唐 紅，韓 健，段 潔，趙國(guó)鋒,2，高江明

(1.重慶郵電大學(xué) 未來(lái)網(wǎng)絡(luò)研究中心，重慶 400065; 2.重慶市光通信與網(wǎng)絡(luò)高校重點(diǎn)實(shí)驗(yàn)室，重慶 400065)

0 引 言

內(nèi)容中心網(wǎng)絡(luò)[1](content-centric networking，CCN)是一種以內(nèi)容為中心的下一代互聯(lián)網(wǎng)架構(gòu)，該架構(gòu)通過(guò)分布式內(nèi)容緩存機(jī)制實(shí)現(xiàn)以內(nèi)容為核心的數(shù)據(jù)傳輸[2]。CCN最主要的特點(diǎn)之一是網(wǎng)絡(luò)內(nèi)置緩存，所以，研究人員對(duì)緩存技術(shù)產(chǎn)生了廣泛的興趣，并針對(duì)不同方向進(jìn)行了研究，如緩存策略、緩存替換策略等問(wèn)題。

CCN中的內(nèi)容緩存問(wèn)題受到國(guó)內(nèi)外的廣泛關(guān)注，但是大多數(shù)緩存方案針對(duì)固定網(wǎng)絡(luò)[3]，即只考慮有線場(chǎng)景下的內(nèi)容緩存。而據(jù)Cisco公司統(tǒng)計(jì)[4]，在2016年，全球移動(dòng)數(shù)據(jù)流量較2015年增長(zhǎng)了63%，其中移動(dòng)視頻流量占移動(dòng)數(shù)據(jù)流量總量的60%，并且移動(dòng)數(shù)據(jù)流量和移動(dòng)視頻流量在未來(lái)幾年內(nèi)還將呈現(xiàn)持續(xù)增長(zhǎng)趨勢(shì)。同樣，CCN網(wǎng)絡(luò)也將面臨著大量移動(dòng)用戶接入的問(wèn)題。當(dāng)移動(dòng)設(shè)備對(duì)內(nèi)容發(fā)出請(qǐng)求，在接收所請(qǐng)求的數(shù)據(jù)之前斷開或移動(dòng)到新的附接點(diǎn)時(shí)，將會(huì)增加接收數(shù)據(jù)的時(shí)延，此外用戶的移動(dòng)可能會(huì)對(duì)內(nèi)容流行度造成影響，流行度的動(dòng)態(tài)性將導(dǎo)致緩存內(nèi)容的動(dòng)態(tài)性。因此，CCN緩存方案的研究應(yīng)該考慮移動(dòng)性對(duì)內(nèi)容緩存造成的影響，并設(shè)計(jì)出合理的緩存方案有效地提供移動(dòng)性支持。

針對(duì)CCN網(wǎng)絡(luò)中用戶移動(dòng)的問(wèn)題，研究人員已經(jīng)提出了部分移動(dòng)性緩存策略。文獻(xiàn)[5]對(duì)客戶端的移動(dòng)性支持是基于移動(dòng)服務(wù)代理實(shí)現(xiàn)的，當(dāng)客戶端到達(dá)其目的地時(shí)，它使用移動(dòng)接口與本地代理(稱為“移入代理”)聯(lián)系，與其分離的遠(yuǎn)程代理(稱為“移出代理”)進(jìn)行交互，將所有訂閱和緩存的消息從遠(yuǎn)程站點(diǎn)傳輸?shù)奖镜卣军c(diǎn)，然后傳送到客戶端庫(kù)，該方案需要對(duì)客戶端進(jìn)行設(shè)計(jì)，所以并不具有普適性，并且整個(gè)方案需要大量服務(wù)代理，將進(jìn)一步加大開銷，時(shí)延可能會(huì)更長(zhǎng)。文獻(xiàn)[6]提出一種選擇性鄰居緩存方法，主動(dòng)將請(qǐng)求的內(nèi)容緩存在距離當(dāng)前代理一跳的鄰居節(jié)點(diǎn)子集中，文中通過(guò)時(shí)延和緩存成本二者的折中來(lái)選出合適的鄰居子集。文獻(xiàn)[7]提出一種完全主動(dòng)的最優(yōu)方案，采用位置和數(shù)據(jù)模式預(yù)測(cè)來(lái)主動(dòng)支持消費(fèi)者在網(wǎng)絡(luò)中的移動(dòng)。實(shí)質(zhì)上，該方案將最優(yōu)的緩存接近消費(fèi)者的預(yù)測(cè)內(nèi)容，使其將在切換之前得到滿足并避免興趣重傳。文中方案利用位置估計(jì)來(lái)預(yù)測(cè)用戶切換時(shí)間，利用請(qǐng)求模式預(yù)測(cè)來(lái)預(yù)測(cè)將要請(qǐng)求的內(nèi)容，但是文中并沒有針對(duì)此進(jìn)行相應(yīng)數(shù)學(xué)模型的建立和相關(guān)方法的設(shè)計(jì)。文獻(xiàn)[8]提出一種分布式主動(dòng)緩存方法來(lái)支持用戶無(wú)縫移動(dòng)，并且方案中采用擁塞定價(jià)方案來(lái)有效利用本地路由器的緩存空間，但是文中并沒有給出方案的具體算法，并且該方法會(huì)在滿足用戶的移動(dòng)請(qǐng)求之后會(huì)馬上刪除本地的內(nèi)容，可能會(huì)造成內(nèi)容重復(fù)利用率低的問(wèn)題。文獻(xiàn)[9]方案引入地理位置，即基于用戶當(dāng)前位置提供相關(guān)的內(nèi)容服務(wù)。

本文提出了一種基于用戶移動(dòng)性和內(nèi)容流行度預(yù)測(cè)的緩存策略，利用半馬爾科夫模型表征用戶移動(dòng)性，采用多元線性回歸理論進(jìn)行內(nèi)容流行度預(yù)測(cè)，結(jié)合用戶移動(dòng)性與內(nèi)容流行度對(duì)問(wèn)題進(jìn)行數(shù)學(xué)建模。通過(guò)仿真證明，該策略能較好地提高內(nèi)容緩存命中率，進(jìn)而減少了用戶的請(qǐng)求時(shí)延，提升緩存系統(tǒng)的整體效用。

1 移動(dòng)CCN網(wǎng)絡(luò)場(chǎng)景

介紹了具有移動(dòng)用戶的CCN網(wǎng)絡(luò)場(chǎng)景，網(wǎng)絡(luò)由多個(gè)能緩存內(nèi)容的CCN路由器組成，用戶在某些轉(zhuǎn)移概率之后在無(wú)線網(wǎng)絡(luò)中移動(dòng)。

1.1 問(wèn)題描述

無(wú)線網(wǎng)絡(luò)中，用戶通過(guò)無(wú)線接入點(diǎn)(access point,AP)訪問(wèn)互聯(lián)網(wǎng)，同時(shí)用戶可能在不同無(wú)線覆蓋區(qū)域之間進(jìn)行移動(dòng)。訪問(wèn)互聯(lián)網(wǎng)時(shí)，用戶根據(jù)自己需求下載不同內(nèi)容，內(nèi)容從下載開始到下載結(jié)束一直在同一區(qū)域完成的過(guò)程稱作完全下載，當(dāng)用戶移動(dòng)時(shí)，完全下載可能不會(huì)在同一個(gè)區(qū)域上滿足，在一個(gè)區(qū)域處的不完整下載可以由移動(dòng)用戶攜帶到另一個(gè)區(qū)域，引起對(duì)相同內(nèi)容的新請(qǐng)求。因此，用戶的移動(dòng)性將會(huì)對(duì)其他區(qū)域處內(nèi)容源的靜態(tài)流行度產(chǎn)生影響。

1.2 網(wǎng)絡(luò)場(chǎng)景

網(wǎng)絡(luò)模型需要選擇一個(gè)能提供內(nèi)容分發(fā)服務(wù)的場(chǎng)景，以校園網(wǎng)為例，網(wǎng)絡(luò)場(chǎng)景如圖1所示。在校園網(wǎng)中，將校園劃分為不同區(qū)域，例如圖書館、餐廳、學(xué)生宿舍等，稱每個(gè)無(wú)線覆蓋區(qū)域?yàn)橐粋€(gè)站點(diǎn)，記站點(diǎn)為RH，提供Wi-Fi服務(wù)，用戶可在校園的不同站點(diǎn)間移動(dòng)，并且這些站點(diǎn)將向具有不同興趣的用戶分發(fā)各種內(nèi)容。所有站點(diǎn)通過(guò)具有CCN功能的有線本地網(wǎng)絡(luò)相互連接。網(wǎng)絡(luò)中還存在來(lái)自外部網(wǎng)絡(luò)的集中式服務(wù)器(見圖1)，以提供所請(qǐng)求內(nèi)容的全部源。

圖1場(chǎng)景中，站點(diǎn)內(nèi)的用戶在餐廳區(qū)域請(qǐng)求內(nèi)容，并發(fā)生了移動(dòng)，如果用戶在餐廳區(qū)域沒有進(jìn)行完全下載，等到達(dá)新站點(diǎn)(圖書館或宿舍)后將對(duì)內(nèi)容重新發(fā)起請(qǐng)求，將會(huì)對(duì)新站點(diǎn)的內(nèi)容流行度造成影響。因此，站點(diǎn)RH緩存策略設(shè)計(jì)需考慮用戶移動(dòng)性。

圖1 具有用戶移動(dòng)性的CCN網(wǎng)絡(luò)場(chǎng)景Fig.1 CCN network scene with user mobility

2 方法描述

基于上述問(wèn)題描述，用戶以某些轉(zhuǎn)移概率在站點(diǎn)間進(jìn)行移動(dòng)，可能在新站點(diǎn)產(chǎn)生對(duì)某些內(nèi)容的新請(qǐng)求。因此，需要對(duì)移動(dòng)過(guò)程中用戶的轉(zhuǎn)移概率進(jìn)行分析，同時(shí)CCN網(wǎng)絡(luò)中，CCN路由器基于內(nèi)容的流行度對(duì)內(nèi)容進(jìn)行緩存，因此，需要對(duì)網(wǎng)絡(luò)中內(nèi)容的靜態(tài)流行度進(jìn)行分析。

2.1 用戶移動(dòng)性

無(wú)線網(wǎng)絡(luò)中移動(dòng)用戶常有基于時(shí)延行動(dòng)的過(guò)程，且通常具有較大尺度的時(shí)間范圍。因此，本文采用半馬爾科夫模型[10-11]來(lái)描述用戶的移動(dòng)性，半馬爾可夫過(guò)程與一般馬爾可夫過(guò)程不同的是，與狀態(tài)逗留時(shí)間t有關(guān)，是馬爾可夫鏈的推廣，不再局限于馬爾可夫鏈中的假設(shè)。半馬爾可夫過(guò)程的意義更接近現(xiàn)實(shí)中用戶移動(dòng)方式，所以針對(duì)位置預(yù)測(cè)的半馬爾可夫模型得出的結(jié)論更精確。

設(shè){X(t),t>0}是一個(gè)連續(xù)時(shí)間參數(shù)t的隨機(jī)過(guò)程，取值于狀態(tài)空間Sn(k)，其中，Sn(k)是{X(t),t>0}的狀態(tài)轉(zhuǎn)移時(shí)刻，令Xn是tn時(shí)刻用戶發(fā)生狀態(tài)轉(zhuǎn)移后過(guò)程所處的狀態(tài)。設(shè)定本文模型是離散時(shí)間的半馬爾可夫過(guò)程，狀態(tài)的逗留時(shí)間t為離散時(shí)間變量，移動(dòng)用戶在某一站點(diǎn)的逗留時(shí)間不少于一個(gè)時(shí)間單位，在每一個(gè)站點(diǎn)內(nèi)只能是單步轉(zhuǎn)移并且至少需要一個(gè)單位的時(shí)間。因此，t大于N始終成立，在N步轉(zhuǎn)移花費(fèi)的時(shí)間最少為t=N。其中，單步半馬爾可夫核為

(1)

(1)式中，逗留時(shí)間條件概率mi,j(t)為

mi,j(t)=p{tn+1-tn=t|Xn+1=j,Xn=i}

(2)

則N步轉(zhuǎn)移概率核為

(3)

(4)

(5)

2.2 內(nèi)容流行度預(yù)測(cè)

多數(shù)內(nèi)容流行度的研究都是對(duì)文件流行度的定性描述，缺乏針對(duì)內(nèi)容流行度的定量分析，而多元線性回歸[12]能對(duì)內(nèi)容流行度進(jìn)行定量分析。當(dāng)研究對(duì)象受到多個(gè)自變量的影響，并且自變量間無(wú)準(zhǔn)確的線性關(guān)系，即無(wú)多重共線性時(shí)，可建立多元線性回歸模型進(jìn)行系統(tǒng)分析和預(yù)測(cè)。多元線性回歸技術(shù)可用于研究一個(gè)因變量與多個(gè)自變量之間的線性關(guān)系。

多元線性回歸理論是用多個(gè)自變量的數(shù)值估計(jì)另一個(gè)因變量的數(shù)值，數(shù)學(xué)表達(dá)式為

y=β0+β1x1+β2x2+…+βmxm+ε

(6)

(6)式中：x1，x2，…，xm為實(shí)際觀測(cè)的一般變量；y為實(shí)際觀測(cè)的隨機(jī)變量，并且隨變量x1，x2，…，xm而變化；ε為影響y的修正因子；βi表示因變量x的變化對(duì)自變量y的直接影響。

對(duì)內(nèi)容流行度的預(yù)測(cè)，可以根據(jù)最近M個(gè)時(shí)間段的流行度統(tǒng)計(jì)值估計(jì)未來(lái)流行度：選取L組內(nèi)容的觀測(cè)值，每組有m+1個(gè)流行度統(tǒng)計(jì)值，在站點(diǎn)i處內(nèi)容k的第m+1個(gè)周期的統(tǒng)計(jì)值記為Pk,i，則未來(lái)統(tǒng)計(jì)周期的流行度值Pk,i關(guān)于最近m個(gè)周期流行度的m元回歸方程為

Pk.i=β0+β1P1k,i+β2P2k,i+…+βmPmk,i+ε

(7)

要應(yīng)用上式估計(jì)流行度預(yù)測(cè)值，需求解回歸參數(shù)的估計(jì)值，求解回歸參數(shù)估計(jì)值最常用的方法是最小二乘估計(jì)與極大似然估計(jì)。由于極大似然估計(jì)是基于ε正態(tài)分布假設(shè)的，而最小二乘估計(jì)對(duì)ε分布假設(shè)不作要求，故本文采用最小二乘估計(jì)進(jìn)行方程求解。求出回歸系數(shù)估計(jì)值b1，b2，…，bm，從而可以得到關(guān)于過(guò)去M個(gè)周期流行度統(tǒng)計(jì)值的流行度預(yù)測(cè)方程

Pk,i=b0+b1P1k,i+b2P2k,i+…+bmPmk,i

(8)

根據(jù)用戶在不同站點(diǎn)之間的停留時(shí)間，完全下載可能不會(huì)在一個(gè)站點(diǎn)上滿足。因此，當(dāng)用戶在一個(gè)站點(diǎn)具有不完整的下載并且進(jìn)入新站點(diǎn)時(shí)，可以在新站點(diǎn)處請(qǐng)求內(nèi)容。因此，新站點(diǎn)i上的內(nèi)容k的流行度Pk,i可能不反映實(shí)際的請(qǐng)求率，因?yàn)閺木哂胁煌暾螺d站點(diǎn)轉(zhuǎn)移過(guò)來(lái)的移動(dòng)用戶將發(fā)送對(duì)站點(diǎn)i處的相應(yīng)內(nèi)容的請(qǐng)求，影響靜態(tài)內(nèi)容流行度Pk,i。

3 緩存策略

為最小化服務(wù)器成本、流量負(fù)載和響應(yīng)時(shí)間，需要最大化RH處的緩存命中率，即盡可能多的在本地處理內(nèi)容請(qǐng)求。本節(jié)研究了支持用戶移動(dòng)性的緩存策略，提出了基于用戶移動(dòng)性和內(nèi)容流行度預(yù)測(cè)推導(dǎo)的移動(dòng)性緩存策略。

3.1 緩存方案

整個(gè)緩存方案的設(shè)計(jì)主要由2個(gè)部分組成：穩(wěn)態(tài)情況下的緩存和突發(fā)情況下的緩存，如圖2所示。在穩(wěn)態(tài)情況下，方案建立用戶移動(dòng)性和內(nèi)容流行度之間的邏輯關(guān)系，利用用戶移動(dòng)性對(duì)靜態(tài)內(nèi)容流行度的影響，重新計(jì)算新的內(nèi)容流行度等級(jí)表，緩存節(jié)點(diǎn)根據(jù)新內(nèi)容流行度等級(jí)表進(jìn)行內(nèi)容緩存；在突發(fā)情況下，主要針對(duì)突發(fā)事件的內(nèi)容緩存，如某娛樂新聞、某新電影上映、某最新單曲發(fā)布等。當(dāng)對(duì)某一內(nèi)容的請(qǐng)求次數(shù)大于設(shè)定閾值時(shí)，將直接在緩存節(jié)點(diǎn)對(duì)內(nèi)容進(jìn)行緩存。本文僅對(duì)穩(wěn)態(tài)情況下的緩存進(jìn)行了研究。

3.2 緩存模型

用戶在某個(gè)站點(diǎn)沒有完成當(dāng)前下載的原因可能是由于內(nèi)容過(guò)大，例如，持續(xù)1 h或更長(zhǎng)時(shí)間的視頻。對(duì)于未完成的下載，用戶將在新站點(diǎn)上生成對(duì)相同內(nèi)容的請(qǐng)求[13]。在這種情況下，這些請(qǐng)求取決于在先前站點(diǎn)的下載，并且由于用戶移動(dòng)，每個(gè)站點(diǎn)處的內(nèi)容請(qǐng)求率受到其他站點(diǎn)的影響。傳統(tǒng)的CCN緩存方案通過(guò)內(nèi)容本身的靜態(tài)流行度來(lái)緩存內(nèi)容，在這種情況下，一個(gè)站點(diǎn)產(chǎn)生的請(qǐng)求不會(huì)影響用戶下一個(gè)站點(diǎn)的請(qǐng)求率，因?yàn)檎?qǐng)求率只由本地流行度決定。為了考慮用戶移動(dòng)對(duì)本地內(nèi)容流行度的影響，緩存方案需要同時(shí)考慮本地內(nèi)容流行度的預(yù)測(cè)與站點(diǎn)間的轉(zhuǎn)移矩陣，已獲得用戶通過(guò)某種轉(zhuǎn)移概率到達(dá)新站點(diǎn)后產(chǎn)生的額外用戶請(qǐng)求。緩存模型的網(wǎng)絡(luò)符號(hào)及定義如表1所示。

圖2 移動(dòng)性-內(nèi)容流行度的緩存方案Fig.2 Caching scheme for mobility-content popularity

表1 符號(hào)及定義Tab.1 Symbols and definitions

i=1,2,…，Ns

(9)

對(duì)每個(gè)站點(diǎn)的人口分布進(jìn)行歸一化處理

(10)

加入用戶移動(dòng)性后內(nèi)容k在站點(diǎn)i處的流行度計(jì)算為

設(shè)Ci表示站點(diǎn)i處所有緩存內(nèi)容集合，如果站點(diǎn)i處含有內(nèi)容k，則Ek,i為1，否則為0，表達(dá)式為

k=1,…，Nc

(13)

由此可得，在站點(diǎn)i處的平均緩存命中率Hi為

(14)

因此，目標(biāo)函數(shù)的表達(dá)式為

(15)

i=1,2,…，Ns

(16)

Rk,i<1,k=1,2,…，Nc;i=1,2,…，Ns

(17)

(16)式中，Bi表示站點(diǎn)i上的總緩存大小限制；(17)式表示站點(diǎn)i中新的內(nèi)容請(qǐng)求率小于1的限制。

3.3 緩存算法

基于上述移動(dòng)性緩存模型分析，提出基于用戶移動(dòng)性-內(nèi)容流行度預(yù)測(cè)的緩存算法。該算法利用半馬爾科夫模型來(lái)描述用戶的移動(dòng)性，利用多元線性回歸模型來(lái)進(jìn)行內(nèi)容流行度的預(yù)測(cè)，然后通過(guò)用戶移動(dòng)性對(duì)內(nèi)容流行度的影響計(jì)算出新的內(nèi)容流行度，根據(jù)新的內(nèi)容流行度對(duì)內(nèi)容進(jìn)行緩存。算法步驟如下。

步驟1初始化：網(wǎng)絡(luò)圖劃分為Ns個(gè)區(qū)域，網(wǎng)絡(luò)總用戶數(shù)為Nu；

步驟2當(dāng)前網(wǎng)絡(luò)中用戶在站點(diǎn)的逗留時(shí)間設(shè)為服從參數(shù)為η,β的威布爾分布。計(jì)算轉(zhuǎn)移概率分布矩陣d={di,j}，計(jì)算逗留時(shí)間分布矩陣m={mi,j(t)}；

步驟4站點(diǎn)i處內(nèi)容k的第m+1個(gè)周期的流行度統(tǒng)計(jì)值記作Pk,i，第m個(gè)周期的流行度統(tǒng)計(jì)值記作Pmk,i，計(jì)算Pk,i=b0+b1P1k,i+…+bmPmk,i，其中k=1,2…，Nc，i=1,2,…，Ns，當(dāng)t=T時(shí)，進(jìn)行下個(gè)周期的內(nèi)容流行度預(yù)測(cè)；

步驟6計(jì)算Rk,i，從新的流行性等級(jí)列表{Rk,i}中選擇緩存的內(nèi)容。

該算法不僅考慮了內(nèi)容流行度，而且加入了用戶移動(dòng)性對(duì)內(nèi)容流動(dòng)的影響，因此，該算法具有更強(qiáng)的適用性和實(shí)用性。

4 仿真結(jié)果與分析

本節(jié)對(duì)所提出的緩存算法進(jìn)行了仿真分析，并在相同條件下與未加入移動(dòng)性的算法進(jìn)行了比較。仿真條件為站點(diǎn)數(shù)量Ns為8，內(nèi)容數(shù)量Nc為200～1 000個(gè)，用戶數(shù)量Nu為100，Zipf[14]參數(shù)α為0.8。由于CCN網(wǎng)絡(luò)架構(gòu)研究目前尚處于學(xué)術(shù)研究與試驗(yàn)階段，本文主要基于理論分析的結(jié)果進(jìn)行仿真驗(yàn)證。仿真拓?fù)淙鐖D3所示。

圖3 仿真網(wǎng)絡(luò)環(huán)境拓?fù)銯ig.3 Simulation network environment topology

首先仿真某用戶在時(shí)間t內(nèi)的轉(zhuǎn)移概率，基于半馬爾科夫理論虛擬一些轉(zhuǎn)移概率參數(shù)值和轉(zhuǎn)移的逗留時(shí)間參數(shù)，逗留時(shí)間參數(shù)依然服從威布爾分布。仿真結(jié)果如圖4所示。圖4中的仿真曲線表示隨著不同的連續(xù)時(shí)間周期特定轉(zhuǎn)移的可能性結(jié)果。在初始時(shí)間周期的1個(gè)單位，網(wǎng)絡(luò)中預(yù)測(cè)當(dāng)前位置2的用戶轉(zhuǎn)移到位置1的可能性最大，而在之后的時(shí)間周期內(nèi)移動(dòng)用戶轉(zhuǎn)移到站點(diǎn)6的概率反而最大?？傻贸鼋Y(jié)論，該移動(dòng)用戶最終從站點(diǎn)2移動(dòng)到站點(diǎn)6。

圖4 站點(diǎn)2處某用戶的轉(zhuǎn)移概率分布Fig.4 Transfer probability distribution of a user at No.2 site

然后，圖5對(duì)某些內(nèi)容的請(qǐng)求率進(jìn)行了仿真，對(duì)比了加入移動(dòng)性與不加入移動(dòng)性時(shí)的仿真結(jié)果。對(duì)站點(diǎn)2處的內(nèi)容請(qǐng)求率進(jìn)行驗(yàn)證，設(shè)Zipf參數(shù)α為0.8，內(nèi)容數(shù)量為200～1 000個(gè)，仿真結(jié)果如圖5所示。從圖5中可明顯發(fā)現(xiàn)，基于流行度的請(qǐng)求率不能準(zhǔn)確地反映實(shí)際的用戶請(qǐng)求行為，在模擬中純流行性和實(shí)際內(nèi)容請(qǐng)求速率之間存在較大的差距。在一個(gè)站點(diǎn)，從用戶接收的請(qǐng)求不僅包括發(fā)起內(nèi)容下載的用戶發(fā)送的請(qǐng)求，而且包括從其他站點(diǎn)帶來(lái)的繼續(xù)下載。這表明用戶移動(dòng)性對(duì)內(nèi)容請(qǐng)求速率具有影響，大大偏斜原始內(nèi)容流行度，使得基于靜態(tài)流行度的緩存策略的性能較差。

圖5 站點(diǎn)2處某內(nèi)容請(qǐng)求率分布Fig.5 Content request rate distribution at No.2 site

然后，圖6對(duì)內(nèi)容大小對(duì)緩存性能的影響進(jìn)行了仿真，對(duì)比了加入移動(dòng)性與不加入移動(dòng)時(shí)的仿真結(jié)果，仿真結(jié)果如圖6所示。從圖6中可明顯發(fā)現(xiàn)，隨著內(nèi)容大小的增加，2種策略的緩存命中率都會(huì)下降，因?yàn)榫彺娲笮」潭?，緩存?nèi)容的數(shù)量會(huì)減少。并且加入移動(dòng)性后的緩存方案在大尺寸內(nèi)容上表現(xiàn)更好，因?yàn)橛捎趦?nèi)容過(guò)大造成未完成的下載過(guò)多，所以站點(diǎn)之間的用戶移動(dòng)性必須被考慮。

圖6 內(nèi)容大小-內(nèi)容緩存率分布Fig.6 Content size-content hit rate distribution

最后為了檢驗(yàn)算法的準(zhǔn)確性，對(duì)加入移動(dòng)性與不加入移動(dòng)性后的緩存命中率進(jìn)行了仿真比較。圖7顯示了加入移動(dòng)性和不加入移動(dòng)性之間的性能差距。加入移動(dòng)性后的高速緩存命中率高得多，并且當(dāng)CCN中的內(nèi)容數(shù)量逐漸增多時(shí)，性能改進(jìn)變得更加明顯，并且高速緩存命中率將隨著內(nèi)容數(shù)量的增加而變高，這是因?yàn)楫?dāng)內(nèi)容數(shù)目增加時(shí)能更多地緩存流行度較高的內(nèi)容。

圖7 網(wǎng)絡(luò)中內(nèi)容緩存命中率分布Fig.7 Content hit rate distribution in network

5 結(jié)束語(yǔ)

本文研究了一種在CCN無(wú)線網(wǎng)絡(luò)環(huán)境下適用于用戶移動(dòng)性的緩存算法，算法包括用戶移動(dòng)性分析和內(nèi)容流行度預(yù)測(cè)2部分。采用半馬爾科夫模型對(duì)用戶的轉(zhuǎn)移概率進(jìn)行分析，同時(shí)利用多元線性回歸模型對(duì)內(nèi)容流行度進(jìn)行定量分析，結(jié)合用戶移動(dòng)性與內(nèi)容流行度推導(dǎo)出移動(dòng)性緩存策略。仿真結(jié)果顯示，移動(dòng)性會(huì)對(duì)內(nèi)容流行度產(chǎn)生較大影響，并且基于用戶移動(dòng)性與內(nèi)容流行度預(yù)測(cè)的緩存方案可以有效提高網(wǎng)絡(luò)中內(nèi)容的緩存命中率。未來(lái)研究工作將考慮緩存容量及內(nèi)容大小對(duì)移動(dòng)CCN緩存策略的影響。

[1] PERESINI P, KUZNIAR M, KOSTIC D. Monocle: dynamic, fine-grained data plane monitoring [C]// Proceedings of the 11th International Conference on Emerging Networking EXperiments and Technologies. Heidelberg: ACM Press , 2015 :1-13.

[2] 朱軼,糜正琨,王文鼐.一種基于內(nèi)容流行度的內(nèi)容中心網(wǎng)絡(luò)緩存概率置換策略[J].電子與信息學(xué)報(bào), 2013, 35(6):1305-1310.

ZHU YI, MI Zhengkun, WANG Wennai. A Cache Probability Replacement Policy Based on Content Popularity in Content Centric Networks[J]. Journal of Electronics & Information Technology, 2013, 35(6):1305-1310.

[3] ZHANG M, LUO H, ZHANG H. A Survey of Caching Mechanisms in Information-Centric Networking[J]. IEEE Communications Surveys & Tutorials, 2015, 17(3):1473-1499.

[4] VNI Cisco, Cisco Visual Networking Index: Global Mobile Data Traffic Forecast Update [EB/OL]. (2017-03-28) [2017-05-11].http://www.cisco.com/c/en/us/solutions/collateral/service-provider/visual-networking-index-vni/mobile-white-paper-c11-520862.html.

[5] CAPORUSCIO M, CARZANIGA A, WOLF A L. Design and Evaluation of a Support Service for Mobile, Wireless Publish/Subscribe Applications[M]. LOS ALAMITOS, USA: IEEE Press, 2003.

[6] VASILAKOS X, SIRIS V A, POLYZOS G C, et al. Proactive selective neighbor caching for enhancing mobility support in information-centric networks[C]// Proceedings of the second edition of the ICN workshop on Information-centric networking. New York, NY, USA: ACM Press, 2012:61-66.

[7] FARAHAT H, HASSANEIN H S. Supporting Consumer Mobility Using Proactive Caching in Named Data Networks[C]//2016 IEEE Global Communications Conference (GLOBECOM). Washington, DC USA: IEEE Press, 2016: 1-6.

[8] SIRIS V A, VASILAKOS X, POLYZOS G C. Efficient proactive caching for supporting seamless mobility[C]//2014 IEEE International Symposium on A World of Wireless, Mobile and Multimedia Networks. Sydney, Australia: IEEE Press, 2014:1-6.

[9] GUAN J, HE Y, WEI Q, et al. A Classification-Based Wisdom Caching scheme for Content Centric Networking[C]//2016 IEEE INFOCOM Conference on Computer Communications Workshops. San Francisco, CA, USA: IEEE Press, 2016:822-827.

[10] 張艷,王玫,王俊義.Femtocell網(wǎng)絡(luò)中移動(dòng)用戶位置和網(wǎng)絡(luò)容量的預(yù)測(cè)[J].桂林電子科技大學(xué)學(xué)報(bào), 2014(2):87-90.

ZHANG Yan, WANG Mei, WANG Junyi. Preliminary Prediction of Mobile User Location and Network Capacity in Femtocell Networks [J]. Journal of Guilin University of Electronic Technology, 2014 (2): 87-90.

[11] YU F, LEUNG V. Mobility-based Prediction Call Admission Control and Bandwidth Reservation in Wireless Cellular Networks [J]. Computer Networks, 2002, 38(5): 577-589.

[12] 董美姣，黃韜.基于內(nèi)容流行度預(yù)測(cè)的CCN緩存策略研究[EB/OL].(2014-12-05)[2017-05-11].http://www.paper.edu.cn/releasepaper/content/201412-154.

DONG Meijiao, HUANH Tao. Study on CCN Caching Strategy Based on Content Popularity Forecasting [EB / OL]. (2014-12-05)[2017-05-11].http://www.paper.edu.cn/releasepaper/content/201412-154.

[13] WEI T, CHANG L, YU B, et al. MPCS: A mobility/popularity-based caching strategy for information-centric networks[C]// 2014 IEEE Global Communications Conference. Austin, TX, USA: IEEE Press, 2014:4629-4634.

[14] HASSLINGER G, NTOUGIAS K, HASSLINGER F. Performance and Precision of Web Caching Simulations Including a Random Generator for Zipf Request Pattern[M]. Münster, German: Springer Intemational Publishing, 2016.

(編輯：劉 勇)