CN108900599A - 一种软件定义的内容中心网络装置及其聚类缓存决策方法 - Google Patents
一种软件定义的内容中心网络装置及其聚类缓存决策方法 Download PDFInfo
- Publication number
- CN108900599A CN108900599A CN201810671739.3A CN201810671739A CN108900599A CN 108900599 A CN108900599 A CN 108900599A CN 201810671739 A CN201810671739 A CN 201810671739A CN 108900599 A CN108900599 A CN 108900599A
- Authority
- CN
- China
- Prior art keywords
- cache
- content
- node
- module
- caching
- 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.)
- Granted
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
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0053—Allocation of signaling, i.e. of overhead other than pilot signals
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种软件定义的内容中心网络装置聚类缓存决策方法,包括控制层和数据层,其中控制层的控制器用于收集数据层中缓存信息和缓存决策;其中数据层中的交换机负责对数据的统计并且执行控制器缓存决策之后的缓存动作;其中控制器中包括有GDIB模块、RIB模块、CachePolicy模块和RoutePolicy模块;GDIB模块用于存储网络中所有的内容的流行度排名;RIB模块用于存储各节点两两之间的最短路径信息;CachePolicy模块输出最优缓存决策;RoutePolicy模块输出最优路由策略。根据全局网络拓扑和网络内容等信息,对缓存和路由进行集中和整体的优化,降低了网络整体的延迟,降低了缓存替换数,实现全网内优良的缓存性能。
Description
技术领域
本发明属于软件定义网络和内容中心网络融合架构下的缓存决策方法,具体涉及一种软件定义的内容中心网络装置及其聚类缓存决策方法。
背景技术
在网络内容数量日益庞大的今天,如何提升网络性能任重道远,一系列未来网络体系结构应运而生,CCN就是其中的典型代表。CCN的网内缓存技术对解决上述问题至关重要,一方面,CCN的网内缓存技术与现有网络的缓存技术不同,即底层交换设备具有缓存功能,使得内容的请求者不仅可以从内容服务器等内容提供商处获得想要得到的内容,也可以从存储该请求内容的网络缓存节点处获得。随处缓存策略LCE使得网络中的缓存节点必须缓存接收到的所有内容,但由于节点缓存空间有限,想要缓存所有内容是不现实的。此外,这种无差别的缓存策略将会导致大量的内容副本冗余,不仅浪费了稀缺的缓存空间资源,也造成了缓存效率的下降。除此之外,还会出现这种情况:缓存的内容可能会在用户请求到来前被其他内容替换,降低了缓存命中率,带来频繁的缓存替换。为了减少缓存冗余、提升缓存命中率,缓存策略的设计需要考虑两方面的因素:缓存位置的选取和缓存内容的选取。
另一方面,在SDN和CCN网络融合架构下,如何充分利用缓存资源也是值得研究的问题。在传统的CCN网络中,路由策略采用泛洪方式,虽然简单,但会产生大量的信令开销,造成网络臃肿,使得整个网络负荷很重。此外,各缓存节点独立的做出缓存决策,不仅容易造成缓存冗余,而且无法有效利用网络内的邻近缓存资源。以上两个方面解决任意其中之一,只能称之为局部优化,而将两方面结合起来进行研究,则是对缓存和路由的联合优化。
发明内容
本发明提供了一种软件定义的内容中心网络装置及其聚类缓存决策方法;根据全局网络拓扑和网络内容等信息,对缓存和路由进行集中和整体的优化,降低了网络整体的延迟,降低了缓存替换数,实现全网内优良的缓存性能。
本发明的技术方案是:一种软件定义的内容中心网络装置,包括控制层和数据层,其中控制层包括控制器,控制器用于收集数据层中的缓存数据和缓存决策;其中数据层包括多个互相连接的交换机,交换机对数据进行统计并且执行控制器缓存决策之后的缓存动作;所述控制器包括有GDIB模块、RIB模块、CachePolicy模块和RoutePolicy模块;GDIB模块用于存储网络中所有内容的内容名、内容存储位置、内容访问次数和内容的流行度排名;RIB模块用于存储两个交换机之间的最短路径信息;CachePolicy模块输出最具缓存价值的交换机集合;
RoutePolicy模块输出最优路由策略;所述控制层将高流行度内容路由到最具缓存价值的交换机中,控制层对低流行度内容采用概率缓存的方式进行缓存决策。
更进一步的,本发明的特点还在于:
其中GDIB模块具有全局数据信息表,该表存储网络中所有内容的内容名、内容存储位置、内容访问次数和内容的流行度排名;RIB模块具有路由信息表,其存储两个交换机之间的最短路径信息,其包括源节点、目的节点和路径集合,RoutePolicy模块采用Floyed最短路径算法计算上述最短路径。
其中CachePolicy模块对于高流行度内容采用K-medoids聚类算法得到最优缓存决策,对于低流行度内容采用概率缓存算法得到最优缓存决策;RoutePolicy模块通过Floyed最短路径算法得到最优路由策略。
其中控制层和数据层之间通过OpenFlow协议进行交互,并且通过流表下发告知CCN价换节点缓存决策的结果。
本发明的另一技术方案是:一种基于上述软件定义的内容中心网络装置的内容中心网络聚类缓存决策方法,包括以下步骤:步骤S1,控制器接收到客户端发送的内容请求;步骤S2,请求内容为高流行度内容时,CachePolicy模块采用K-medoids聚类算法得到最优缓存决策;请求内容为低流行度内容时,CachePolicy模块采用采用概率缓存算法得到最优缓存决策;步骤S3,RoutePolicy模块采用Floyed最短路径算法根据步骤S2得到的最优缓存决策计算得到最短路径。
其中K-medoids聚类算法获取最具缓存价值的节点集合包括初选阶段和替换阶段,初选阶段选出K个中心缓存节点作为初始中心点;替换阶段通过交换中心缓存节点与非中心缓存节点来减小差异度,从而确定K个最优中心缓存节点。
其中初选阶段的具体过程是:步骤C1,在交换机缓存节点集合中选择与其他缓存节点差异度之和最小的缓存节点,并且将该节点作为第一个中心缓存节点;步骤C2,在非中心缓存节点的集合中选择一个缓存节点作为后补中心缓存节点,再选择另一个缓存节点,使该缓存节点到中心缓存节点集合的差异度最小,并计算两个节点的差异度;步骤C3,根据上述差异度,更新中心缓存节点集合和非中心缓存节点集合。
其中替换阶段的具体过程是:步骤T1,选取要替换的两个节点,其分别来自中心缓存节点集合和非中心缓存节点集合,替换节点的总代价为:替换两个节点之后,每个非中心缓存节点与中心缓存节点的最小差异度之和;步骤T2,在非中心缓存节点集合中再选择一个缓存节点,并且针对该缓存节点计算替换两个节点的代价,并且完成节点替换;步骤T3,遍历所有的替换节点对之后,并且不再发生替换,完成替换阶段。
其中概率缓存的方式的具体内容包括,内容请求流行度的计算和概率缓存的计算。
与现有技术相比,本发明的有益效果是:本发明提出的缓存决策方法基于合理缓存和快速路由的综合考量,在SDN和CCN的融合架构下,将不同流行度的内容合理的缓存到网络缓存节点上,增加了网络内缓存内容的多样性,提高了缓存命中率,达到缓存的优化;通过控制器进行最短路径计算,将结果以流表形式下发到交换机,增加了网络内缓存节点的协作能力,减少了网络内的信令开销,达到路由的优化。
在SDN和CCN融合架构下,对控制器进行了模块扩充和改进,使之更具智能性。本发明还定义了K-medoids聚类算法的最优化模型,并将欧式距离作为度量节点差异度的测量值。同时,本发明提出了KMSP缓存机制,对不同流行度内容采取不同的缓存决策方法,并给出了不同流行度内容请求的缓存决策流程。通过控制层对于内容的集中缓存决策,使得内容在不同的节点进行合理的缓存,基于K-medoids缓存决策方法在缓存命中率、路由增益和缓存替换数等指标上有了明显的改进。
附图说明
图1为本发明软件定义的内容中心网络装置的拓扑图;
图2为本发明中KMSP机制的流程示意图;
图3为本发明中K-medoids算法仿真拓扑图;
图4~图5为本发明中K-medoids算法仿真图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进一步说明。
本发明提供了一种软件定义的内容中心网络装置及其聚类缓存决策方法,在软件定义网络和内容中心网络融合架构下,针对内容请求流行度的不同,分别采取不同的缓存决策方法进行相应的处理,这种分而治之的思想可以在一定程度上提供差异化的缓存服务,使得网络本身的缓存资源得到最大化的利用。
如图1所示,为本发明软件定义的内容中心网络装置的拓扑图,其包括控制层和数据层;控制层包括控制器,控制器负责数据层信息的收集以及缓存决策的拓扑结构图。数据层包括多个互相连接的交换机,交换机负责对数据信息的统计以及执行控制器缓存决策后的缓存动作。控制层和数据层之间通过OpenFlow协议进行通信。SDN控制器和CCN节点的通信通过 OpenFlow协议进行交互,通过流表下发告知CCN交换节点缓存决策结果。
图1中以c1为例,c1想要某个内容时,s1会将内容请求发送给控制器,控制器首先查阅自身GDIB模块,若GDIB模块包含该请求内容,控制器将从包含该请求内容的节点中选择距离s1最近的节点,通过RIB模块规划该节点和s1的路径,以流表下发的形式通知该节点按照规划路径将请求内容发送给用户c1;若在GDIB表中未找到请求内容,则根据请求内容流行度值来选择不同的缓存决策算法进行处理。
具体的,本发明的方法在软件定义网络和内容中心网络融合架构下,根据全局网络拓扑和网络内容等信息,对缓存和路由进行集中和整体的优化。针对内容流行度的高低,控制器采用不同的缓存决策策略进行处理。对于高流行度的内容请求,控制器通过K-medoids聚类算法产生最具缓存价值的节点集合,并将内容缓存到对应节点的集合上;对于低流行度的内容请求,当请求内容从内容服务器返回时,控制器将会采取概率缓存的方式进行缓存决策。这种机制最终会将内容合理的缓存到最具缓存价值的节点上,降低了整体的延迟,降低了缓存替换数,实现全网内优良的缓存性能。
其中,为更好的适应融合架构的特性和更方便的制定缓存和路由策略,控制器进行智能扩展,增加GDIB模块、RIB模块、CachePolicy模块和RoutePolicy模块。其中GDIB模块为全局数据信息表,用于存储网络中所有内容,包括内容名、内容的存储位置、内容的访问次数和内容的流行度排名;RIB模块为路由信息表,用于存储各个节点两两之间的最短路径信息,包括源节点、目标节点和具体路径集合,最短路径信息由RoutePolicy模块利用Floyed最短路径算法计算得到;CachePolicy模块用于输出最优缓存决策,具体的针对内容流行度的不同采用 K-medoids聚类算法或概率缓存方法得到;RoutePolicy模块输出最优路由策略,具体的采用Floyed Shortest Path算法得到。
具体的通过K-medoids聚类算法获取最具缓存价值的节点集合,控制层将高流行度内容路由到上述最具缓存价值的节点集合中,控制层采用概率缓存的方式对低流行度内容进行缓存决策。
其中K-medoids聚类算法用于缓存节点选取的数学模型为:其约束条件为:
其中目标函数期望每个缓存节点与中心缓存节点(即最具缓存价值节点)之间的额差异度之和最小。第一个约束条件表示每个缓存节点sj只能被分配到一个类中;第二个约束条件表示缓存节点sj不会被分配到非中心缓存节点的类中;第三个约束条件表示最终选出K个中心缓存节点,即最具缓存价值的节点;第四个约束条件表示决策变量 的取值为0或者1,当时,表示节点si成为中心缓存节点,当时,表示节点sj被分配到节点si所在的类中。
本发明还公开了一种基于上述的软件定义的内容中心网络装置的内容中心网络聚类缓存决策方法,其包括以下步骤:
步骤S1,控制器接收到数据层中的客户端发送的内容请求;该内容为高流行度内容或低流行度内容。
步骤S2,请求内容为高流行度内容时,CachePolicy模块采用K-medoids聚类算法得到最优缓存决策;请求内容为低流行度内容时,CachePolicy模块采用采用概率缓存算法得到最优缓存决策。
步骤S3,RoutePolicy模块采用Floyed最短路径算法根据步骤S2得到的最优缓存决策计算得到最短路径。
本发明提出的基于K-medoids的缓存决策方法中,欧几里得距离被节点中介中心度和节点度数的差异度替换。节点中介中心度集合其中表示节点si的中介中心度。节点度数集合其中表示节点si的度数。节点si与节点sj的差异度可以表示为:
本发明提出的K-medoids聚类算法将diff(si,sj)定义为差异度,对给定的交换机缓存节点集合S,其中每个节点si具有二维属性,表示为将集合S中的元素划分为K 个类,每个类内部的元素之间差异度diff(si,sj)尽可能低,不同类之间的元素差异度diff(si,sj)尽可能高。
上述K-medoids聚类算法获取最具缓存价值节点的方法包括两个阶段初始阶段和替换阶段。其中初始阶段的目的是选出K个中心缓存节点作为初始中心点;替换阶段的目的是通过交换中心缓存节点与非中心缓存节点来减小差异度,最终选定K个最优中心缓存节点。设交换机缓存节点集合为S={s1,s2,...,sM},|S|=M,Smed为中心缓存点集合,|Smed|=0。Snon为非中心缓存节点的集合,则有S=Snon+Smed。该算法的结果输出是K个最优中心缓存节点,所以 Smed集合最终元素个数为K,且K≤M。
当K=1时,说明Smed集合中只有一个元素,设最终缓存中心节点为sc,即是使得sc到其他缓存节点的差异度最小,表示为:
当K=M时,说明所有的缓存节点都是中心缓存节点,即都是最具缓存价值的节点,则 S=Smed。
当1<K<M时,初选阶段和替换阶段没有上面两种情况简单。
具体的,初选阶段的具体过程是:
步骤C1,在交换机缓存节点集合S中,首先选出与其他缓存节点差异度之和最小的缓存节点,将该节点作为第一个中心缓存节点,并将其接入到中心缓存节点集合Smed中。
步骤C2,在非中心缓存节点的集合Snon中随机选择一个缓存节点si作为候补中心缓存节点;并且在非中心缓存节点的集合Snon中选择一个缓存节点sj,令sj到的距离是sj到Smed中所有中心缓存节点中差异度最小的,记为同时计算sj与si的差异度,记为diff(sj,si)。
步骤C3,比较与diff(sj,si)的大小:当时,说明sj为si成为中心缓存节点起正向作用,其收益为:当时,说明sj为si成为中心缓存节点起反向作用,其收益为:e(sj,si)=0;综上所述si成为中心缓存节点的收益为:
步骤C4,计算si成为中心缓存节点的累积收益:
步骤C5,将具有最大累积收益的si加入到中心缓存节点集合,更新Smed和Snon,将|Smed|加 1,|Snon|减1;当|Smed|<K时,循环C2到C5,当|Smed|=K,初选阶段算法结束。
替换阶段的具体过程是:
步骤T1,选取要替换的节点对其中,sk∈Snon。替换的总代价定义为:替换和sk后,每个非中心缓存节点与中心缓存节点的最小差异度之和。
步骤T2,在非中心缓存节点的集合Snon中再次选择一个缓存节点sj;针对sj计算替换和 sk的代价其中当且时,说明sj与sk差异度大于sj与的差异度,则当而时,说明sj与sk差异度小于sj与的差异度,则当时,若 也是中心缓存节点,sj与的差异度是sj与Smed中所有元素差异度的次小值,则若则考虑到这两种情况,则
步骤T3,计算替换节点对总代价,则对于任意节点对计算其最小代价,则则用sk替换继续循环T2到T3;说明替换后不能使代价降低,因此不进行替换,继续循环 T2到T3。
步骤T4,当遍历所有的替换节点对后不再发生替换,即最小代价均大于0时,替换阶段算法结束。
经过初选和替换两大阶段后,基于K-medoies最具缓存价值节点选取方法便选出了K个中心缓存节点,K个类中,与类中其他节点差异度最小的节点为中心缓存节点,即节点中心度较高、节点度数较高的缓存节点越有可能成为最有价值缓存节点。
上述概率缓存方式的实现过程是:由于缓存节点空间有限,不可能缓存经过的所有内容,必须选择最有用的内容进行缓存,使得缓存空间中所有内容的利用率之和达到最大。对低流行度内容来说,控制器便采取概率缓存的方式对其进行缓存决策,下面对概率缓存方式进行详细说明。
首先计算内容的请求流行度;定义内容Con_k的流行度查阅控制器中的RIB 模块得到内容Con_k的访问次数CRcon_k,再求得所有内容的总访问次数为CRsum,那么节点si处的内容Con_k的内容请求流行度公式为:
然后计算概率缓存,假设内容Con_k的大小为size_k,节点si的度为degree_i,网内度数最大的节点的度数为degree_max,缓存总容量为TCap,当前可用容量为ACap,节点si上内容 Con_k的请求流行度为节点si对内容Con_k进行缓存的概率为:其中越趋近于1,表示节点si越可能成为网络中的关键节点,越值得被缓存,越趋近于1,进行缓存的概率就越大。
具体的本发明中对高流行度内容和低流行度内容进行缓存决策的具体实施过程如图2所示,其中对于高流行度内容,其处理过程为:
S1,控制器通过K-medoids聚类算法求出最具缓存价值的节点集合(M为交换机的总数目)。
S2,控制器将请求内容从内容服务器Con_Ser依次缓存到S1中求出的节点集合Smed上,同时更新GDIB模块中对应条目的信息。
S3,控制器计算出Smed中距离请求用户sj最近的缓存节点在S2中,控制器优先在处缓存请求内容,当该缓存节点接收到请求内容,控制器立即查阅RIB模块,规划出从到sj的最短路径
S4,请求内容按路径传输,返回到请求节点sj处,当网络内任意用户下次请求该内容时,控制器查阅GDIB模块,找到距离最近的缓存节点,通过RIB模块提供最短路径将内容从缓存节点处返回。
对于低流行度内容,其处理过程为:
S1,控制器查找RIB模块,规划出从内容服务器Con_ser到请求节点sj的最短路径path(Con_ser,sj)。
S2,控制通过流表下发形式通知Con_ser将请求内容按path(Con_ser,sj)传输给请求节点 sj。
S3,在传输过程中,对路径path(Con_ser,sj)上的所有节点按照上述的概率缓存算法进行缓存判断,若进行缓存,该节点在缓存完毕后,还需向控制器发出更新消息,控制器更新自身 GDIB模块。
S4,当请求内容返回请求节点sj处时,完成低流行度内容的处理。
通过对本发明的方法进行仿真,得到的结果如图3所示,该实验仿真拓扑有34个具有缓存功能的交换机、62条链路的幂律型网络拓扑;K-medoids聚类算法的输入是一个M×2矩阵, M为交换机的数目;每个缓存节点具有两个参数,分别是归一化的节点中介中心度和节点度数,节点si的两个参数可以用坐标表示为其中——节点 si的中介中心度,betwmax——交换机集合S中最大中介中心度,——节点si的度数, degreemax——交换机集合S中最大度数,则输入矩阵可以表示为:
在对各个节点的中介中心度和节点的度数求解之后,分别对其进行归一化处理,然后再作为输入矩阵元素,对于图3所示的网络拓扑图,将其转化为邻接矩阵作为程序输入,通过 MATLAB求解各个节点的中介中心度。得到各个缓存节点的归一化中介中心度为:(0.0338,0.0131,0.0697,0.2396,0.6608,0.5749,0.0932,1.0000,0.5572,0.2238,0.1516,0.1723,0.6940,0.0 929,0.2420,0.0374,0.8903,0.5851,0.2876,0.7265,0.0448,0.1546,0.3388,0.3820,0.1850,0.0320,0.2229 ,0.0782,0.5338,0.2506,0.0923,0.0114,0.2362,0.3033),进而得到各个缓存节点的归一化度数为: (0.5000,0.5000,0.5000,0.6667,1.0000,1.0000,0.5000,1.0000,0.8333,0.5000,0.5000,0.5000,1.0000,0.5 000,0.6667,0.5000,1.0000,0.8333,0.5000,0.6667,0.3333,0.5000,0.5000,0.8333,0.5000,0.3333)。
设置K值为2、4、6或8时,聚类效果如图4和5所示,可以看出,随着K值得增大, K-medoids聚类算法对缓存节点的分类效果也越来越精确,使得相同类中缓存节点之间的差异度最小,不同类中缓存节点之间的差异度最大。每一类中,选择与同类中其他缓存节点差异度最小的节点作为中心缓存节点,即最具缓存价值的节点。可以看到,当K=8时,既选择了中介中心度和节点度数相对较高的节点作为中心缓存节点,比如对应的节点s8,也考虑到网络中的其他相对重要的缓存节点,比如对应的缓存节点s15,所以本发明的方法可以实现网络全局范围内的最具缓存价值节点的选取,同时证明了本方法的有效性和合理性。
Claims (9)
1.一种软件定义的内容中心网络装置,其特征在于,包括控制层和数据层,其中控制层包括控制器,控制器用于收集数据层中的缓存数据和缓存决策;其中数据层包括多个互相连接的交换机,交换机对数据进行统计并且执行控制器缓存决策之后的缓存动作;
所述控制器包括有GDIB模块、RIB模块、CachePolicy模块和RoutePolicy模块;GDIB模块用于存储网络中所有内容的内容名、内容存储位置、内容访问次数和内容的流行度排名;RIB模块用于存储两个交换机之间的最短路径信息;CachePolicy模块输出最具缓存价值的交换机集合;RoutePolicy模块输出最优路由策略;
所述控制层将高流行度内容路由到最具缓存价值的交换机中,控制层对低流行度内容采用概率缓存的方式进行缓存决策。
2.根据权利要求1所述的软件定义的内容中心网络装置,其特征在于,所述GDIB模块具有全局数据信息表,该表存储网络中所有内容的内容名、内容存储位置、内容访问次数和内容的流行度排名;RIB模块具有路由信息表,其存储两个交换机之间的最短路径信息,其包括源节点、目的节点和路径集合,RoutePolicy模块采用Floyed最短路径算法计算上述最短路径。
3.根据权利要求1所述的软件定义的内容中心网络装置,其特征在于,所述CachePolicy模块对于高流行度内容采用K-medoids聚类算法得到最优缓存决策,对于低流行度内容采用概率缓存算法得到最优缓存决策;RoutePolicy模块通过Floyed最短路径算法得到最优路由策略。
4.根据权利要求1所述的软件定义的内容中心网络装置,其特征在于,所述控制层和数据层之间通过OpenFlow协议进行交互,并且通过流表下发告知CCN价换节点缓存决策的结果。
5.一种基于权利要求1所述的软件定义的内容中心网络装置的内容中心网络聚类缓存决策方法,其特征在于,包括以下步骤:
步骤S1,控制器接收到客户端发送的内容请求;
步骤S2,请求内容为高流行度内容时,CachePolicy模块采用K-medoids聚类算法得到最优缓存决策;请求内容为低流行度内容时,CachePolicy模块采用采用概率缓存算法得到最优缓存决策;
步骤S3,RoutePolicy模块采用Floyed最短路径算法根据步骤S2得到的最优缓存决策计算得到最短路径。
6.根据权利要求5所述的软件定义的内容中心网络聚类缓存决策方法,其特征在于,所述K-medoids聚类算法获取最具缓存价值的节点集合包括初选阶段和替换阶段,初选阶段选出K个中心缓存节点作为初始中心点;替换阶段通过交换中心缓存节点与非中心缓存节点来减小差异度,从而确定K个最优中心缓存节点。
7.根据权利要求6所述的软件定义的内容中心网络聚类缓存决策方法,其特征在于,所述初选阶段的具体过程是:
步骤C1,在交换机缓存节点集合中选择与其他缓存节点差异度之和最小的缓存节点,并且将该节点作为第一个中心缓存节点;
步骤C2,在非中心缓存节点的集合中选择一个缓存节点作为候补中心缓存节点,再选择另一个缓存节点,并在中心缓存节点集合中选出与该缓存节点差异度最小的中心缓存节点,并计算两个节点的差异度;
步骤C3,根据上述差异度,更新中心缓存节点集合和非中心缓存节点集合。
8.根据权利要求6所述的软件定义的内容中心网络聚类缓存决策方法,其特征在于,所述替换阶段的具体过程是:
步骤T1,选取要替换的两个节点,其分别来自中心缓存节点集合和非中心缓存节点集合,替换节点的总代价为:替换两个节点之后,每个非中心缓存节点与中心缓存节点的最小差异度之和;
步骤T2,在非中心缓存节点集合中再选择一个缓存节点,并且针对该缓存节点计算替换两个节点的代价,并且完成节点替换;
步骤T3,遍历所有的替换节点对之后,并且不再发生替换,完成替换阶段。
9.根据权利要求5所述的软件定义的内容中心网络聚类缓存决策方法,其特征在于,所述概率缓存的方式的具体内容包括,内容请求流行度的计算和概率缓存的计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810671739.3A CN108900599B (zh) | 2018-06-26 | 2018-06-26 | 一种软件定义的内容中心网络装置及其聚类缓存决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810671739.3A CN108900599B (zh) | 2018-06-26 | 2018-06-26 | 一种软件定义的内容中心网络装置及其聚类缓存决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108900599A true CN108900599A (zh) | 2018-11-27 |
CN108900599B CN108900599B (zh) | 2020-05-22 |
Family
ID=64346260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810671739.3A Active CN108900599B (zh) | 2018-06-26 | 2018-06-26 | 一种软件定义的内容中心网络装置及其聚类缓存决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108900599B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951875A (zh) * | 2019-02-22 | 2019-06-28 | 广州大学 | 基于内容流行度预测的缓存方法、装置、设备和介质 |
CN109951390A (zh) * | 2019-03-08 | 2019-06-28 | 西安交通大学 | 一种基于PopBetw策略的网络装置及其协作路由缓存方法 |
CN110677190A (zh) * | 2019-10-09 | 2020-01-10 | 大连大学 | 一种天地一体化智能网络节点静态处理与缓存方法 |
CN110933645A (zh) * | 2019-11-01 | 2020-03-27 | 西安交通大学 | 一种基于车联网场景下的ccn停留时间内容缓存方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150254249A1 (en) * | 2014-03-10 | 2015-09-10 | Palo Alto Research Center Incorporated | System and method for ranking content popularity in a content-centric network |
CN106533733A (zh) * | 2016-08-30 | 2017-03-22 | 中国科学院信息工程研究所 | 基于网络分簇和哈希路由的ccn协同缓存方法及装置 |
CN107404530A (zh) * | 2017-07-27 | 2017-11-28 | 北京邮电大学 | 基于用户兴趣相似度的社交网络协作缓存方法及装置 |
-
2018
- 2018-06-26 CN CN201810671739.3A patent/CN108900599B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150254249A1 (en) * | 2014-03-10 | 2015-09-10 | Palo Alto Research Center Incorporated | System and method for ranking content popularity in a content-centric network |
CN106533733A (zh) * | 2016-08-30 | 2017-03-22 | 中国科学院信息工程研究所 | 基于网络分簇和哈希路由的ccn协同缓存方法及装置 |
CN107404530A (zh) * | 2017-07-27 | 2017-11-28 | 北京邮电大学 | 基于用户兴趣相似度的社交网络协作缓存方法及装置 |
Non-Patent Citations (2)
Title |
---|
WEIYUAN LI: "A collaborative caching scheme with network clustering and hash-routing in CCN", 《IEEE PIMRC》 * |
曲桦,李岩松,刘军,赵季红,郭涯: "一种基于SDN的CCN集中控制缓存决策方法", 《研究与开发》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951875A (zh) * | 2019-02-22 | 2019-06-28 | 广州大学 | 基于内容流行度预测的缓存方法、装置、设备和介质 |
CN109951390A (zh) * | 2019-03-08 | 2019-06-28 | 西安交通大学 | 一种基于PopBetw策略的网络装置及其协作路由缓存方法 |
CN109951390B (zh) * | 2019-03-08 | 2021-01-19 | 西安交通大学 | 一种基于PopBetw策略的网络装置及其协作路由缓存方法 |
CN110677190A (zh) * | 2019-10-09 | 2020-01-10 | 大连大学 | 一种天地一体化智能网络节点静态处理与缓存方法 |
CN110933645A (zh) * | 2019-11-01 | 2020-03-27 | 西安交通大学 | 一种基于车联网场景下的ccn停留时间内容缓存方法 |
CN110933645B (zh) * | 2019-11-01 | 2021-04-20 | 西安交通大学 | 一种基于车联网场景下的ccn停留时间内容缓存方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108900599B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108900599A (zh) | 一种软件定义的内容中心网络装置及其聚类缓存决策方法 | |
Liu et al. | Content popularity prediction and caching for ICN: A deep learning approach with SDN | |
Yu et al. | DROM: Optimizing the routing in software-defined networks with deep reinforcement learning | |
Wang et al. | Smart resource allocation for mobile edge computing: A deep reinforcement learning approach | |
Xu et al. | A game-theoretic perspective on self-organizing optimization for cognitive small cells | |
CN104821961B (zh) | 一种基于节点社团重要度的icn缓存方法 | |
Zhang et al. | Joint optimization of cooperative edge caching and radio resource allocation in 5G-enabled massive IoT networks | |
CN107948247A (zh) | 一种软件定义网络的虚拟缓存通道缓存管理方法 | |
CN107105043A (zh) | 一种基于软件定义网络的内容中心网络缓存方法 | |
CN106528815B (zh) | 一种路网移动对象概率聚集查询方法及系统 | |
CN102868542B (zh) | 一种服务分发网络中服务质量的控制方法及系统 | |
Tian et al. | Efficient federated DRL-based cooperative caching for mobile edge networks | |
Majidi et al. | HFDRL: An intelligent dynamic cooperate cashing method based on hierarchical federated deep reinforcement learning in edge-enabled IoT | |
CN108366089A (zh) | 一种基于内容流行度和节点重要度的ccn缓存方法 | |
Xu et al. | A deep-reinforcement learning approach for SDN routing optimization | |
CN108377530A (zh) | 移动无线接入网络内容网络切片生成方法和系统 | |
Hou et al. | A gnn-based approach to optimize cache hit ratio in ndn networks | |
Lian et al. | Mobile edge cooperative caching strategy based on spatio-temporal graph convolutional model | |
Liu et al. | Contextual learning for content caching with unknown time-varying popularity profiles via incremental clustering | |
CN108173965A (zh) | 社团感知的icn缓存方法 | |
CN108183867A (zh) | 信息中心网络节点缓存替换方法 | |
CN108093056A (zh) | 信息中心无线网络虚拟化网络中节点缓存替换方法 | |
CN115225512B (zh) | 基于节点负载预测的多域服务链主动重构机制 | |
Cui et al. | Resource-Efficient DNN Training and Inference for Heterogeneous Edge Intelligence in 6G | |
CN103974082B (zh) | 子节点、父节点以及用于多层次视频网络的缓存方法及系统 |
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 |