信息中心网络中智能缓存机制的研究

The rapid growth of network traffic induces significant stress to the network bandwidth. By caching content to the nodes near to users, traffic in Information Centric Networking can be significantly reduced. Caching strategies determine content distribution and impact network performance. However, most existing cache strategies are reactive caching strategy which is driven by users. Caching occurs after user’s requesting and the cached content cannot be reused. In this research, we will propose an intelligent caching strategy to reduce the traffic and download time, which focus on “what to cache”, “how to cache” and “where to cache”. The research contents include: (1) The proactive caching strategy based on deep learning is studied; (2) The Multi-path parallel download and cache reuse strategy is studied; (3) The intelligent optimization mechanism based on reinforcement learning to achieving the best trade-off between storage and bandwidth is studied. The research achievements will provide theory and methods for designing caching strategies in ICN.

网络流量的快速增长对网络带宽造成巨大压力。以信息为中心的网络通过在全网节点增加缓存功能，使得内容距离用户更近，以减少网络流量。缓存策略决定了内容在网络中的时空分布，影响网络性能。然而现有缓存机制是用户驱动的被动缓存，存在缓存内容滞后和缓存内容无法复用等问题。为此，本项目以减少核心网流量和用户访问延时为目的，从缓存对象、缓存方式和缓存位置三个方面展开研究，构建智能化缓存机制，从资源优化角度提升缓存性能，实现缓存内容在网络中的合理分布。具体内容包括：(1)利用深度神经网络分析网络流量和用户请求信息，预测未来内容流行度，研究主动推送与预先缓存机制；(2)发挥网络编码在ICN中的作用，研究多路径并行下载与缓存复用机制；(3)研究基于强化学习的缓存-带宽资源联合优化机制，以提高网络资源利用率。本项目研究成果将为ICN网络中缓存与资源优化提供理论依据和方法。

随着信息中心网络及工业互联网等网络新技术与应用的兴起，对网络的通信、缓存和计算资源提出更高的需求。为此，本项目以减少网络流量和用户访问延时为目的，从内容缓存和计算卸载两个方面展开研究。在内容缓存方面，从缓存对象、缓存方式和缓存位置三个方面着手，构建高效、智能地缓存机制，从资源优化角度提升缓存性能。首先，提出一种隐式协作编码块缓存和多路径内容分发机制，提高缓存效率。实验结果表明，与处处缓存和其他两种编码缓存机制相比，本项目提出的缓存算法可以有效地提升缓存命中率，降低平均下载时延、平均下载跳数及网络流量。接着，提出一种基于推荐系统的内容流行度预测模型，然后利用深度学习预测内容在不同节点的内容流行度，为缓存决策提供重要依据。最后，提出一种基于深度强化学习的纵向协作智能缓存策略，深度强化学习的智能体以最大化本项目定义的缓存收益率为目标，根据网络状态和内容在不同节点的流行度进行缓存决策，提升整个网络缓存内容的多样性。实验结果表明，当Zipf参数设置为2时，与经典缓存算法处处缓存和随机缓存相比，缓存收益率分别提高约180%和70%。在此基础上，将内容缓存相关理论方法应用到边缘计算领域，围绕通信与计算资源重构展开研究。首先，提出一种基于深度强化学习的多用户多任务混合计算卸载策略，以降低长期系统总时延。实验结果表明，与其他四种卸载策略相比，系统总时延分别降低了约40.8%、31.1%、24.2%和15.3%。然后，提出一种基于多智能体强化学习的端边云计算卸载策略，通过部署多个智能体，为不同类型的计算任务制定全局卸载策略，实现差异化服务质量保障。实验结果表明，与其他三种将时延和能耗加权和作为优化目标的卸载策略相比，本项目提出的卸载算法可以降低系统开销、任务完成时延和终端能耗。本项目研究成果将为信息中心网络和工业互联网等新型网络应用中的通信、缓存和计算资源联合优化提供理论依据。