1＞p2＞···＞pM)；Zipf参数α(0≤α≤1)表示斜率，它在请求模式中起着重要的作用，α越大，越流行的内容越受关注；
步骤S3、最大化本地SBS命中率：每一个SBS中控制节点与普通节点相邻，假设它们的访问代价近似相等，用内容放置变量
Figure GDA0002823309290000111
表示内容fm是否缓存在
Figure GDA0002823309290000119
中，是为1，不是则为0；使用变量
Figure GDA0002823309290000112
和
Figure GDA0002823309290000113
分别表示普通节点c、控制节点r和相关
Figure GDA00028233092900001110
对内容fm产生请求的概率；ni(i∈N)表示
Figure GDA00028233092900001111
内普通节点的数量，在假设请求模式是同构的基础上，得出：
Figure GDA0002823309290000114
因此，第m个内容的流行度为：
Figure GDA0002823309290000115
最大化本地SBS命中率的定义为：
Figure GDA0002823309290000116
Figure GDA0002823309290000117
由此，可以得出如果每个SBS独立缓存最流行内容，能实现最大化本地命中率，这种非协作式缓存策略使得每个SBS中控制节点缓存的内容相同，在整个网络中造成低的内容多样性和低的利润。
步骤S4、最大化整个网络命中率：最大化整个网络命中率的定义为：
Figure GDA0002823309290000118
C表示整个网络中可用的缓存大小，即能被缓存的内容的种类的数量，Bm(m∈{1,...,M})是一个二项函数，如果内容缓存到网络中则Bm＝1；否则Bm＝0；如果SBS之间不合作，则C＝Cmax，其中Cmax≥Ci(i∈N)；如果SBS之间发生合作，即每个SBS缓存的内容不同，则
Figure GDA0002823309290000121
可得到
Figure GDA0002823309290000122
由此，可以看出如果每个SBS缓存的内容不同的，则整个网络的命中率可以达到最大值，则许多的请求都将在网络中响应而不需要转发至源端，然而，这会造成SBS之间的响应频繁，其它SBS响应请求所带来的利润要小于本地响应内容的所带来的利润。
步骤S5、最大化用户获得的平均利润：用RL表示本地SBS命中率所带来的平均利润，用RD表示其它SBS命中率所带来的平均利润，用RM表示服务器命中率所带来的利润；在给定的网络拓扑中，RM＜RD＜RL，最大化获得的平均利润为：
Figure GDA0002823309290000123
Figure GDA0002823309290000124
其中
Figure GDA0002823309290000125
Figure GDA0002823309290000126
Figure GDA0002823309290000131
公式(6)、公式(7)和公式(8)分别为本地SBSsi的命中率、一个来自
Figure GDA0002823309290000136
请求在
Figure GDA0002823309290000137
上响应的概率、一个来自
Figure GDA0002823309290000138
的请求在服务器上响应的概率；用
Figure GDA0002823309290000132
Figure GDA0002823309290000133
和
Figure GDA0002823309290000134
分别表示本地SBS命中率、其它SBS上命中率和服务器上命中率；
步骤S3、步骤S4、步骤S5中出现上述问题是众所周知的0-1多背包问题，它是NP-complete，当SBS和内容的集合很大时，很难去确定最优的
Figure GDA0002823309290000135
基于上述对双重基准问题的分析，可以得到一些关于如何有效增加利润的指导方案；
基于上述分析，我们发现最大化本地命中率和最大化全网命中率之间存在一个权衡，则为了最大化用户获得的利润基于双重基准问题，基于此本发明提出了一个启发式合作缓存算法，这个算法用分解因子λ(0≤λ≤1)将每个SBS中的控制节点的缓存空间划分为两部分，一部分为复制部分(λK部分)缓存相同的最流行内容的副本，另一部分((1-λ)K部分)只缓存其它SBS没有缓存的内容，复制部分为Zλ(λK+niH)，该部分用于缓存最流行的内容，最小的SBS的复制部分是Zλ(λK+nminH)，式中nmin表示网络中缓存空间最小的SBS中普通节点的数量，式中Zλ是一个二项函数，当0＜λ≤1时，它等于1，否则等于0；
步骤1中的独特部分为(1-λ)K，该部分用于缓存其它SBS没有缓存的内容，在稳定状态，有Zλ(λK+nmaxH)+N(1-λ)K种内容被缓存在网络中，式中nmax表示为网络中缓存空间最大的SBS中普通节点的数量；
步骤S6、最优分解因子的算法：本地
Figure GDA0002823309290000149
的命中率由复制部分命中率
Figure GDA0002823309290000141
和独特部分命中率
Figure GDA0002823309290000142
组成，请求来自于
Figure GDA00028233092900001410
响应在其它
Figure GDA00028233092900001411
独特部分的概率是
Figure GDA0002823309290000143
它们被表达为：
Figure GDA0002823309290000144
Figure GDA0002823309290000145
Figure GDA0002823309290000146
式中Γ＝Λmax+N(1-λ)K，Λi＝Zλ(λK+niH)和Λmax＝Zλ(λK+nmaxH)，则本地
Figure GDA00028233092900001412
的命中率为
Figure GDA0002823309290000147
其它
Figure GDA00028233092900001413
的命中率为
Figure GDA0002823309290000148
服务器命中率为
Figure GDA0002823309290000151
把
Figure GDA0002823309290000152
和
Figure GDA0002823309290000153
带入公式(5)，将最大化用户平均利润转为找到最优的分解因子λopt，即
Figure GDA0002823309290000154
Figure GDA0002823309290000155
将公式(2)带入到(12)，得到
Figure GDA0002823309290000156
式中
Figure GDA0002823309290000157
表示SBS中节点的数量/网络中全部节点的数量，从公式(13)中得到：
Figure GDA0002823309290000161
上述公式根据关系
Figure GDA0002823309290000162
可以得到，通过使公式(14)等于0我们可以得到λopt，使得利润最大；
步骤S7、控制节点的缓存替换：使用数据包头的标签来标记内容的来源，当内容来源于源端则标记为0，替换的内容在整个缓存空间中选择，当内容来源于其它SBS标记为1，替换的内容在控制节点的复制部分选择。
进一步的，所有的控制节点都可以缓存最流行的内容，而普通节点只缓存控制节点根据最近最不常用页面置换策略(LeastFrequently Used，LFU)抛弃的内容。
进一步的，步骤1中的复制部分为Zλ(λK+niH)，该部分用于缓存最流行的内容，最小的SBS的复制部分是Zλ(λK+nminH)，式中nmin表示网络中缓存空间最小的SBS中普通节点的数量，式中Zλ是一个二项函数，当0＜λ≤1时，它等于1，否则等于0。
进一步的，步骤1中的独特部分为(1-λ)K，该部分用于缓存其它SBS没有缓存的内容，在稳定状态，有Zλ(λK+nmaxH)+N(1-λ)K种内容被缓存在网络中，式中nmax表示为网络中缓存空间最大的SBS中普通节点的数量。
进一步的，步骤S7中控制节点的缓存替换方法为：用户输入一个内容Onew，然后检查数据包包头标签，如果标签值为1，Omin＝复制部分最不流行的内容，否则，Omin＝这个缓存空间最不流行的内容，结束判断；如果Onew.popularity＞Omin.popularity，则用Onew替代Omin，如果被替换的内容来自于复制部分，则在相关联的普通节点上缓存Omin，否则，将Omin从网络中丢弃，结束判断；否则，保持原有内容，结束判断。
本发明的缓存方法使每个节点之间可以通过合作，降低网络中内容的冗余度、提高响应请求速度，从而提升用户获得的利润。
还需要说明的是，在本文中，诸如Ⅰ、Ⅱ、Ⅲ等关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (5)

1.一种启发式CCN网络合作缓存方法，其特征在于：包括以下步骤：
步骤S1、网络模型：该网络模型为两级CCN拓扑，两级CCN拓扑是由控制节点和普通节点组成；控制节点可以缓存内容，还可以控制管理相邻的普通节点，普通节点只可以缓存和转发内容；一个控制节点和多个普通节点组成一个小型基础系统SBS；每个SBS中的控制节点的缓存空间通过分解因子λ(0≤λ≤1)划分为两部分，一部分为复制部分，复制部分缓存相同的最流行内容的副本，另一部分为独特部分，独特部分缓存其它SBS没有缓存的内容；
步骤S2、缓存内容的流行度：假设网路中有N个控制节点，则整个网络中有N个SBSs s1 ,s2,···,sN，用户的内容请求来自一个有限的内容库F＝{f1,...,fm,...,fM}，其大小为M，其中fm表示第m个流行的内容；这个内容库中所有内容的大小一样，都为1；每个控制节点都可以缓存K个内容，每个普通节点都可以缓存H个内容；每个SBS的缓存大小为Ci，i∈N＝{1,···,N}，整个网络中可以缓存
Figure FDA0002823309280000011
个内容；假设请求模式是同构的，每个节点请求内容的速率相等且都遵循Zipf分布，根据Zipf定律，内容库F中第m个流行的内容的流行度为：
Figure FDA0002823309280000012
变量pm表示任意节点请求第m个内容的概率(p1＞p2＞···＞pM)；Zipf参数α(0≤α≤1)表示斜率；α越大，越流行的内容越受关注；
步骤S3、最大化本地SBS命中率：每一个SBS中控制节点与普通节点相邻，假设它们的访问代价近似相等，用内容放置变量
Figure FDA0002823309280000021
表示内容fm是否缓存在SBS si中，是为1，不是则为0；使用变量
Figure FDA0002823309280000022
和
Figure FDA0002823309280000023
分别表示普通节点c、控制节点r和相关SBS si对内容fm产生请求的概率；ni(i∈N)表示SBS si内普通节点的数量，在假设请求模式是同构的基础上，得出：
Figure FDA0002823309280000024
因此，第m个内容的流行度为：
Figure FDA0002823309280000025
最大化本地SBS命中率的定义为：
Figure FDA0002823309280000026
Figure FDA0002823309280000027
步骤S4、最大化整个网络命中率：最大化整个网络命中率的定义为：
Figure FDA0002823309280000028
C表示整个网络中可用的缓存大小，即能被缓存的内容的种类的数量，Bm(m∈{1,...,M})是一个二项函数，如果内容缓存到网络中则Bm＝1；否则Bm＝0；如果SBS之间不合作，则C＝Cmax，其中Cmax≥Ci(i∈N)；如果SBS之间发生合作，即每个SBS缓存的内容不同，则
Figure FDA0002823309280000031
可得到
Figure FDA0002823309280000032
步骤S5、最大化用户获得的平均利润：用RL表示本地SBS命中率所带来的平均利润，用RD表示其它SBS命中率所带来的平均利润，用RM表示服务器命中率所带来的利润；在给定的网络拓扑中，RM＜RD＜RL，最大化获得的平均利润为：
Figure FDA0002823309280000033
Figure FDA0002823309280000034
其中
Figure FDA0002823309280000035
Figure FDA0002823309280000036
Figure FDA0002823309280000037
公式(6)、公式(7)和公式(8)分别为本地SBS si的命中率、一个来自SBS si请求在SBS sj(j∈N)上响应的概率、一个来自SBS si的请求在服务器上响应的概率；用
Figure FDA0002823309280000038
Figure FDA0002823309280000039
和
Figure FDA00028233092800000310
分别表示本地SBS命中率、其它SBS上命中率和服务器上命中率；
步骤S6、最优分解因子的算法：本地SBS si的命中率由复制部分命中率
Figure FDA0002823309280000041
和独特部分命中率
Figure FDA0002823309280000042
组成，请求来自于SBS si响应在其它SBS sj独特部分的概率是
Figure FDA0002823309280000043
它们被表达为：
Figure FDA0002823309280000044
Figure FDA0002823309280000045
Figure FDA0002823309280000046
式中Γ＝Λmax+N(1-λ)K，Λi＝Zλ(λK+niH)和Λmax＝Zλ(λK+nmaxH)，则本地SBS si的命中率为
Figure FDA0002823309280000047
其它SBS sj的命中率为
Figure FDA0002823309280000048
服务器命中率为
Figure FDA0002823309280000049
把
Figure FDA00028233092800000410
和
Figure FDA00028233092800000411
带入公式(5)，将最大化用户平均利润转为找到最优的分解因子λopt，即
Figure FDA0002823309280000051
Figure FDA0002823309280000052
将公式(2)带入到(12)，得到
Figure FDA0002823309280000053
式中
Figure FDA0002823309280000054
表示SBS中节点的数量/网络中全部节点的数量，从公式(13)中得到：
Figure FDA0002823309280000055
Figure FDA0002823309280000061
上述公式根据关系
Figure FDA0002823309280000062
可以得到，通过使公式(14)等于0我们可以得到λopt，使得利润最大；
步骤S7、控制节点的缓存替换：使用数据包头的标签来标记内容的来源，当内容来源于源端则标记为0，替换的内容在整个缓存空间中选择，当内容来源于其它SBS标记为1，替换的内容在控制节点的复制部分选择。
2.根据权利要求1所述的一种启发式CCN网络合作缓存方法，其特征在于：所有的控制节点都可以缓存最流行的内容，而普通节点只缓存控制节点根据最近最不常用页面置换策略(LeastFrequently Used，LFU)抛弃的内容。
3.根据权利要求1所述的一种启发式CCN网络合作缓存方法，其特征在于：步骤1中的复制部分为Zλ(λK+niH)，该部分用于缓存最流行的内容，最小的SBS的复制部分是Zλ(λK+nminH)，式中nmin表示网络中缓存空间最小的SBS中普通节点的数量，式中Zλ是一个二项函数，当0＜λ≤1时，它等于1，否则等于0。
4.根据权利要求1所述的一种启发式CCN网络合作缓存方法，其特征在于：步骤1中的独特部分为(1-λ)K，该部分用于缓存其它SBS没有缓存的内容，在稳定状态，有Zλ(λK+nmaxH)+N(1-λ)K种内容被缓存在网络中，式中nmax表示为网络中缓存空间最大的SBS中普通节点的数量。
5.根据权利要求1所述的一种启发式CCN网络合作缓存方法，其特征在于：步骤S7中控制节点的缓存替换方法为：用户输入一个内容Onew，然后检查数据包包头标签，如果标签值为1，Omin＝复制部分最不流行的内容，否则，Omin＝这个缓存空间最不流行的内容，结束判断；如果Onew.popularity＞Omin.popularity，则用Onew替代Omin，如果被替换的内容来自于复制部分，则在相关联的普通节点上缓存Omin，否则，将Omin从网络中丢弃，结束判断；否则，保持原有内容，结束判断。
CN201810640759.4A 2018-06-21 2018-06-21 一种启发式ccn网络合作缓存方法 Active CN108769251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810640759.4A CN108769251B (zh) 2018-06-21 2018-06-21 一种启发式ccn网络合作缓存方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810640759.4A CN108769251B (zh) 2018-06-21 2018-06-21 一种启发式ccn网络合作缓存方法

Publications (2)

Publication Number Publication Date
CN108769251A CN108769251A (zh) 2018-11-06
CN108769251B true CN108769251B (zh) 2021-02-05

Family

ID=63979369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810640759.4A Active CN108769251B (zh) 2018-06-21 2018-06-21 一种启发式ccn网络合作缓存方法

Country Status (1)

Country Link
CN (1) CN108769251B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114339830B (zh) * 2021-12-16 2023-08-01 重庆邮电大学 一种拓扑管理平衡调度自适应缓存方案
CN114866610B (zh) * 2022-05-23 2023-04-18 电子科技大学 一种基于ccn的卫星-地面网络缓存方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103428267B (zh) * 2013-07-03 2016-08-10 北京邮电大学 一种智慧缓存系统及其区分用户喜好相关性的方法
CN103501315B (zh) * 2013-09-06 2016-08-10 西安交通大学 一种面向内容网络中基于相关内容聚集的缓存方法
CN103747509B (zh) * 2013-12-24 2017-02-15 中国科学院声学研究所 网络能量最小开销方法
CN103905538A (zh) * 2014-03-22 2014-07-02 哈尔滨工程大学 内容中心网络中邻居协作缓存替换方法
EP3354063B1 (en) * 2015-09-23 2019-03-06 Telefonaktiebolaget LM Ericsson (publ) Cooperation between wireless communication networks

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Autonomous System Collaboration Caching;Wang Kaili, Wu Muqing;《2016 IEEE 27th Annual IEEE International Symposium on Personal, Indoor and Mobile Radio Communications-(PIMRC):》;20161222;全文 *
一种基于SDN的CCN集中控制缓存决策方法;曲桦，李岩松;《电子技术与信息科学》;20170531;全文 *

Also Published As

Publication number Publication date
CN108769251A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
Zhong et al. A deep reinforcement learning-based framework for content caching
CN101184021B (zh) 一种实现流媒体缓存置换的方法、设备及系统
US6260061B1 (en) Technique for effectively managing proxy servers in intranets
CN102075562B (zh) 协作缓存的方法和装置
CN108769251B (zh) 一种启发式ccn网络合作缓存方法
CN110430440A (zh) 视频传输方法、系统、计算机设备和存储介质
CN111491331B (zh) 一种雾计算网络中基于迁移学习的网络感知自适应缓存方法
Sun et al. Federated deep reinforcement learning for recommendation-enabled edge caching in mobile edge-cloud computing networks
CN107105043B (zh) 一种基于软件定义网络的内容中心网络缓存方法
Wu et al. MBP: A max-benefit probability-based caching strategy in information-centric networking
CN113282786B (zh) 一种基于深度强化学习的全景视频边缘协作缓存替换方法
CN108124168A (zh) 一种无线移动网络下基于用户兴趣感知的视频共享方法
CN108769252A (zh) 一种基于请求内容关联性的icn网络预缓存方法
CN111107000A (zh) 一种基于网络编码的命名数据网络中内容缓存方法
CN108289062A (zh) 一种基于软件定义的信息中心网络结构
CN112052198B (zh) 能耗监测平台下基于节点介数流行度的哈希路由协同缓存方法
Jin et al. An Adaptive Cooperative Caching Strategy for Vehicular Networks
CN106790421B (zh) 一种基于社团的icn二步缓存方法
CN113489779B (zh) 一种基于网络拓扑分层的精确缓存放置方法
Meint et al. From FIFO to predictive cache replacement
Sirichotedumrong et al. Prioritized probabilistic caching algorithm in content centric networks
CN111901394A (zh) 一种联合考虑用户偏好及活跃程度的移动边缘缓存的方法及系统
Silva et al. Joint content-mobility priority modeling for cached content selection in D2D networks
Shi et al. Streaming Media Caching Model Based on Knapsack Problem.
Swaroopa et al. Differentiated caching for improved QoS in vehicular content-centric networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant