羅熹 安瑩

摘 要：內(nèi)置緩存機制是內(nèi)容中心網(wǎng)絡（Content Centric Networking，CCN）研究的關鍵問題之一.現(xiàn)有的CCN緩存機制在緩存節(jié)點的選擇時往往缺乏對節(jié)點緩存狀態(tài)和負載情況等動態(tài)信息的綜合考慮，因此無法準確反映節(jié)點間的緩存狀態(tài)差異，進而影響了緩存決策的合理性.提出了一種基于緩存壓力的選擇性緩存機制（Cache Pressure Based Selective Caching，CPBSC）.該機制利用節(jié)點的緩存占用率和緩存替換率評估節(jié)點的緩存壓力，并結(jié)合內(nèi)容的流行度實現(xiàn)緩存節(jié)點的合理選擇.同時，根據(jù)內(nèi)容的請求率和興趣分組的剩余生存時間評估不同內(nèi)容的緩存價值，以此實現(xiàn)緩存內(nèi)容的合理替換.仿真結(jié)果表明，CPBSC有效地優(yōu)化了緩存資源利用率，并顯著提高了系統(tǒng)的整體緩存性能.

關鍵詞：下一代網(wǎng)絡；內(nèi)容中心網(wǎng)絡；緩存壓力；內(nèi)置緩存；選擇性緩存

中圖分類號：TP393 文獻標志碼：A

Abstract：Innetwork caching scheme is one of the key technologies of Content Centric Networking （CCN）. In some existing CCN caching schemes， the dynamic information of cache state and load condition are not fully considered so that the differences of cache state between nodes cannot be reflected accurately， which affects the reasonability of caching decision. In this paper， a Cache Pressure Based Selective Caching Scheme （CPBSC） was proposed. In this scheme， the cache occupancy rate and cache replacement rate were used to estimate the cache pressure of node. According to the cache pressure and content popularity， the caching nodes were rationally selected. Meanwhile， the content replacement is implemented based on the cache value of content which is evaluated by the content request rate and the residual time to live of Interest packet. Simulation results show that CPBSC effectively increases the resource utilization and improves the whole cache performance.

Key words：next generation networks；ContentCentric Networking；cache pressure；innetwork caching；selective caching

隨著網(wǎng)絡通信技術的發(fā)展，互聯(lián)網(wǎng)在提供的服務種類以及交換的數(shù)據(jù)量等方面均出現(xiàn)了迅速的增長.網(wǎng)絡應用的主體已從最初的計算資源共享逐步向內(nèi)容的產(chǎn)生、分發(fā)以及獲取服務轉(zhuǎn)變.傳統(tǒng)的以主機為中心（Hostcentric）的網(wǎng)絡體系結(jié)構(gòu)已經(jīng)無法適應當前互聯(lián)網(wǎng)發(fā)展的需要.為了滿足未來不斷增長的內(nèi)容訪問需求，學術界展開了對未來互聯(lián)網(wǎng)體系架構(gòu)的廣泛探索，其中，內(nèi)容中心網(wǎng)絡（ContentCentric Networking，CCN）[1]作為最具代表性的解決方案受到了極大的關注.它將內(nèi)容本身作為網(wǎng)絡通信的主體，實現(xiàn)了從以主機為中心（Hostcentric）的Where會話方式向以內(nèi)容為中心（Contentcentric）的What會話方式的演進.

CCN架構(gòu)中，用戶通過發(fā)送興趣分組（Interest packet）請求自己需要的內(nèi)容.當網(wǎng)絡中的節(jié)點收到興趣分組時，將根據(jù)內(nèi)容的名稱進行匹配查詢.若發(fā)現(xiàn)與興趣分組匹配的內(nèi)容，則沿著該興趣分組的反向傳播路徑返回相應的內(nèi)容數(shù)據(jù)分組（Data packet）.同時，CCN采用泛在化的網(wǎng)絡內(nèi)置緩存（Innetwork Caching）方式[2]，在返回內(nèi)容數(shù)據(jù)分組的沿途轉(zhuǎn)發(fā)路徑上對應答內(nèi)容進行緩存，使得網(wǎng)絡作為內(nèi)容傳輸體的同時也成為了內(nèi)容的存儲體.內(nèi)置緩存機制使得內(nèi)容副本可以緩存在距離請求用戶更近的中間節(jié)點上，為未來潛在的用戶請求提供就近響應的機會，從而大大減小了內(nèi)容獲取的延遲和帶寬需求，并減輕了內(nèi)容原始服務器的訪問壓力.因此，針對內(nèi)置緩存機制的研究一直是CCN領域關注的熱點之一.

近年來，研究人員針對CCN環(huán)境下的內(nèi)容緩存機制開展了大量的研究.其中，最簡單的當屬作為CCN默認緩存策略的LCE（Leave Copy Everywhere）算法[3].然而，該算法采用了處處緩存的方式，將內(nèi)容向其所經(jīng)過的每一個中間節(jié)點進行復制，從而導致了大量的緩存替換和內(nèi)容冗余.為了改進緩存的冗余性等問題，繼LCE之后一系列的優(yōu)化方案被陸續(xù)提出，其大致可分為集中式策略和分布式策略兩大類.文獻[4]提出了一種集中式的內(nèi)容緩存策略OFAM，通過一個被稱為CM（Cache Management）的管理節(jié)點來實現(xiàn)域內(nèi)的緩存決策.與許多分布式的內(nèi)容緩存策略通過內(nèi)容交付路徑上的節(jié)點自主地進行內(nèi)容緩存決策不同，該機制中，統(tǒng)一由CM根據(jù)對用戶請求的統(tǒng)計估算各個內(nèi)容分組的流行度，然后選擇流行度高的內(nèi)容進行緩存.其他典型的集中式內(nèi)容緩存策略還包括ICAP[5]、Cflow[6]等等.在集中式緩存策略中，緩存的決策以及內(nèi)容副本的存儲往往都過分依賴于少量的特殊節(jié)點，導致這部分節(jié)點的負載過大，而其他節(jié)點的資源則得不到有效利用，難以滿足實際網(wǎng)絡的性能需求.因此，分布式緩存策略成為了目前CCN緩存機制研究的主要方向.

根據(jù)緩存決策的依據(jù)不同，現(xiàn)有的CCN分布式緩存策略主要可劃分為以下3類.第1類緩存機制采用隨機方式選擇內(nèi)容的緩存節(jié)點，如文獻[7]提出了一種分布式的緩存隨機放置策略，以一定的概率在內(nèi)容對象返回路徑上的節(jié)點中隨機地選擇緩存節(jié)點.隨機決策策略在一定程度上降低了內(nèi)容緩存的冗余度，但是卻無法保證緩存節(jié)點選擇的最優(yōu)性.第2類緩存機制從內(nèi)容的相關特性出發(fā)實現(xiàn)緩存的合理決策.如，文獻[8]提出了根據(jù)內(nèi)容的流行度來進行緩存決策的WAVE緩存機制，為高流行度的內(nèi)容提供更多的緩存機會.文獻[9]針對多級多域的層次型網(wǎng)絡結(jié)構(gòu)提出了一種緩存放置策略.該策略中，節(jié)點為每個內(nèi)容設置一個獨立的計數(shù)器RC，每收到一個內(nèi)容的外生請求或域間請求，則相應內(nèi)容的RC計數(shù)值加1，當內(nèi)容的RC計數(shù)值超過某個閾值時，則節(jié)點選擇該內(nèi)容進行緩存；另一方面，每個內(nèi)容的RC計數(shù)器每隔一定的時間間隔會自動減1，當計數(shù)值降為0時，則節(jié)點丟棄相應的內(nèi)容.與之類似，文獻[10]提出了一種基于優(yōu)先級的概率性緩存機制PPC，該機制中，內(nèi)容被劃分為多個數(shù)據(jù)分組，節(jié)點根據(jù)每個數(shù)據(jù)分組對于重構(gòu)內(nèi)容的重要性評估其相應的優(yōu)先級，然后結(jié)合流行度來計算各數(shù)據(jù)分組的緩存概率，確保流行度和重要性較高的數(shù)據(jù)分組獲得更大的緩存概率.該類型其他的典型機制還包括DCPCM（Dynamical Content Popularity for Cache Management）[11]，DCDS（Diverse Content Delivery Scheme）[12]，CDBPC（Content Diffusion Based Proactive Caching）[13]等.然而，這類機制往往忽略了諸如節(jié)點重要性、緩存狀態(tài)等重要信息，因此，大大影響了算法的有效性.第3類緩存機制則考慮根據(jù)節(jié)點的相關屬性來選擇最佳的緩存節(jié)點.Chai等人[14]提出利用節(jié)點重要性選擇內(nèi)容的緩存位置，設計了基于節(jié)點中心性的選擇性緩存算法Betw，選擇內(nèi)容交付路徑上介數(shù)值最大的節(jié)點作為緩存節(jié)點.然而該機制未考慮節(jié)點的可用緩存容量以及負載情況等網(wǎng)絡動態(tài)信息，而節(jié)點介數(shù)則是一個相對穩(wěn)定的屬性.因此，緩存內(nèi)容大量集中在高介數(shù)節(jié)點造成其余節(jié)點緩存資源的嚴重浪費.部分研究人員試圖結(jié)合節(jié)點和內(nèi)容的特性來改進CCN緩存決策機制的性能.如，文獻[15]提出了一種基于內(nèi)容流行度和節(jié)點等級的概率性緩存機制MPC，通過綜合考慮節(jié)點與內(nèi)容請求節(jié)點跳數(shù)距離、節(jié)點的介數(shù)中心性等信息來劃分節(jié)點的等級，然后在緩存決策時，節(jié)點將以更大的概率緩存流行度與其節(jié)點等級相匹配的內(nèi)容，從而在實現(xiàn)緩存利用率最大化的同時提高緩存內(nèi)容的多樣性.Li等人[16]則提出了一種輕量級的在線緩存機制RBCCC.該機制在考慮內(nèi)容年齡的基礎上提出了加權內(nèi)容流行度的概念，以反映內(nèi)容流行度隨時間的變化.進而，綜合利用內(nèi)容的流行度和路由介數(shù)中心性來實現(xiàn)內(nèi)容的緩存放置，通過將流行內(nèi)容盡可能地緩存在介數(shù)中心性較高的重要節(jié)點來達到提高緩存命中率、降低內(nèi)容訪問延遲的目標.然而，由于在緩存決策時缺乏對節(jié)點緩存能力的考慮，容易導致緩存內(nèi)容因緩存空間限制在響應用戶請求之前即被過早替換的無效緩存問題.Psaras等人[17]提出了一種概率性緩存機制ProbCache，綜合考慮內(nèi)容交付路徑上的累積緩存容量以及與原始內(nèi)容服務器間的距離設計了一個效用函數(shù)來實現(xiàn)緩存節(jié)點的決策.Lee等人[18]根據(jù)內(nèi)容響應路徑上節(jié)點的可用緩存容量，選擇可用緩存資源最多的節(jié)點進行內(nèi)容緩存，從而在降低緩存冗余的同時實現(xiàn)節(jié)點緩存的均勻利用.這類算法雖然考慮了節(jié)點的緩存能力，但是其問題是在網(wǎng)絡負載較大而節(jié)點緩存資源有限的情況下，多數(shù)節(jié)點的緩存都將逐漸接近并達到飽和.因此，單一地利用可用緩存空間并不一定能準確地反映節(jié)點間的緩存狀態(tài)差異.

針對現(xiàn)有CCN緩存機制存在的上述問題，本文綜合了節(jié)點的緩存占用率、緩存替換率、內(nèi)容的流行度以及剩余訂閱時間等信息來評估緩存節(jié)點選擇的合理性和內(nèi)容的緩存價值，提出了一種基于緩存壓力的選擇性緩存機制.其主要貢獻主要體現(xiàn)在以下方面：

1）設計了一種基于節(jié)點緩存壓力的緩存節(jié)點選擇算法，利用節(jié)點的緩存占用率和緩存替換率評估節(jié)點的緩存壓力，并結(jié)合內(nèi)容的流行度實現(xiàn)緩存節(jié)點的合理選擇；

2）提出了一種緩存替換算法，利用內(nèi)容的流行度以及剩余訂閱時間評估內(nèi)容的緩存價值，從而對緩存價值較低的內(nèi)容實現(xiàn)優(yōu)先替換.

1 CPBSC緩存機制

CPBSC機制主要包括2個部分：緩存節(jié)點選擇和緩存內(nèi)容替換.在緩存節(jié)點選擇算法中，我們首先估算各節(jié)點的緩存壓力（Cache Pressure，CP），內(nèi)容興趣分組在傳播過程中會記錄其轉(zhuǎn)發(fā)路徑上經(jīng)過節(jié)點的最小緩存壓力值，然后在響應數(shù)據(jù)分組返回時，再根據(jù)節(jié)點緩存壓力和內(nèi)容的流行度合理地選擇緩存節(jié)點.而在緩存節(jié)點空間不足時，則根據(jù)內(nèi)容的流行度和剩余訂閱時間對內(nèi)容的緩存價值進行排序，然后優(yōu)先丟棄緩存價值低的內(nèi)容.

1.1 緩存壓力的估計

節(jié)點的緩存狀態(tài)是緩存節(jié)點選擇的重要依據(jù)，可用緩存空間或緩存占用率是反映節(jié)點緩存狀態(tài)的常見測度之一.然而，在重負載的情況下，節(jié)點的緩存大多處于或接近飽和，即可用緩存空間為零（緩存占用率為100%）.此時，單一地通過可用緩存空間或緩存占用率無法準確地區(qū)分各個節(jié)點的實際緩存狀態(tài).考慮到節(jié)點緩存飽和時，新到達的內(nèi)容數(shù)據(jù)分組可能觸發(fā)緩存內(nèi)容的替換操作，因此，緩存替換率可以作為節(jié)點緩存狀態(tài)的補充測度，彌補可用緩存空間（或緩存占用率）在網(wǎng)絡重負載下的不足.

這樣，在網(wǎng)絡負載較輕（節(jié)點緩存未飽和）時，替換率Rep（v）可能為0，節(jié)點的緩存壓力主要由其緩存占用率決定；而在網(wǎng)絡負載較重（節(jié)點緩存已飽和）時，節(jié)點緩存占用率Occ（v）即便均接近或等于1，但節(jié)點緩存壓力仍可通過緩存替換率Rep（v）體現(xiàn)不同節(jié)點在緩存狀態(tài)上的差異.

我們在內(nèi)容的興趣分組頭部增加1個節(jié)點緩存壓力字段CPV，用來記錄節(jié)點緩存壓力的估計值，該字段初始值設為一個較大的值，如1 000.興趣分組轉(zhuǎn)發(fā)過程中，每經(jīng)過一個中間路由節(jié)點，均會將CPV的值與當前節(jié)點的緩存壓力值比較并更新為較小值.當發(fā)生緩存命中時，內(nèi)容響應節(jié)點將興趣分組CPV字段記錄的最小緩存壓力值CPmin寫入到對應的數(shù)據(jù)分組中并返回.

1.2 選擇性緩存

當響應數(shù)據(jù)分組沿著其興趣分組的反向路徑返回請求用戶節(jié)點時，將依據(jù)各中間節(jié)點的緩存壓力值和內(nèi)容的流行度選擇合適的緩存節(jié)點.這里，一方面盡可能將內(nèi)容副本緩存在緩存壓力較小的節(jié)點上，以保證節(jié)點資源的合理均勻利用；另一方面，現(xiàn)有的研究表明，用戶對內(nèi)容的請求具有一定的偏好性，且用戶請求服從Zipf分布.網(wǎng)絡中較流行（請求用戶較多）的內(nèi)容由于受關注程度較高，應該在緩存決策時得到更多的緩存機會來滿足其較大的潛在需求.

節(jié)點將當前的緩存壓力值與該閾值比較，如果節(jié)點當前緩存壓力小于該閾值則將當前節(jié)點選擇為內(nèi)容的緩存節(jié)點.否則，節(jié)點直接向下一跳節(jié)點轉(zhuǎn)發(fā)而不做緩存處理.

1.3 緩存替換

當某個節(jié)點被選定為內(nèi)容的緩存節(jié)點時，內(nèi)容副本將向緩存節(jié)點進行復制.然而，若緩存節(jié)點當前空間不足，則需進行緩存替換決策.為了保證節(jié)點緩存資源的有效利用，對內(nèi)容的緩存價值進行評估，優(yōu)先替換緩存價值較低的內(nèi)容而盡可能地延長高緩存價值內(nèi)容的緩存時間.如前所述，用戶未來對高流行度內(nèi)容的潛在需求較大，緩存高流行度的內(nèi)容能更好地為用戶后續(xù)請求提供響應服務.因此，內(nèi)容的緩存價值一方面應該與內(nèi)容的流行度成正比.這里，內(nèi)容的流行度仍然通過節(jié)點本地的請求到達率來計算.然而，用戶對內(nèi)容的請求也存在一定的時間限制，體現(xiàn)在每個興趣分組均存在一個生存時間（Time To Live，TTL），當TTL到期時，該興趣分組將被直接丟棄，相應用戶對內(nèi)容的請求也隨之失效.由于不同用戶節(jié)點生成興趣分組的時間可能不同，因而來自不同訂閱節(jié)點的對同一內(nèi)容的興趣分組也可能存在完全不同的剩余生存時間（Residual Time To Live，RTTL）.考慮到興趣分組的RTTL越短，其發(fā)生失效的可能更大，通過內(nèi)容緩存響應用戶請求服務的機會也越低，因此，我們將不同用戶節(jié)點對某一內(nèi)容的興趣分組的平均剩余生存時間作為該內(nèi)容緩存價值的另一評價依據(jù).即內(nèi)容興趣分組的平均剩余生存時間越長，其緩存價值越大，反之亦然.

節(jié)點在緩存替換決策時，首先對各個內(nèi)容的緩存價值進行計算，然后優(yōu)先替換掉其中緩存價值最低的內(nèi)容副本.

2 性能評估

為了證明CPBSC緩存機制在緩存性能上的優(yōu)勢，我們選擇了處處緩存的LCE策略、基于介數(shù)的Betw策略以及基于緩存容量的概率性緩存策略ProbCache作為CPBSC性能比較的對象，并利用ndnSIM[19]模擬器實現(xiàn)了以上4種策略的性能仿真.仿真實驗針對在緩存大小、內(nèi)容數(shù)量和Zipf參數(shù)α等網(wǎng)絡參數(shù)變化的情況下，各緩存策略主要性能指標的差異進行了定量分析和比較.本文采用的主要性能評估指標包括：

1）緩存命中率.緩存命中率是評價緩存性能的重要指標之一，它被定義為用戶請求由緩存而非原始內(nèi)容服務器響應的概率.緩存內(nèi)容的命中率越高，對應的原始內(nèi)容服務器響應率和負載就越小，系統(tǒng)的效率就越高.

2）平均接入代價.平均接入代價被定義為用戶請求找到匹配的內(nèi)容對象所需的平均跳數(shù)，它反映了用戶請求得到響應，用戶完成內(nèi)容獲取的速度.平均接入代價越小，內(nèi)容獲取速度越快，緩存系統(tǒng)效率越高.

2.1 實驗參數(shù)設置

本文利用GTITM生成了一個由50個路由節(jié)點組成的仿真網(wǎng)絡拓撲.假設用戶請求的到達過程服從泊松分布，用戶的訪問模式服從參數(shù)為α的Zipf分布.各節(jié)點緩存大小相同且初始為空.興趣分組采用洪泛方式進行轉(zhuǎn)發(fā)，除CPBSC外，其他3種緩存機制均采用LRU作為默認的緩存替換策略.其他主要參數(shù)如表1所示，在無特殊說明時，各實驗參數(shù)均取默認值.

2.2 仿真實驗結(jié)果

為了清晰地反映上述4種不同緩存機制的性能差異，在仿真實驗中，通過分別改變節(jié)點的緩存大小和內(nèi)容數(shù)量來分析緩存資源對各項性能指標的影響.然后，考慮到不同應用下用戶訪問模式的Zipf分布參數(shù)α是存在差異的，因此，我們調(diào)整α的大小來研究不同緩存機制面向不同應用時的表現(xiàn).具體實驗結(jié)果如下.

2.2.1 緩存大小的影響

本小節(jié)我們首先來研究采用不同緩存策略時系統(tǒng)緩存命中率隨網(wǎng)絡參數(shù)變化的情況，仿真結(jié)果如圖1所示.由圖1（a）可以看到，隨著節(jié)點緩存容量的增加，4種機制的緩存命中率都呈現(xiàn)出增長的趨勢.這是由于節(jié)點緩存空間增加使得內(nèi)容分組在網(wǎng)絡中的緩存時間延長，從而提高了緩存命中的概率.其中，LCE較為盲目激進的緩存策略造成嚴重的內(nèi)容冗余和頻繁的內(nèi)容更替，大大降低了系統(tǒng)的緩存性能，因此在圖中緩存命中率最低；Betw利用節(jié)點的介數(shù)優(yōu)化了緩存節(jié)點的選擇，但緩存內(nèi)容過度集中于高介數(shù)節(jié)點，導致緩存替換頻繁，影響了緩存命中性能，因此緩存命中率僅略高于LCE；ProbCache通過對內(nèi)容交付路徑上的累積緩存空間的估計來進行概率性的緩存節(jié)點選擇，一定程度上實現(xiàn)了對緩存資源的均勻利用，從而其緩存命中率高于LCE和Betw；而CPBSC獲得了四者中最優(yōu)的緩存命中性能，在節(jié)點緩存為100 MB時，其緩存命中率達到50.5%，比ProbCache、Betw和LCE分別高出約8.4%、44.7%和62.3%.

同樣，隨著節(jié)點緩存的增加，中間節(jié)點對內(nèi)容的緩存能力增強，每個內(nèi)容分組能獲得更長時間的緩存服務.這意味著用戶有更大的可能從距離較近的中間緩存節(jié)點實現(xiàn)快速的內(nèi)容獲取.因此，圖1（b）中各機制的平均接入代價均隨著節(jié)點緩存的增加而逐漸降低.其中，得益于對節(jié)點緩存壓力的準確估計以及內(nèi)容流行度的綜合考慮，CPBSC對緩存內(nèi)容的放置和替換更加合理，用戶可以更多地通過內(nèi)容緩存實現(xiàn)快速的內(nèi)容獲取，因此，CPBSC的平均接入代價最小.以節(jié)點緩存為100 MB時的情況為例，ProbCache、Betw和LCE的平均接入代價達到了6.95跳、7.84跳和9.69跳，而CPBSC僅為6.31跳，與前三者相比，分別減少了近9.2%、19.5%和34.9%.

2.2.2 內(nèi)容數(shù)量的影響

接下來，我們就內(nèi)容數(shù)量對4種緩存機制的影響進行分析，試驗結(jié)果如圖2所示.由于在節(jié)點緩存大小固定的情況下，內(nèi)容數(shù)量的增加意味著可用緩存資源的相對緊張.因此，內(nèi)容數(shù)量對緩存性能的影響實際上也是節(jié)點緩存大小與緩存性能之間關系的另一種體現(xiàn).

由圖2（a）可知，隨著內(nèi)容數(shù)量的增多，節(jié)點緩存資源越來越緊缺，4種機制的緩存命中率均出現(xiàn)了明顯下降的趨勢.然而，CPBSC始終保持了四者中最高的緩存命中率.由于LCE機制下嚴重的冗余緩存，使其即使在緩存相對充足（內(nèi)容數(shù)量為100個）時也僅獲得了57.4%的緩存命中率，而CPBSC則達到了76.3%.當內(nèi)容數(shù)量增加到5 000個時，CPBSC仍能獲得38.1%的緩存命中，相比ProbCache（33.3%）、Betw（21.5%）和LCE（16.2%）分別提高了約14.4%、77.2%和135.2%.

由圖2（b）可知，4種緩存機制的平均接入代價則隨著內(nèi)容數(shù)量的增加逐漸增大.這是由于內(nèi)容數(shù)量的增加意味著內(nèi)容緩存需求的增大，在節(jié)點緩存資源有限的情況下，緩存替換增多使得無效緩存越來越嚴重，導致通過內(nèi)容緩存加快用戶響應的作用逐漸減弱.盡管如此，CPBSC的平均接入代價明顯低于其他3種緩存機制.同樣以5 000個內(nèi)容時的情況為例，CPBSC的平均接入代價僅為7.55跳，相比ProbCache、Betw和LCE分別減少了約7.9%、18.6%和34.1%.這與上節(jié)中關于緩存大小對兩種緩存性能指標的影響的分析結(jié)果是一致的.

2.2.3 用戶訪問模式的影響

用戶對內(nèi)容的訪問具有一定的偏好性，本小節(jié)我們進一步研究用戶偏好對不同機制的緩存命中率的影響，如圖3所示.Zipf參數(shù)α越大，意味著用戶的偏好越發(fā)地向流行度高的內(nèi)容集中.由于3種緩存機制均采用了優(yōu)先保證高流行度內(nèi)容緩存時間的

相關策略，因此，由圖3（a）可見，它們的緩存命中率隨著α值的增大均呈現(xiàn)上升的趨勢.其中，CPBSC在α取不同值時的緩存命中率相比其他3種緩存機制均具有明顯的優(yōu)勢.在α取值為0.6時，CPBSC的緩存命中率相比LCE、Betw和ProbCache分別提高了約105.2%、75.2%和14.1%，而在α值增大到1.2時，其緩存命中率的提高比例也分別達到了近63.5%、19.5%和4.1%.

在平均接入代價方面，從圖3（b）中的結(jié)果可以發(fā)現(xiàn)用戶偏好性的增強導致了平均接入代價的下降.這是由于流行度高的內(nèi)容得到了較多的緩存機會，隨著α值的增大，用戶請求對高流行度內(nèi)容的偏向性使得這部分請求更多地通過中間緩存節(jié)點得到滿足，因此平均接入代價逐漸減小，響應速度提高.同樣，CPBSC的平均接入代價明顯低于其他緩存機制，獲得了最快的內(nèi)容獲取速度.

3 結(jié) 論

為了合理、充分地利用網(wǎng)絡的緩存資源，提升系統(tǒng)的緩存性能，本文提出了一種基于緩存壓力的選擇性緩存機制CPBSC.該機制利用節(jié)點的緩存占用率及替換率較準確地估計節(jié)點的緩存壓力，并結(jié)合內(nèi)容流行度實現(xiàn)了緩存內(nèi)容的合理放置.同時，根據(jù)內(nèi)容的請求率和興趣分組的剩余生存時間評估不同內(nèi)容的緩存價值，以此實現(xiàn)緩存內(nèi)容的合理替換.仿真結(jié)果表明CPBSC有效地優(yōu)化了緩存資源利用率，并顯著提高了系統(tǒng)的整體緩存性能.在今后的工作中，我們將對CPBSC在實際網(wǎng)絡環(huán)境下的性能進行驗證和優(yōu)化，同時進一步研究如何將其擴展到移動網(wǎng)絡以及其他復雜的網(wǎng)絡環(huán)境.

參考文獻

[1] JACOBSON V，SMETTERS D K，THORNTON J D，et al.Networking named content[J].Communications of the ACM，2012，55（1）：117-124.

[2] AHLGREN B，DANNEWITZ C，IMBRENDA C，et al.A survey of informationcentric networking[J].IEEE Communications Magazine，2012，50（7）：26-36.

[3] LAOUTARIS N，SYNTILA S，STAVRAKAKIS I.Meta algorithms for hierarchical web caches[C]//Proceedings of the IEEE International Performance Computing and Communications Conference （IEEE IPCCC）.Piscataway，NJ： IEEE，2004：445-452.

[4] JMAL R，F(xiàn)OURATI L C.An open flow architecture for managing contentcentricnetwork （OFAMCCN） based on popularity caching strategy[J].Computer Standards & Interfaces，2017，51：22-29.

[5] LIU T，ABOUZEID A A.Content placement and service scheduling in femtocell caching networks[C]//Proceedings of the 59th IEEE Global Communications Conference （GLOBECOM）.Piscataway，NJ： IEEE，2016：1-6.

[6] CHANG D，KWAK M，CHOI N，et al.Cflow：An efficient content delivery framework with OpenFlow[C]// Proceedings of the 28th IEEE International Conference on Information Networking（ ICOIN2014）.Washington DC： IEEE Computer Society，2014： 270-275.

[7] 胡騫，武穆清，郭嵩，等.一種用于內(nèi)容中心網(wǎng)絡的緩存隨機放置策略[J].西安電子科技大學學報（自然科學版），2014，41（6）：131-136，187.

HU Q，WU M Q，GUO S，et al.Random cache placement strategy for contentcentric networking[J].Journal of Xidian University（Natural Sciences），2014，41（6）： 131-136，187.（In Chinese）

[8] CHO K，LEE M，PARK K，et al.WAVE： Popularitybased and collaborative innetwork caching for contentoriented networks[C]//Proceedings of the IEEE INFOCOM 2012 Computer Communications Workshops.Piscataway，NJ： IEEE，2012：316-321.

[9] DOMINGUES G，EDSE S，RMM L，et al.Enabling opportunistic search and placement in cache networks[J].Computer Networks，2017，119：17-34.

[10]SIRICHOTEDUMRONG W，KUMWILASAK W，TARNOI S，et al.Prioritized probabilistic caching algorithm in content centric networks[C]//Proceedings of the 12th International Conference on Computing and Information Technology.Berlin：SpringerVerlag，2016：255-265.

[11]葛國棟，郭云飛，劉彩霞，等.CCN 中基于業(yè)務類型的多樣化內(nèi)容分發(fā)機制[J].電子學報，2016，44（5）：1124-1131.

GE G D，GUO Y F，LIU C X，et al.A diverse content delivery scheme based on traffic types in content centric networking[J].Acta Electronica Sinica，2016，44（5）：1124-1131.（In Chinese）

[12]張果，汪斌強，張震，等.基于節(jié)點動態(tài)內(nèi)容流行度的緩存內(nèi)容管理策略[J].電子學報，2016，44（11）：2703-2711.

ZHANG G，WANG B Q，ZHANG Z，et al.A strategy based on dynamical content popularity for cache management[J].Acta Electronica Sinica，2016，44（11）：2703-2711.（In Chinese）

[13]羅熹，安瑩，牛碧諾.內(nèi)容中心網(wǎng)絡中一種基于內(nèi)容擴散的主動緩存機制[J].湖南大學學報（自然科學版），2016，43（8）： 142-150.

LUO X，AN Y，NIU B N.Content diffusion based proactive caching in contentcentric networks[J].Journal of Hunan University（Natural Sciences），2016，43（8）： 142-150.（In Chinese）

[14]CHAI W K，HE D，PSARAS I，et al.Cache“l(fā)ess for more”in informationcentric networks （extended version）[J].Computer Communications，2013，36（7）：758-770.

[15]LI Y，ZHANG T，XU X，et al.Content popularity and node level matched based probability caching for content centric networks[C]//Proceedings of IEEE/CIC International Conference on Communications in China.Piscataway，NJ： IEEE，2016：1-6.

[16]LI J，WU H，LIU B，et al.RBCCC：RBCbased cascade caching scheme for contentcentric networking[J].Journal of Network & Systems Management，2017，25（2）：375-396.

[17]PSARAS I，CHAI W K，PAVLOU G.Probabilistic innetwork caching for informationcentric networks[C]//Proceedings of the 2nd ICN Workshop on InformationCentric Networking.New York： ACM，2012： 55-60.

[18]LEE J，LIM K，YOO C.Cache replacement strategies for scalable video streaming in CCN[C]// Proceedings of the 19th AsiaPacific Conference on Communications （APCC 2013）.Washington DC：IEEE Computer Society，2013： 160-165.

[19]MASTORAKIS S，AFANASYEV A，MOISEENKO I，et al.ndnSIM 2.0：A new version of the NDN simulator for NS3[R].Los Angeles：University of California，2015.http：//nameddata.net/techreport/ndn00281ndnsimv2.pdf.