CN114866610A - 一种基于ccn的卫星-地面网络缓存方法 - Google Patents

一种基于ccn的卫星-地面网络缓存方法 Download PDF

Info

Publication number
CN114866610A
CN114866610A CN202210567028.8A CN202210567028A CN114866610A CN 114866610 A CN114866610 A CN 114866610A CN 202210567028 A CN202210567028 A CN 202210567028A CN 114866610 A CN114866610 A CN 114866610A
Authority
CN
China
Prior art keywords
node
cache
community
ccn
content
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
Application number
CN202210567028.8A
Other languages
English (en)
Other versions
CN114866610B (zh
Inventor
李慧
周锐晋
陈雪
廖丹
张明
金海焱
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210567028.8A priority Critical patent/CN114866610B/zh
Publication of CN114866610A publication Critical patent/CN114866610A/zh
Application granted granted Critical
Publication of CN114866610B publication Critical patent/CN114866610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F12/00—Accessing, addressing or allocating within memory systems or architectures
    • G06F12/02—Addressing or allocation; Relocation
    • G06F12/08—Addressing or allocation; Relocation in hierarchically structured memory systems, e.g. virtual memory systems
    • G06F12/0802—Addressing of a memory level in which the access to the desired data or data block requires associative addressing means, e.g. caches
    • G06F12/0877—Cache access modes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • H04L67/2866—Architectures; Arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2212/00—Indexing scheme relating to accessing, addressing or allocation within memory systems or architectures
    • G06F2212/10—Providing a specific technical effect
    • G06F2212/1016—Performance improvement
    • G06F2212/1021—Hit rate improvement
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radio Relay Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于CCN的卫星‑地面网络缓存方法，其包括以下步骤：基于地面CCN网络节点，采用Louvain算法进行缓存社区初始划分；获取并基于网络中节点与当前缓存社区的相似性对当前缓存社区进行更新；构建卫星‑CCN节点‑控制中心的三层拓扑缓存模型；在三层拓扑缓存模型上确定内容分布，并构建相应的收益模型；采用遗传算法进行求解，得到基于CCN的卫星‑地面网络缓存方案。本发明提出了基于CCN的缓存社团划分方法，将地面CCN网络划分为具有相似内容需求特征的小型缓存社区，并且通过节点间的显示关联，减少了CCN地面节点间的缓存同质性，节省了地面节点的存储空间。

Description

一种基于CCN的卫星-地面网络缓存方法
技术领域
本发明涉及通信领域，具体涉及一种基于CCN的卫星-地面网络缓存方法。
背景技术
随着互联网用户数量的增加、网络规模的扩大和业务类型的多样化，网络中的数据类型和通信方式发生了巨大的变化。例如，随着卫星通信技术的发展，卫星网络与地面网络不断融合，形成卫星-地面网络，业内学者称卫星-地面网络将成为6G网络的主要研究热点。也因此，网络中的流量主体不再是端到端的通信，而是海量视频数据流量内容分发。然而这种内容分发的形式会消耗数量庞大的网络资源，对互联网服务提供商(InternetService Provider,ISP)造成巨大的压力。针对这一问题，许多研究人员提出了不少新型的网络模式，如内容分发网络(Content Delivery Network,CDN)，点对点(Peer to Peer,P2P)网络，信息中心网络(Information Centric Networking,ICN)等。
其中信息中心网络相较于同样为了解决IP网络而被提出的CDN，P2P或二者相结合的这些在IP网络基础上进行改进的技术，信息中心网络则将当前以主机为中心的范式(即，所有内容请求都发送到由IP地址标识的主机)转变为以信息为中心的范式。由于对于互联网中的大部分流量，用户都更加关注内容本身而非内容位置，因此信息中心网络普遍被研究者们认为更加能够从根本上解决IP网络存在的内容分发效率低下的问题。且ICN在2017年5月就已经被国际电信联盟列入了5G的研究标准，以期实现5G环境下的超低延迟通信。因此对于未来6G网络中不可或缺的的卫星-地面网络而言，内容中心网络无疑是用来实现网络缓存放置的重要一环。
内容中心网络(Content Centric Networking,CCN)作为信息中心网络最常用的一种之一，已成为未来网络最有发展潜力的网络架构之一。在内容中心网络体系结构中，内容是网络的核心，用户使用内容名字来请求内容。网络中用内容名称进行路由，类似于IP网络中基于前缀的路由。CCN支持多源传输，内容传输过程中允许被缓存在网络中的任何节点上，所有缓存内容的节点均可为网络中的其他用户提供服务。CCN允许网络中的节点天然支持缓存功能，使得用户可以在完全不关心内容位置的前提下，从最近的网络节点或者服务器中获取他们所关心的内容。由于节点天然具有缓存功能，同时网内缓存能大大提高网络对于信息的传播能力，使得缓存技术成为CCN的关键技术之一。
为了实现CCN的缓存技术，现有技术一在卫星-地面网络中部署MEC服务器，可以在网络体系结构中实现内容缓存的应用。通过预缓存应用程序所需的数据，可以快速提供相应的数据，以有效减少应用程序延迟，通过部署MEC并将计算能力扩展到更靠近用户设备的位置，可为各种延迟敏感和计算密集型应用程序提供更有效的服务保证；卫星网络由配备MEC平台的LEO卫星组成，可以处理来自UE的计算任务；地面网络主要包括蜂窝网络、骨干网络、数据中心和MEC平台。用户设备产生的计算任务可以通过蜂窝网络处理，也可以通过骨干网和Internet将计算任务发送到拥有最多的计算和存储资源数据中心处理。将MEC服务器嵌入到LEO卫星上虽然可以有效降低时延，可以使缓存能力扩展到靠近用户设备的位置。但却会不可避免地会增加其硬件成本和额外的能源消耗，因此该方案并不能实现能源友好，且该缓存方式并没有从全局网络拓扑考虑，缓存的位置虽然进一步靠近，但大多并不能放置在用户所希望的更好的临近节点中。
现有技术二在CCN网络的基础上定义了CCN路由器CS中可能出现的两个具有代表性的问题，即内容搜索问题和缓存替换问题，并提出了基于文件扩展和回归分析的缓存方案FERA(File Extension And Return Analysis Based Cache Scheme)来解决这两个问题。在FERA中，提出了两种方法。首先是根据文件扩展名将CS划分为四种类型的CSS。此后，当用户发送包括内容名的请求时，CCN路由器从内容名中提取并识别文件扩展名，并将用户的请求发送到相应的CS。用户请求发送后，在对应的CS中进行处理。其次是基于机器学习算法之一的回归分析来预测受欢迎程度持续下降的内容，并将其剔除。该方案对CCN的内容搜索和缓存替换有一定的改善作用，但是并未考虑地面用户节点之间的信息交互和缓存需求。该方案从用户满意度上来讲并没有得到改善，且该方案只是针对一般的地面CCN网络设计的缓存策略。并未将卫星-地面网络的特性纳入考虑。
由此可见，现有的缓存方式并没有从全局网络拓扑考虑，缓存的位置大多并不能放置在用户所希望的临近节点中，目前基于CCN的卫星-地面网络缓存策略依旧存在以下问题：
1)简单的对地理位置相近的节点进行静态集群划分，并未考虑地面用户节点之间的信息交互和缓存需求，不能有针对性的将缓存内容放置在用户所需要的节点上。
2)相邻节点之间的缓存同质化严重，浪费节点存储空间，缓存命中率较低，用户满意度不足。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于CCN的卫星-地面网络缓存方法解决了现有技术能有针对性的将缓存内容放置在用户所需要的节点上、相邻节点之间的缓存同质化严重的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于CCN的卫星-地面网络缓存方法，其包括以下步骤：
S1、基于地面CCN网络节点，采用Louvain算法进行缓存社区初始划分，得到缓存社区；每个缓存社区包含至少一个地面CCN网络节点；
S2、获取并基于网络中节点与当前缓存社区的相似性，对当前缓存社区进行更新；
S3、基于当前缓存社区，构建卫星-CCN节点-控制中心的三层拓扑缓存模型；
S4、在三层拓扑缓存模型上确定内容分布，并构建相应的收益模型，将卫星-地面网络的缓存放置问题转化为全网收益最大化问题；
S5、采用遗传算法求解全网收益最大化问题，得到基于CCN的卫星-地面网络缓存方案。
进一步地，步骤S2的具体方法包括以下子步骤：
S2-1、对于网络中的节点n，判断其是否与当前缓存社区存在直接连接关系，若是则进入步骤S2-2；否则进入步骤S2-7；
S2-2、根据公式：
Figure BDA0003657984500000041
Figure BDA0003657984500000042
获取时间t时节点n和当前缓存社区C之间的内容分布相似性
Figure BDA0003657984500000043
其中n′为节点n的邻居节点，n′属于当前缓存社区C；
Figure BDA0003657984500000044
表示节点n和当前缓存社区C之间的消息交换速率；msgt(n,n′)表示节点n与节点n′之间传输的内容数量；nbt(n,C)表示时间t时当前缓存社区C中节点n的邻居节点数量；
Figure BDA0003657984500000045
表示时间t时节点n和当前缓存社区C之间的消息分布；
Figure BDA0003657984500000046
表示时间t-1时节点n和当前缓存社区C之间的内容分布相似性
Figure BDA0003657984500000051
β表示遗忘参数，介于[0,1]之间；Nt(n,C)表示属于当前缓存社区C的节点n的邻居集合；
S2-3、根据公式：
Figure BDA0003657984500000052
获取节点n和当前缓存社区C之间的用户属性相似性Simatt(n,C)；其中simatt(n,n′)表示节点n与节点n′之间的共同属性值的数量；|A|表示属性值的数量；
S2-4、根据公式：
Figure BDA0003657984500000053
获取节点n和当前缓存社区C之间的拓扑结构的相似性Simstr(n,C)；其中nbt(n)表示表示时间t时节点n的邻居节点总数；
S2-5、根据公式：
Figure BDA0003657984500000054
获取节点n和当前缓存社区C之间的相似性Sim(n,C)，进而得到节点n和所有当前缓存社区之间的相似性；其中α1、α2和α3均为权重参数；
S2-6、将节点n划分至与其相似性最大的当前缓存社区，进入步骤S2-8；若节点n与两个或两个以上的缓存社区具有相同的相似度，则将节点n作为这些缓存社区的重叠节点；
S2-7、创建一个新的缓存社区，使该新的缓存社区包含节点n以及与节点n直接相连的节点，进入步骤S2-8；
S2-8、将重叠节点数量超过重叠数量阈值的两个缓存社区进行合并；将内部边的数量超过边数量阈值的缓存社区进行重新划分；完成当前缓存社区更新。
进一步地，步骤S2-8中重叠数量阈值为相应缓存社区节点数量的75％。
进一步地，步骤S2-8中边数量阈值为相应缓存社区中最大边数的一半。
进一步地，步骤S3中卫星-CCN节点-控制中心的三层拓扑缓存模型中的卫星包括高轨道卫星和低轨道卫星；其中步骤S1和步骤S2在高轨道卫星中进行，高轨道卫星将缓存社区中的节点分为控制节点和普通节点，控制节点由中心节点构成，普通节点由非中心节点构成；控制节点为逻辑控制平面，通过索引管理与其相连的普通节点，并且与其他缓存社区进行协作；
控制中心设置在高轨道卫星上，用于获取各个缓存社区和低轨道卫星中所请求内容包的信息，做出缓存决策，通过各个缓存社区进行内容缓存，将缓存决策广播给各个缓存社区的控制节点。
进一步地，步骤S4的具体方法包括以下子步骤：
S4-1、对于任一个缓存社区，获取时间t内在节点i上收到的内容总请求数Ni(t)、内容m被请求的次数
Figure BDA0003657984500000061
并根据公式：
Figure BDA0003657984500000062
获取该缓存社区收到内容m的请求频率
Figure BDA0003657984500000063
S4-2、根据公式：
Figure BDA0003657984500000064
获取该缓存社区节点i在收到的N′i个内容请求中，对于内容m的请求次数
Figure BDA0003657984500000065
的占比
Figure BDA0003657984500000066
S4-3、根据公式：
Figure BDA0003657984500000067
获取该缓存社区节点i上内容m的流行度
Figure BDA0003657984500000068
S4-4、建立地面CCN网络的缓存状态，并表示为矩阵B：
Figure BDA0003657984500000071
其中
Figure BDA0003657984500000072
为决策变量，当第m个内容缓存在第k个缓存社区中时
Figure BDA0003657984500000073
取值为1，当第m个内容未缓存在第k个缓存社区中时
Figure BDA0003657984500000074
取值为0；k＝1,2,...,K，m＝1,2,...,M；
S4-5、根据公式：
Figure BDA0003657984500000075
获取节点i所在缓存社区中请求内容m的概率
Figure BDA0003657984500000076
其中
Figure BDA0003657984500000077
为节点i所在缓存社区中的普通节点生成对内容m请求的可能性；
Figure BDA0003657984500000078
为节点i所在缓存社区中的控制节点生成对内容m请求的可能性；li表示节点i所在缓存社区中普通节点的数量；
S4-6、根据公式：
Figure BDA0003657984500000079
获取由节点i所在缓存社区发出的兴趣包在其他缓存社区命中时的收益
Figure BDA00036579845000000710
其中δ为收益因子；
Figure BDA00036579845000000711
表示缓存命中时的跳数；
Figure BDA00036579845000000712
表示其他缓存社区中的节点
Figure BDA00036579845000000713
S4-7、根据公式：
Figure BDA00036579845000000714
Figure BDA00036579845000000715
Figure BDA0003657984500000081
Figure BDA0003657984500000082
构建收益模型；其中R表示网络内的总收益；RL表示由节点i所在缓存社区发出的兴趣包在节点i所在缓存社区命中时的收益；
Figure BDA0003657984500000083
表示由节点i所在缓存社区发出的兴趣包在节点i所在缓存社区命中的概率；
Figure BDA0003657984500000084
表示由节点i所在缓存社区发出的兴趣包在其他缓存社区命中的概率；s.t.表示约束条件；Ci为节点i的缓存容量；
Figure BDA0003657984500000085
为决策变量，当第m个内容缓存在该节点i所在的缓存社区中时
Figure BDA0003657984500000086
取值为1，当第m个内容未缓存在该节点i所在的缓存社区中时
Figure BDA0003657984500000087
取值为0；
Figure BDA0003657984500000088
为决策变量，当第m个内容缓存在该节点
Figure BDA0003657984500000089
所在的缓存社区中时
Figure BDA00036579845000000810
取值为1，当第m个内容未缓存在该节点
Figure BDA00036579845000000811
所在的缓存社区中时
Figure BDA00036579845000000812
取值为0。
进一步地，步骤S5的具体方法包括以下子步骤：
S5-1、以染色体代表决策变量，初始化染色体大小和种群规模，并随机产生初始染色体作为第一代个体；
S5-2、计算当前个体的适应度；
S5-3、选择j个适应度最好的个体构成组，并在组内选择具有最优适应度值的个体传给下一代，直到达到种群规模；
S5-4、对当前种群以基因交叉率和基因突变率进行遗传运算，得到下一代个体；
S5-5、重复步骤S5-2至步骤S5-4直至到达设定的遗传迭代次数，将最新的个体值作为决策变量值，完成全网收益最大化问题求解，得到基于CCN的卫星-地面网络缓存方案。
进一步地，步骤S5-3中j的取值为：
Figure BDA0003657984500000091
其中Sp表示种群规模。
本发明的有益效果为：
1、本发明提出了基于CCN的缓存社团划分方法，将地面CCN网络划分为具有相似内容需求特征的小型缓存社区(SCC)，并且通过节点间的显示关联，减少了CCN地面节点间的缓存同质性，节省了地面节点的存储空间。
2、本发明利用了卫星-地面网络的特性，将GEO卫星的特点对地面拓扑进行动态的集群更新，节点之间的显式关联简化了复杂的协作。同时将高时效性的数据缓存在LEO卫星上，避免了地面节点频繁的缓存替换。
3、本发明将卫星-地面网络的缓存放置问题转化为全网收益最大化问题，以全网收益最大化为目标做出缓存决策。利用本发明提出的方法可以有高效地解决内容缓存放置问题，全面提升了地面用户的满意度，使得缓存命中率得到提高，同时也最大限度的避免了地面海量物联网接入卫星，节省了星地链路的带宽。
附图说明
图1为本方法的流程示意图；
图2为本发明的社区属性相似度示例；
图3为本发明所创建的三层卫星-地面网络缓存模型示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该基于CCN的卫星-地面网络缓存方法包括以下步骤：
S1、基于地面CCN网络节点，采用Louvain算法进行缓存社区初始划分，得到缓存社区；每个缓存社区包含至少一个地面CCN网络节点；
S2、获取并基于网络中节点与当前缓存社区的相似性，对当前缓存社区进行更新；
S3、基于当前缓存社区，构建卫星-CCN节点-控制中心的三层拓扑缓存模型；
S4、在三层拓扑缓存模型上确定内容分布，并构建相应的收益模型，将卫星-地面网络的缓存放置问题转化为全网收益最大化问题；
S5、采用遗传算法求解全网收益最大化问题，得到基于CCN的卫星-地面网络缓存方案。
步骤S2的具体方法包括以下子步骤：
S2-1、对于网络中的节点n，判断其是否与当前缓存社区存在直接连接关系，若是则进入步骤S2-2；否则进入步骤S2-7；
S2-2、根据公式：
Figure BDA0003657984500000101
Figure BDA0003657984500000102
获取时间t时节点n和当前缓存社区C之间的内容分布相似性
Figure BDA0003657984500000103
其中n′为节点n的邻居节点，n′属于当前缓存社区C；
Figure BDA0003657984500000104
表示节点n和当前缓存社区C之间的消息交换速率；msgt(n,n′)表示节点n与节点n′之间传输的内容数量；nbt(n,C)表示时间t时当前缓存社区C中节点n的邻居节点数量；
Figure BDA0003657984500000111
表示时间t时节点n和当前缓存社区C之间的消息分布；
Figure BDA0003657984500000112
表示时间t-1时节点n和当前缓存社区C之间的内容分布相似性
Figure BDA0003657984500000113
β表示遗忘参数，介于[0,1]之间；Nt(n,C)表示属于当前缓存社区C的节点n的邻居集合；
S2-3、根据公式：
Figure BDA0003657984500000114
获取节点n和当前缓存社区C之间的用户属性相似性Simatt(n,C)；其中simatt(n,n′)表示节点n与节点n′之间的共同属性值的数量；|A|表示属性值的数量；以图2所示的信息来说，节点G与缓存社区C1的相似度为0.75，节点G与缓存社区C2的相似度为0.5；
S2-4、根据公式：
Figure BDA0003657984500000115
获取节点n和当前缓存社区C之间的拓扑结构的相似性Simstr(n,C)；其中nbt(n)表示表示时间t时节点n的邻居节点总数；
S2-5、根据公式：
Figure BDA0003657984500000116
获取节点n和当前缓存社区C之间的相似性Sim(n,C)，进而得到节点n和所有当前缓存社区之间的相似性；其中α1、α2和α3均为权重参数；
S2-6、将节点n划分至与其相似性最大的当前缓存社区，进入步骤S2-8；若节点n与两个或两个以上的缓存社区具有相同的相似度，则将节点n作为这些缓存社区的重叠节点；
S2-7、创建一个新的缓存社区，使该新的缓存社区包含节点n以及与节点n直接相连的节点，进入步骤S2-8；
S2-8、将重叠节点数量超过重叠数量阈值的两个缓存社区进行合并；将内部边的数量超过边数量阈值的缓存社区进行重新划分；完成当前缓存社区更新。
步骤S2-8中重叠数量阈值为相应缓存社区节点数量的75％，即若A缓存社区与B缓存社区的重叠数量达到A中节点总数的75％或达到B中节点总数的75％，即视为达到重叠数量阈值。步骤S2-8中边数量阈值为相应缓存社区中最大边数的一半，即若A缓存社区中的边数量达到其最大边数的一半，即视为达到边数量阈值，若A中的节点数为n，则其最大边数为n*(n-1)。
如图3所示，步骤S3中卫星-CCN节点-控制中心的三层拓扑缓存模型中的卫星包括高轨道卫星(GEO卫星)和低轨道卫星(LEO卫星)；其中步骤S1和步骤S2在高轨道卫星中进行，高轨道卫星将缓存社区中的节点分为控制节点和普通节点，控制节点由中心节点构成，普通节点由非中心节点构成；控制节点为逻辑控制平面，通过索引管理与其相连的普通节点，并且与其他缓存社区进行协作；
控制中心设置在高轨道卫星上，用于获取各个缓存社区和低轨道卫星中所请求内容包的信息，做出缓存决策，通过各个缓存社区进行内容缓存，将缓存决策广播给各个缓存社区的控制节点。
步骤S4的具体方法包括以下子步骤：
S4-1、对于任一个缓存社区，获取时间t内在节点i上收到的内容总请求数Ni(t)、内容m被请求的次数
Figure BDA0003657984500000121
并根据公式：
Figure BDA0003657984500000122
获取该缓存社区收到内容m的请求频率
Figure BDA0003657984500000123
S4-2、根据公式：
Figure BDA0003657984500000131
获取该缓存社区节点i在收到的N′i个内容请求中，对于内容m的请求次数
Figure BDA0003657984500000132
的占比
Figure BDA0003657984500000133
S4-3、根据公式：
Figure BDA0003657984500000134
获取该缓存社区节点i上内容m的流行度
Figure BDA0003657984500000135
S4-4、建立地面CCN网络的缓存状态，并表示为矩阵B：
Figure BDA0003657984500000136
其中
Figure BDA0003657984500000137
为决策变量，当第m个内容缓存在第k个缓存社区中时
Figure BDA0003657984500000138
取值为1，当第m个内容未缓存在第k个缓存社区中时
Figure BDA0003657984500000139
取值为0；k＝1,2,...,K，m＝1,2,...,M；
S4-5、根据公式：
Figure BDA00036579845000001310
获取节点i所在缓存社区中请求内容m的概率
Figure BDA00036579845000001311
其中
Figure BDA00036579845000001312
为节点i所在缓存社区中的普通节点生成对内容m请求的可能性；
Figure BDA00036579845000001313
为节点i所在缓存社区中的控制节点生成对内容m请求的可能性；li表示节点i所在缓存社区中普通节点的数量；
S4-6、根据公式：
Figure BDA00036579845000001314
获取由节点i所在缓存社区发出的兴趣包在其他缓存社区命中时的收益
Figure BDA0003657984500000141
其中δ为收益因子；
Figure BDA0003657984500000142
表示缓存命中时的跳数；
Figure BDA0003657984500000143
表示其他缓存社区中的节点
Figure BDA0003657984500000144
S4-7、根据公式：
Figure BDA0003657984500000145
Figure BDA0003657984500000146
Figure BDA0003657984500000147
Figure BDA0003657984500000148
构建收益模型；其中R表示网络内的总收益；RL表示由节点i所在缓存社区发出的兴趣包在节点i所在缓存社区命中时的收益；
Figure BDA0003657984500000149
表示由节点i所在缓存社区发出的兴趣包在节点i所在缓存社区命中的概率；
Figure BDA00036579845000001410
表示由节点i所在缓存社区发出的兴趣包在其他缓存社区命中的概率；s.t.表示约束条件；Ci为节点i的缓存容量；
Figure BDA00036579845000001411
为决策变量，当第m个内容缓存在该节点i所在的缓存社区中时
Figure BDA00036579845000001412
取值为1，当第m个内容未缓存在该节点i所在的缓存社区中时
Figure BDA00036579845000001413
取值为0；
Figure BDA00036579845000001414
为决策变量，当第m个内容缓存在该节点
Figure BDA00036579845000001418
所在的缓存社区中时
Figure BDA00036579845000001415
取值为1，当第m个内容未缓存在该节点
Figure BDA00036579845000001417
所在的缓存社区中时
Figure BDA00036579845000001416
取值为0。
步骤S5的具体方法包括以下子步骤：
S5-1、以染色体代表决策变量，初始化染色体大小和种群规模，并随机产生初始染色体作为第一代个体；
S5-2、计算当前个体的适应度；
S5-3、选择j个适应度最好的个体构成组，并在组内选择具有最优适应度值的个体传给下一代，直到达到种群规模Sp；其中
Figure BDA0003657984500000151
S5-4、对当前种群以基因交叉率和基因突变率进行遗传运算，得到下一代个体；
S5-5、重复步骤S5-2至步骤S5-4直至到达设定的遗传迭代次数，将最新的个体值作为决策变量值，即将最新的种群作为缓存决策方案，完成全网收益最大化问题求解，得到基于CCN的卫星-地面网络缓存方案。
在本发明的一个实施例中，当属于一个缓存社区的节点从网络中消失时，应当将拓扑中与该节点对应的边移除，并且对该缓存社区进行更新。
当地面节点之间建立新的连接时，表示拓扑图中这些节点之间会添加一条新边，如果这些节点属于两个不同的缓存社区，GEO卫星会选择这些节点进行更新。
当地面节点之间连接被破坏时，表示拓扑图中这些节点之间的边会被移除。如果这些节点属于同一缓存社区，GEO卫星会选择它们进行更新，并且更新该缓存社区。
如果属于两个不同缓存社区的两个节点交换信息时，GEO卫星会选择这些节点进行更新。
LEO卫星具有覆盖域广的特点，作为偏远地区地面网络设备数据传输的中转站。当地面网络设备在本地区内没有找到相匹配的内容包，则会将请求上传至LEO卫星，由LEO卫星转发至其他地区请求。LEO卫星存储空间有限且高速运行，因此仅缓存高时效性内容，如天气预报、火灾海啸预警等。
信息内容包括该内容包的名称、所在缓存社区内的流行度以及缓存剩余容量，以流表形式上传。控制中心收到信息后，在时间周期内根据本方法来确定内容需要缓存的各个缓存社区，然后将缓存决策广播给各个缓存社区的控制节点。
在具体实施过程中，兴趣包在用户本地缓存社区、非本地缓存社区和卫星处命中的传输成本不同，随着传输距离增大，导致了更长的传输延迟，传输成本也逐渐增高。每个用户都希望及时获得自己所请求的内容，用户的满意度随着获取数据包的等待时间增大而减小，所以尽可能将内容包缓存的位置贴近用户。值得注意的是，用户的满意度和内容包提供者获得的收益是唯一相关的。因为满意度较低的用户将较少地使用该内容包提供者的服务，导致该内容包提供者的收益变低，另一方面，满意度较高的用户倾向于更频繁地使用该内容包提供者的服务。在这种情况下，最小化内容包所提供者的成本与最大化其收益是等效的。由于控制节点和普通节点基本相邻，所以可以假定用户对他们的访问成本大致相等。
我们用RL表示用户发出的兴趣包在本地缓存社区命中的平均收益，RDk表示在第k个缓存社区命中的平均收益，其中k<＝K，k表示地面CCN网络中缓存社区的数量，RS表示在LEO卫星命中时的平均收益，收益由用户获得内容包所经历的跳数决定，跳数越小，收益越高。因为LEO卫星只缓存少量高时效性的内容，我们令RS＝0。显然，在我们给出的星地三层缓存架构中，有RL<RD。
从本方法的收益模型可以看出，影响网络整体收益唯一的因素是缓存决策。如果缓存社区之间没有协作，各个缓存社区独立缓存本地高流行度内容，会导致地面CCN网络缓存同质化严重，网络总收益降低；如果缓存社区之间存在协作，彼此缓存互不相同的内容，即网络不存在缓存同质化问题，虽然使得网络内缓存命中率最高，但是网络总收益降低。因此就需要在这两种方案之间折中，选择一个最佳方案来最大限度地保证用户满意度，也就是最大化卫星-地面网络的整体收益。
遗传算法是一种受进化论启发的随机优化方法，经过多次交叉遗传与变异，通过每一代的自然选择，最终得到问题的最优解。在本方法中，缓存决策变量bm完美对应于遗传算法中的二进制编码法。每一个种群中的个体都代表一种缓存社区的缓存放置方案，即前面定义的矩阵B。
作为信息中心网络的一种，内容中心网络(Content Centric Networking,CCN)目前的主要研究方向为名称路由，内容缓存和网络安全三个方面。其中，名字路由是CCN采用内容与位置分离的设计原则，利用基于命名的路由方式，使通信不再依赖源节点与目的节点之间的端到端连接，能够更好地支持网络节点移动性。CCN采用网内缓存技术，中间节点可以缓存经过该节点的数据，为后续的内容请求直接提供服务，减少用户请求响应时间并降低重复传输产生的网络流量，提高了网络的鲁棒性。而在网络安全方面，目前对于CCN中面临的安全威胁的研究主要分为三类，用户隐私泄露，兴趣包泛洪攻击和拒绝服务攻击(DoS)。
综上所述，本发明的方案主要应用于CCN网络的内容缓存方面，特别是目前新兴的卫星-地面的端到端CCN网络。将高时效性的数据缓存在LEO卫星上，避免了地面节点频繁的缓存替换。根据缓存命中所需的跳数设计目标函数，利用遗传算法求解，提升了用户的满意度，缓存决策由GEO卫星周期性的广播给各个控制节点，节省了星地链路的资源。

Claims (8)

1.一种基于CCN的卫星-地面网络缓存方法，其特征在于，包括以下步骤：
S1、基于地面CCN网络节点，采用Louvain算法进行缓存社区初始划分，得到缓存社区；每个缓存社区包含至少一个地面CCN网络节点；
S2、获取并基于网络中节点与当前缓存社区的相似性，对当前缓存社区进行更新；
S3、基于当前缓存社区，构建卫星-CCN节点-控制中心的三层拓扑缓存模型；
S4、在三层拓扑缓存模型上确定内容分布，并构建相应的收益模型，将卫星-地面网络的缓存放置问题转化为全网收益最大化问题；
S5、采用遗传算法求解全网收益最大化问题，得到基于CCN的卫星-地面网络缓存方案。
2.根据权利要求1所述的基于CCN的卫星-地面网络缓存方法，其特征在于，步骤S2的具体方法包括以下子步骤：
S2-1、对于网络中的节点n，判断其是否与当前缓存社区存在直接连接关系，若是则进入步骤S2-2；否则进入步骤S2-7；
S2-2、根据公式：
Figure FDA0003657984490000011
Figure FDA0003657984490000012
获取时间t时节点n和当前缓存社区C之间的内容分布相似性
Figure FDA0003657984490000013
其中n′为节点n的邻居节点，n′属于当前缓存社区C；
Figure FDA0003657984490000014
表示节点n和当前缓存社区C之间的消息交换速率；msgt(n,n′)表示节点n与节点n′之间传输的内容数量；nbt(n,C)表示时间t时当前缓存社区C中节点n的邻居节点数量；
Figure FDA0003657984490000021
表示时间t时节点n和当前缓存社区C之间的消息分布；
Figure FDA0003657984490000022
表示时间t-1时节点n和当前缓存社区C之间的内容分布相似性
Figure FDA0003657984490000023
β表示遗忘参数，介于[0,1]之间；Nt(n,C)表示属于当前缓存社区C的节点n的邻居集合；
S2-3、根据公式：
Figure FDA0003657984490000024
获取节点n和当前缓存社区C之间的用户属性相似性Simatt(n,C)；其中simatt(n,n′)表示节点n与节点n′之间的共同属性值的数量；|A|表示属性值的数量；
S2-4、根据公式：
Figure FDA0003657984490000025
获取节点n和当前缓存社区C之间的拓扑结构的相似性Simstr(n,C)；其中nbt(n)表示表示时间t时节点n的邻居节点总数；
S2-5、根据公式：
Figure FDA0003657984490000026
获取节点n和当前缓存社区C之间的相似性Sim(n,C)，进而得到节点n和所有当前缓存社区之间的相似性；其中α1、α2和α3均为权重参数；
S2-6、将节点n划分至与其相似性最大的当前缓存社区，进入步骤S2-8；若节点n与两个或两个以上的缓存社区具有相同的相似度，则将节点n作为这些缓存社区的重叠节点；
S2-7、创建一个新的缓存社区，使该新的缓存社区包含节点n以及与节点n直接相连的节点，进入步骤S2-8；
S2-8、将重叠节点数量超过重叠数量阈值的两个缓存社区进行合并；将内部边的数量超过边数量阈值的缓存社区进行重新划分；完成当前缓存社区更新。
3.根据权利要求2所述的基于CCN的卫星-地面网络缓存方法，其特征在于，步骤S2-8中重叠数量阈值为相应缓存社区节点数量的75％。
4.根据权利要求2所述的基于CCN的卫星-地面网络缓存方法，其特征在于，步骤S2-8中边数量阈值为相应缓存社区中最大边数的一半。
5.根据权利要求1所述的基于CCN的卫星-地面网络缓存方法，其特征在于，步骤S3中卫星-CCN节点-控制中心的三层拓扑缓存模型中的卫星包括高轨道卫星和低轨道卫星；其中步骤S1和步骤S2在高轨道卫星中进行，高轨道卫星将缓存社区中的节点分为控制节点和普通节点，控制节点由中心节点构成，普通节点由非中心节点构成；控制节点为逻辑控制平面，通过索引管理与其相连的普通节点，并且与其他缓存社区进行协作；
控制中心设置在高轨道卫星上，用于获取各个缓存社区和低轨道卫星中所请求内容包的信息，做出缓存决策，通过各个缓存社区进行内容缓存，将缓存决策广播给各个缓存社区的控制节点。
6.根据权利要求1所述的基于CCN的卫星-地面网络缓存方法，其特征在于，步骤S4的具体方法包括以下子步骤：
S4-1、对于任一个缓存社区，获取时间t内在节点i上收到的内容总请求数Ni(t)、内容m被请求的次数
Figure FDA0003657984490000031
并根据公式：
Figure FDA0003657984490000032
获取该缓存社区收到内容m的请求频率
Figure FDA0003657984490000033
S4-2、根据公式：
Figure FDA0003657984490000041
获取该缓存社区节点i在收到的
Figure FDA0003657984490000042
个内容请求中，对于内容m的请求次数
Figure FDA0003657984490000043
的占比
Figure FDA0003657984490000044
S4-3、根据公式：
Figure FDA0003657984490000045
获取该缓存社区节点i上内容m的流行度
Figure FDA0003657984490000046
S4-4、建立地面CCN网络的缓存状态，并表示为矩阵B：
Figure FDA0003657984490000047
其中
Figure FDA0003657984490000048
为决策变量，当第m个内容缓存在第k个缓存社区中时
Figure FDA0003657984490000049
取值为1，当第m个内容未缓存在第k个缓存社区中时
Figure FDA00036579844900000410
取值为0；k＝1,2,...,K，m＝1,2,...,M；
S4-5、根据公式：
Figure FDA00036579844900000411
获取节点i所在缓存社区中请求内容m的概率
Figure FDA00036579844900000412
其中
Figure FDA00036579844900000413
为节点i所在缓存社区中的普通节点生成对内容m请求的可能性；
Figure FDA00036579844900000414
为节点i所在缓存社区中的控制节点生成对内容m请求的可能性；li表示节点i所在缓存社区中普通节点的数量；
S4-6、根据公式：
Figure FDA00036579844900000415
获取由节点i所在缓存社区发出的兴趣包在其他缓存社区命中时的收益
Figure FDA00036579844900000515
其中δ为收益因子；
Figure FDA00036579844900000514
表示缓存命中时的跳数；
Figure FDA0003657984490000051
表示其他缓存社区中的节点
Figure FDA00036579844900000516
S4-7、根据公式：
Figure FDA0003657984490000052
Figure FDA0003657984490000053
Figure FDA0003657984490000054
Figure FDA0003657984490000055
构建收益模型；其中R表示网络内的总收益；RL表示由节点i所在缓存社区发出的兴趣包在节点i所在缓存社区命中时的收益；
Figure FDA0003657984490000056
表示由节点i所在缓存社区发出的兴趣包在节点i所在缓存社区命中的概率；
Figure FDA0003657984490000057
表示由节点i所在缓存社区发出的兴趣包在其他缓存社区命中的概率；s.t.表示约束条件；Ci为节点i的缓存容量；
Figure FDA0003657984490000058
为决策变量，当第m个内容缓存在该节点i所在的缓存社区中时
Figure FDA0003657984490000059
取值为1，当第m个内容未缓存在该节点i所在的缓存社区中时
Figure FDA00036579844900000510
取值为0；
Figure FDA00036579844900000511
为决策变量，当第m个内容缓存在该节点
Figure FDA00036579844900000517
所在的缓存社区中时
Figure FDA00036579844900000512
取值为1，当第m个内容未缓存在该节点
Figure FDA00036579844900000518
所在的缓存社区中时
Figure FDA00036579844900000513
取值为0。
7.根据权利要求6所述的基于CCN的卫星-地面网络缓存方法，其特征在于，步骤S5的具体方法包括以下子步骤：
S5-1、以染色体代表决策变量，初始化染色体大小和种群规模，并随机产生初始染色体作为第一代个体；
S5-2、计算当前个体的适应度；
S5-3、选择j个适应度最好的个体构成组，并在组内选择具有最优适应度值的个体传给下一代，直到达到种群规模；
S5-4、对当前种群以基因交叉率和基因突变率进行遗传运算，得到下一代个体；
S5-5、重复步骤S5-2至步骤S5-4直至到达设定的遗传迭代次数，将最新的个体值作为决策变量值，完成全网收益最大化问题求解，得到基于CCN的卫星-地面网络缓存方案。
8.根据权利要求7所述的基于CCN的卫星-地面网络缓存方法，其特征在于，步骤S5-3中j的取值为：
Figure FDA0003657984490000061
其中Sp表示种群规模。
CN202210567028.8A 2022-05-23 2022-05-23 一种基于ccn的卫星-地面网络缓存方法 Active CN114866610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210567028.8A CN114866610B (zh) 2022-05-23 2022-05-23 一种基于ccn的卫星-地面网络缓存方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210567028.8A CN114866610B (zh) 2022-05-23 2022-05-23 一种基于ccn的卫星-地面网络缓存方法

Publications (2)

Publication Number Publication Date
CN114866610A true CN114866610A (zh) 2022-08-05
CN114866610B CN114866610B (zh) 2023-04-18

Family

ID=82639403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210567028.8A Active CN114866610B (zh) 2022-05-23 2022-05-23 一种基于ccn的卫星-地面网络缓存方法

Country Status (1)

Country Link
CN (1) CN114866610B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6427172B1 (en) * 1999-07-20 2002-07-30 Cyberstar, L.P. Method and apparatus for internet cache content delivery via a data distribution system
US20140223303A1 (en) * 2011-07-14 2014-08-07 Sirius Xm Radio Inc. Content caching services in satellite and satellite/ip content delivery systems content caching
CN104821961A (zh) * 2015-04-16 2015-08-05 广东技术师范学院 一种基于节点社团重要度的icn缓存策略
EP3101549A1 (en) * 2015-06-04 2016-12-07 Tata Consultancy Services Limited Estimating cache size for cache routers in information centric networks
CN106952168A (zh) * 2017-03-09 2017-07-14 西安电子科技大学 基于多目标进化的带属性社交网络社区划分方法
CN108173965A (zh) * 2018-01-22 2018-06-15 广东技术师范学院 社团感知的icn缓存方法
CN108668287A (zh) * 2018-04-19 2018-10-16 西安交通大学 一种基于用户内容流行度和移动规则的主动缓存方法
CN108769251A (zh) * 2018-06-21 2018-11-06 河南科技大学 一种启发式ccn网络合作缓存方法
WO2021085723A1 (ko) * 2019-10-29 2021-05-06 숭실대학교 산학협력단 정보 중심 네트워크를 위한 기회적 라우팅 프로토콜을 통한 메시지 전송 방법, 이를 수행하기 위한 기록 매체 및 장치
WO2021164174A1 (zh) * 2020-02-17 2021-08-26 平安科技（深圳）有限公司 云平台的缓存服务器部署方法、装置和计算机设备
CN113691598A (zh) * 2021-08-15 2021-11-23 南京理工大学 一种星地融合网络的协同缓存策略
CN113992753A (zh) * 2021-10-17 2022-01-28 南京理工大学 一种天地一体化卫星网络节点的智能缓存策略

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6427172B1 (en) * 1999-07-20 2002-07-30 Cyberstar, L.P. Method and apparatus for internet cache content delivery via a data distribution system
US20140223303A1 (en) * 2011-07-14 2014-08-07 Sirius Xm Radio Inc. Content caching services in satellite and satellite/ip content delivery systems content caching
CN104821961A (zh) * 2015-04-16 2015-08-05 广东技术师范学院 一种基于节点社团重要度的icn缓存策略
EP3101549A1 (en) * 2015-06-04 2016-12-07 Tata Consultancy Services Limited Estimating cache size for cache routers in information centric networks
CN106952168A (zh) * 2017-03-09 2017-07-14 西安电子科技大学 基于多目标进化的带属性社交网络社区划分方法
CN108173965A (zh) * 2018-01-22 2018-06-15 广东技术师范学院 社团感知的icn缓存方法
CN108668287A (zh) * 2018-04-19 2018-10-16 西安交通大学 一种基于用户内容流行度和移动规则的主动缓存方法
CN108769251A (zh) * 2018-06-21 2018-11-06 河南科技大学 一种启发式ccn网络合作缓存方法
WO2021085723A1 (ko) * 2019-10-29 2021-05-06 숭실대학교 산학협력단 정보 중심 네트워크를 위한 기회적 라우팅 프로토콜을 통한 메시지 전송 방법, 이를 수행하기 위한 기록 매체 및 장치
WO2021164174A1 (zh) * 2020-02-17 2021-08-26 平安科技（深圳）有限公司 云平台的缓存服务器部署方法、装置和计算机设备
CN113691598A (zh) * 2021-08-15 2021-11-23 南京理工大学 一种星地融合网络的协同缓存策略
CN113992753A (zh) * 2021-10-17 2022-01-28 南京理工大学 一种天地一体化卫星网络节点的智能缓存策略

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SUMAN PANDEY等: ""Feasibility study for simulating community based content caching on CCN network using ndnSIM simulator"", 《2017 19TH ASIA-PACIFIC NETWORK OPERATIONS AND MANAGEMENT SYMPOSIUM (APNOMS)》 *
方馨蔚等: ""内容中心网络中基于节点相似度的协作缓存算法"", 《万方数据库》 *
田铭等: ""信息中心网络中基于局部内容活跃度的自适应缓存算法"", 《计算机科学》 *

Also Published As

Publication number Publication date
CN114866610B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
Fang et al. A survey of energy-efficient caching in information-centric networking
Liu et al. Distributed caching based on matching game in LEO satellite constellation networks
Lv et al. RISC: ICN routing mechanism incorporating SDN and community division
Alghamdi et al. A novel fog computing based architecture to improve the performance in content delivery networks
CN105681438B (zh) 一种集中式内容中心网络缓存决策方法
CN106686060B (zh) 一种内容扩散的方法及系统
De Castro et al. A dynamic hierarchical VANET architecture for named data networking applications
CN112399485A (zh) 一种6g中基于ccn的新节点价值和内容流行度缓存方法
Dai et al. Service‐oriented routing with Markov space‐time graph in low earth orbit satellite networks
US8098650B2 (en) Apparatus and method for processing contents using routing table
Liu et al. Deep learning-enabled file popularity-aware caching replacement for satellite-integrated content-centric networks
CN114866610B (zh) 一种基于ccn的卫星-地面网络缓存方法
Ji et al. Replacement based content popularity and cache gain for 6G content-centric network
Yang et al. OpenCache: A lightweight regional cache collaboration approach in hierarchical-named ICN
Ashraf et al. Forwarding and caching in video streaming over ICSDN: A clean-slate publish-subscribe approach
Noh et al. Progressive caching system for video streaming services over content centric network
Iqbal Cache-MCDM: A hybrid caching scheme in Mobile Named Data Networks based on multi-criteria decision making
CN110113418B (zh) 一种车联信息中心网络的协同缓存更新方法
CN107948070A (zh) 一种基于QoS的移动P2P网络虚拟链路选取方法
CN113365309B (zh) 一种卫星互联网中基于区域协作的内容缓存分发方法
Jia et al. Cluster-based content caching driven by popularity prediction
CN114245422A (zh) 一种基于簇内智能共享的边缘主动缓存方法
Fan et al. BSMM: A broadcast storm mitigation model based on distributed data clusters and hybrid network architecture in vehicular named data network
Sarkar et al. Population-based clustering to enhance the utilization of surrogate in Content Delivery Networks
Duan et al. Cache allocation scheme in information-centric satellite-terrestrial integrated 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