一種基于SDN的CCN集中控制緩存決策方法

曲樺，李巖松，劉軍，趙季紅,2，郭涯

?

一種基于SDN的CCN集中控制緩存決策方法

曲樺1，李巖松1，劉軍1，趙季紅1,2，郭涯1

（1. 西安交通大學(xué)，陜西西安 710049；2. 西安郵電大學(xué)，陜西西安 710061）

在軟件定義網(wǎng)絡(luò)（SDN）和內(nèi)容中心網(wǎng)絡(luò)（CCN）融合架構(gòu)下，為了充分利用控制層對網(wǎng)絡(luò)拓?fù)浜途彺尜Y源的全局感知，在全網(wǎng)中實(shí)現(xiàn)緩存資源的優(yōu)化使用，提出了一種集中控制的緩存決策優(yōu)化方案。在該方案中，應(yīng)用粒子群優(yōu)化算法（PSO）并且根據(jù)節(jié)點(diǎn)邊緣度、節(jié)點(diǎn)重要度以及內(nèi)容流行度對緩存資源和內(nèi)容進(jìn)行集中緩存決策，使得內(nèi)容在不同的節(jié)點(diǎn)進(jìn)行合理的緩存。仿真結(jié)果表明，通過評估緩存大小對緩存性能的影響，PSO緩存決策方法取得了比LCE、PROB緩存決策策略更優(yōu)的緩存命中率和路徑延展率，明顯降低了緩存節(jié)點(diǎn)的緩存替換數(shù)，使得緩存達(dá)到了整體緩存優(yōu)化。

軟件定義網(wǎng)絡(luò)；內(nèi)容中心網(wǎng)絡(luò)；緩存；粒子群優(yōu)化；節(jié)點(diǎn)邊緣度；節(jié)點(diǎn)重要度；內(nèi)容流行度

1 引言

隨著社交網(wǎng)絡(luò)、云存儲、視頻網(wǎng)站和數(shù)據(jù)類應(yīng)用等的流行，網(wǎng)絡(luò)呈現(xiàn)出以信息內(nèi)容為中心的發(fā)展趨勢。根據(jù)思科虛擬網(wǎng)絡(luò)指數(shù)的預(yù)測，到2018年各種形式的多媒體流量會達(dá)到網(wǎng)絡(luò)流量的90%[1]，網(wǎng)絡(luò)的使用已經(jīng)偏離了現(xiàn)有網(wǎng)絡(luò)當(dāng)初的設(shè)計(jì)原則和設(shè)想，現(xiàn)有網(wǎng)絡(luò)在安全性、移動(dòng)性、可靠性、可用性、可擴(kuò)展性等方面存在著極大的挑戰(zhàn)[2]。

面對上述問題，內(nèi)容中心網(wǎng)絡(luò)（content centric networking，CCN）[3]應(yīng)運(yùn)而生，CCN是一種能夠滿足用戶信息傳遞需求的新型體系架構(gòu)，它采用以內(nèi)容為中心的通信方式。區(qū)別于傳統(tǒng)網(wǎng)絡(luò)主機(jī)到主機(jī)的通信，用戶不再關(guān)注內(nèi)容的位置，而只關(guān)注內(nèi)容本身，傳輸模式由傳統(tǒng)通信中的“推”改為適合內(nèi)容海量傳輸?shù)摹袄保岣吡藘?nèi)容獲取的傳輸效率和網(wǎng)絡(luò)內(nèi)容資源的利用率。在CCN架構(gòu)中，網(wǎng)絡(luò)內(nèi)置緩存是其核心的思想之一，引起了研究者們的廣泛關(guān)注。

目前的緩存策略分為路徑緩存和鄰域緩存[4,5]，緩存決策使用的信息為傳輸路徑上或鄰域上節(jié)點(diǎn)和內(nèi)容的信息，雖然提高了緩存的命中率和路徑延展率，但是這些信息來源于傳輸路徑或鄰域等局部網(wǎng)絡(luò)，具有局限性。CCN中的緩存呈現(xiàn)泛在化、網(wǎng)絡(luò)化的新特征，緩存的拓?fù)浣Y(jié)構(gòu)需用任意圖的網(wǎng)狀結(jié)構(gòu)來描述，增加了數(shù)學(xué)建模和分析的難度，也使緩存協(xié)同變得更為困難[6]，節(jié)點(diǎn)在緩存決策時(shí)獨(dú)立做出決策，因此不能很好地提高緩存效率。CCN中的緩存是工作在網(wǎng)絡(luò)層的串聯(lián)設(shè)備，要求以線速執(zhí)行，因此要求緩存管理策略簡單，極大地降低了緩存的有效性。

將軟件定義網(wǎng)絡(luò)（software defined networking，SDN）[7]的概念加入CCN中，能夠有效地解決CCN中的緩存問題。SDN是一種當(dāng)下熱門的網(wǎng)絡(luò)架構(gòu)，在SDN中將網(wǎng)絡(luò)控制和數(shù)據(jù)轉(zhuǎn)發(fā)進(jìn)行解耦，數(shù)據(jù)層由網(wǎng)絡(luò)基礎(chǔ)設(shè)備組成，僅提供簡單的數(shù)據(jù)轉(zhuǎn)發(fā)功能，可以快速處理匹配的數(shù)據(jù)分組；控制層具有邏輯中心化和可編程的控制器，掌握全局網(wǎng)絡(luò)信息。兩層之間采用開放的統(tǒng)一接口進(jìn)行交互。控制器通過標(biāo)準(zhǔn)接口向網(wǎng)絡(luò)基礎(chǔ)設(shè)備下發(fā)統(tǒng)一標(biāo)準(zhǔn)規(guī)則，網(wǎng)絡(luò)基礎(chǔ)設(shè)備僅需按照這些規(guī)則執(zhí)行相應(yīng)的動(dòng)作即可。因此SDN具有動(dòng)態(tài)管理和編程控制網(wǎng)絡(luò)的能力。將SDN和CCN進(jìn)行融合，既可以發(fā)揮SDN邏輯中心化和集中控制的優(yōu)勢，又可以發(fā)揮CCN在內(nèi)容獲取方面的優(yōu)勢。最近，研究者們發(fā)表了很多關(guān)于SDN和CCN融合的科研成果[8-10]，在SDN和CCN的融合架構(gòu)下，緩存決策有了更加高效和智能的方法。粒子群優(yōu)化（particle swarm optimization，PSO）算法[11]是近年來發(fā)展起來的一種新的群智能優(yōu)化算法，是通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解，粒子群算法簡單、容易實(shí)現(xiàn)，并且沒有過多參數(shù)需要調(diào)整。

本文在SDN和CCN融合架構(gòu)下，提出了一種基于SDN的CCN下的緩存決策方法，利用控制器具有邏輯中心化以及對全網(wǎng)感知的優(yōu)勢，根據(jù)全局網(wǎng)絡(luò)拓?fù)浜途W(wǎng)絡(luò)內(nèi)容的信息，對內(nèi)容和緩存進(jìn)行集中和整體的優(yōu)化；控制器周期性地對緩存信息進(jìn)行統(tǒng)計(jì)，并在接收到數(shù)據(jù)層緩存請求后進(jìn)行緩存決策；本方法還將節(jié)點(diǎn)的重要度和邊緣度以及內(nèi)容的流行度對節(jié)點(diǎn)和內(nèi)容進(jìn)行整體的數(shù)學(xué)建模，并應(yīng)用粒子群優(yōu)化算法進(jìn)行優(yōu)化。仿真結(jié)果表明，通過控制層對內(nèi)容的集中緩存決策，使得內(nèi)容在不同的節(jié)點(diǎn)進(jìn)行合理的緩存，相比于傳統(tǒng)網(wǎng)絡(luò)的緩存方法，PSO緩存決策方法明顯地提高了緩存命中率、降低了路徑延展率，并且能夠極大地降低緩存替換數(shù)。

2 相關(guān)研究

內(nèi)置緩存技術(shù)是信息中心網(wǎng)絡(luò)（information centric networking，ICN）的關(guān)鍵技術(shù)，它充分利用網(wǎng)內(nèi)緩存資源，節(jié)約網(wǎng)內(nèi)帶寬，改善整體網(wǎng)絡(luò)性能。CCN最初采用的處處緩存（leave copy everywhere，LCE）機(jī)制[3]，將請求內(nèi)容緩存到沿途傳輸?shù)乃泄?jié)點(diǎn)中，該方法會產(chǎn)生大量的冗余副本，對緩存空間的利用率不高。

針對傳統(tǒng)緩存機(jī)制的弊端，Bernardini等人[12]將突破點(diǎn)放在內(nèi)容的流行度上，提出了一種基于內(nèi)容流行度（most popular content，MPC）的緩存管理策略，即節(jié)點(diǎn)只緩存流行度高的內(nèi)容。這可以減少每個(gè)節(jié)點(diǎn)的緩存負(fù)載，實(shí)現(xiàn)了高緩存命中率，提高了網(wǎng)絡(luò)資源的利用率。但是該方案也沒有考慮內(nèi)容流行度的實(shí)時(shí)性問題。參考文獻(xiàn)[4]提出了一種基于加權(quán)概率的緩存機(jī)制，返回路徑中沿途節(jié)點(diǎn)緩存內(nèi)容的概率與節(jié)點(diǎn)和用戶的距離成反比，此方法提高了內(nèi)容在用戶附近節(jié)點(diǎn)緩存的概率，但是也增加了不同內(nèi)容在邊緣緩存處的競爭。參考文獻(xiàn)[5]提出了基于中介中心度的緩存策略，用戶請求通過中介中心度大的節(jié)點(diǎn)的概率比較高，通過在中介中心度高的節(jié)點(diǎn)處緩存內(nèi)容可以提高緩存命中率，但內(nèi)容在中介中心度大的節(jié)點(diǎn)處的替換率較高，反而降低了緩存命中率。

黃勝等人[13]將節(jié)點(diǎn)分為兩類：“邊緣”類節(jié)點(diǎn)和“核心”類節(jié)點(diǎn)，提出了一種基于節(jié)點(diǎn)分類（based node classification，BNC）的數(shù)據(jù)存儲策略，對不同類型的節(jié)點(diǎn)按照不同的存儲策略進(jìn)行存儲，并考慮用戶請求數(shù)據(jù)時(shí)的實(shí)時(shí)性。數(shù)據(jù)的緩存位置由節(jié)點(diǎn)位置與數(shù)據(jù)在節(jié)點(diǎn)中的流行度共同決定，適合層次化結(jié)構(gòu)網(wǎng)絡(luò)。當(dāng)多用戶同時(shí)請求內(nèi)容時(shí)，不同的下載速度會降低緩存命中率，為此，Sasano等人[14]在流量控制下對多用戶的內(nèi)容下載進(jìn)行了仿真，發(fā)現(xiàn)通過延長節(jié)點(diǎn)上內(nèi)容的緩存時(shí)間，可以提高CCN中多用戶同時(shí)請求內(nèi)容的下載完成時(shí)間，但是它只在含有兩個(gè)用戶的簡單拓?fù)渲袑?shí)現(xiàn)。

引入“協(xié)作”概念，Wang等人[15]提出了一種自治系統(tǒng)域內(nèi)協(xié)作的緩存模式，在自治系統(tǒng)內(nèi)進(jìn)行問題的構(gòu)建，消除鄰域節(jié)點(diǎn)中的緩存冗余，并提出當(dāng)用戶請求未得到響應(yīng)時(shí)，向鄰域節(jié)點(diǎn)發(fā)出請求。這種方法充分利用了網(wǎng)內(nèi)資源，但向鄰居節(jié)點(diǎn)周期性地發(fā)送通告以及AS內(nèi)緩存冗余的消除，則需要額外的系統(tǒng)開銷。SDN架構(gòu)具有全局視野，通過集中控制對網(wǎng)絡(luò)的邏輯控制功能和高層策略靈活地進(jìn)行動(dòng)態(tài)、優(yōu)化配置，進(jìn)而實(shí)現(xiàn)網(wǎng)絡(luò)資源的優(yōu)化配置。借助SDN的優(yōu)勢，雷方元等人[16]提出了一種基于SDN的ICN高效緩存機(jī)制，將網(wǎng)絡(luò)中的緩存節(jié)點(diǎn)根據(jù)社團(tuán)重要度劃分成重要度不一的社團(tuán)，利用SDN控制面感知全網(wǎng)狀態(tài)，SDN控制器根據(jù)感知網(wǎng)絡(luò)社團(tuán)的重要性和社團(tuán)網(wǎng)絡(luò)節(jié)點(diǎn)的重要度來取定緩存位置策略，并在此基礎(chǔ)上生成概率替換策略。在這種方法中，重要度較高的社團(tuán)負(fù)載比較大，同時(shí)也存在較大的緩存后路由代價(jià)。

基于傳統(tǒng)緩存機(jī)制的弊端，研究者通過尋找不同的創(chuàng)新點(diǎn)，突破原始的緩存框架，借鑒了不同的解決方法，引入了新穎的概念思路，從沿路緩存到旁路緩存，從非協(xié)作模式到協(xié)作模式，從分布式獨(dú)立運(yùn)行到集中控制，緩存機(jī)制的性能得到很大的提高，網(wǎng)絡(luò)的整體性能也得到了充分的發(fā)揮。本文在SDN和CCN融合架構(gòu)下，提出了一種在路徑域上對內(nèi)容進(jìn)行集中緩存決策的方法，通過SDN控制層對全局的感知和集中控制，將內(nèi)容合理地緩存在不同節(jié)點(diǎn)上，能夠有效地提高網(wǎng)絡(luò)中緩存的利用率。

3 基于SDN的CCN緩存決策方法

3.1 相關(guān)定義

定義1 （節(jié)點(diǎn)重要度）交換機(jī)在接收到控制器下發(fā)的流表時(shí)，對下發(fā)的流表信息進(jìn)行統(tǒng)計(jì)，根據(jù)交換機(jī)統(tǒng)計(jì)的信息可以得到每個(gè)內(nèi)容的路由路徑經(jīng)過此交換機(jī)的次數(shù)，次數(shù)越多則節(jié)點(diǎn)對于該內(nèi)容的重要度越大。用表示節(jié)點(diǎn)對于內(nèi)容的重要度，并將其歸一化，可表示為，表示節(jié)點(diǎn)對于內(nèi)容的最大節(jié)點(diǎn)重要度。節(jié)點(diǎn)重要度能夠真實(shí)地反映出不同緩存節(jié)點(diǎn)對于內(nèi)容的請求次數(shù)，次數(shù)越多，節(jié)點(diǎn)對于該內(nèi)容的重要度越大。

定義2 （節(jié)點(diǎn)邊緣度）控制器進(jìn)行緩存決策時(shí)應(yīng)用了節(jié)點(diǎn)邊緣度的概念，節(jié)點(diǎn)離用戶越近，邊緣度越大。將內(nèi)容緩存在節(jié)點(diǎn)邊緣度較大的節(jié)點(diǎn)，則用戶終端請求該節(jié)點(diǎn)內(nèi)容時(shí)的時(shí)延更短，能夠?yàn)橛脩籼峁└玫挠脩趔w驗(yàn)。節(jié)點(diǎn)的邊緣度定義為，表示節(jié)點(diǎn)距離內(nèi)容服務(wù)器的跳數(shù)。節(jié)點(diǎn)的邊緣度歸一化可表示為，表示所有節(jié)點(diǎn)中最大的邊緣度。

定義3（內(nèi)容流行度）每個(gè)節(jié)點(diǎn)通過對內(nèi)容請求分組的統(tǒng)計(jì)，得到每個(gè)內(nèi)容的請求次數(shù)，將節(jié)點(diǎn)在一個(gè)周期內(nèi)的內(nèi)容請求次數(shù)作為內(nèi)容在該節(jié)點(diǎn)處的內(nèi)容流行度。內(nèi)容流行度越大，說明內(nèi)容在該節(jié)點(diǎn)處將來被請求的概率越大。用表示內(nèi)容在節(jié)點(diǎn)處的流行度，其歸一化為，表示內(nèi)容在節(jié)點(diǎn)處的最大流行度。

網(wǎng)絡(luò)內(nèi)置緩存的功能由網(wǎng)絡(luò)內(nèi)的節(jié)點(diǎn)承載，根據(jù)現(xiàn)有網(wǎng)絡(luò)研究，網(wǎng)絡(luò)呈冪律分布[17]，因此，節(jié)點(diǎn)在網(wǎng)絡(luò)拓?fù)渲刑幱诓煌恢?，?dǎo)致了節(jié)點(diǎn)在網(wǎng)絡(luò)中的重要程度不同，而節(jié)點(diǎn)的重要程度決定了緩存的價(jià)值，當(dāng)節(jié)點(diǎn)處于重要位置時(shí)，緩存的價(jià)值就更大，內(nèi)容緩存在該位置被命中的概率就更大。本文中的節(jié)點(diǎn)重要度不僅考慮節(jié)點(diǎn)在網(wǎng)絡(luò)中的位置，還考慮了內(nèi)容的請求路徑。節(jié)點(diǎn)邊緣度反映了網(wǎng)絡(luò)拓?fù)渲泄?jié)點(diǎn)離用戶的遠(yuǎn)近程度，內(nèi)容傾向于緩存距離用戶比較近的節(jié)點(diǎn)。通過節(jié)點(diǎn)重要度和節(jié)點(diǎn)邊緣度甄別出價(jià)值更大的緩存。內(nèi)容流行度則體現(xiàn)了每個(gè)節(jié)點(diǎn)對于不同內(nèi)容的需求，內(nèi)容流行度越高，則說明內(nèi)容在此節(jié)點(diǎn)的需求就越大。本文中，SDN控制器通過感知全網(wǎng)拓?fù)湫畔?，?jì)算節(jié)點(diǎn)重要度、節(jié)點(diǎn)邊緣度以及內(nèi)容流行度等參數(shù)信息，并將其轉(zhuǎn)化為PSO模型的輸入，經(jīng)過該算法決策后，輸出為一個(gè)或多個(gè)內(nèi)容的最優(yōu)緩存節(jié)點(diǎn)。所以，PSO和SDN之間存在著很強(qiáng)的依賴關(guān)系。

3.2 緩存決策機(jī)制

基于SDN的CCN緩存決策實(shí)施流程如圖1所示，控制層中的控制器負(fù)責(zé)數(shù)據(jù)層緩存信息的收集以及緩存決策，數(shù)據(jù)層中的交換機(jī)負(fù)責(zé)對信息的統(tǒng)計(jì)以及執(zhí)行控制器緩存決策后的緩存動(dòng)作?？刂茖雍蛿?shù)據(jù)層之間通過OpenFlow協(xié)議進(jìn)行通信。SDN控制器和CCN節(jié)點(diǎn)的通信通過OpenFlow協(xié)議進(jìn)行交互，采用CCN方式，通過流表下發(fā)告知CCN交換節(jié)點(diǎn)緩存決策結(jié)果。

數(shù)據(jù)層中的交換機(jī)實(shí)時(shí)地對緩存信息進(jìn)行統(tǒng)計(jì)，交換機(jī)中包含以下兩張表：節(jié)點(diǎn)重要度表，記錄各個(gè)內(nèi)容經(jīng)過此交換機(jī)的路由路徑數(shù)量，主要包括內(nèi)容名和路由路徑數(shù)量兩項(xiàng)；內(nèi)容流行度表，記錄各個(gè)內(nèi)容的請求次數(shù)，包括內(nèi)容名和請求次數(shù)兩項(xiàng)。除了收集信息外，交換機(jī)還負(fù)責(zé)執(zhí)行緩存決策后緩存的動(dòng)作，當(dāng)數(shù)據(jù)層的交換機(jī)接收到內(nèi)容分組后，首先對內(nèi)容分組進(jìn)行判斷，若內(nèi)容分組已標(biāo)記為已記錄緩存決策結(jié)果，則從內(nèi)容分組中讀取緩存決策結(jié)果，并判斷緩存結(jié)果是否有自身節(jié)點(diǎn)，若有，則緩存該內(nèi)容，若沒有，則繼續(xù)傳輸該內(nèi)容分組；若內(nèi)容分組未標(biāo)記，說明該內(nèi)容分組中沒有緩存決策結(jié)果，則交換機(jī)向控制器發(fā)送包含該內(nèi)容名的緩存決策請求。例如，當(dāng)用戶c1發(fā)出內(nèi)容請求后，請求沿著s1→s3→ s5→s9→s16路徑進(jìn)行傳輸，最后在交換機(jī)s16處命中，s16沿著原路徑發(fā)出內(nèi)容分組，因?yàn)槭鞘状握埱?，該?nèi)容分組未標(biāo)記，所以s16會向控制層發(fā)出請求決策消息，控制器通過粒子群優(yōu)化算法計(jì)算后，通過流表下發(fā)，將緩存決策結(jié)果發(fā)送給s16，s16隨后將該內(nèi)容標(biāo)記為已決策，并將緩存結(jié)果封裝到該內(nèi)容分組中，處理完畢后，將內(nèi)容分組發(fā)出，沿原路徑返回，s16、s9、s5、s3、s1依次讀取該內(nèi)容分組中的緩存結(jié)果，若緩存結(jié)果中包含自身節(jié)點(diǎn)，則緩存該內(nèi)容并繼續(xù)傳輸，反之則不緩存，只需繼續(xù)傳輸該內(nèi)容分組即可，最終將該內(nèi)容返回給用戶c1。

控制層中的控制器周期性地收集緩存信息節(jié)點(diǎn)重要度和內(nèi)容流行度，并根據(jù)網(wǎng)絡(luò)拓?fù)淠K提供的信息計(jì)算每個(gè)節(jié)點(diǎn)的節(jié)點(diǎn)邊緣度。當(dāng)控制器接收到數(shù)據(jù)層的緩存決策請求后，首先判斷相關(guān)內(nèi)容是否有緩存結(jié)果，若沒有，則根據(jù)緩存信息進(jìn)行粒子群優(yōu)化算法，得到結(jié)果后將結(jié)果下發(fā)給提出緩存決策請求的交換機(jī)；若有，則直接將結(jié)果下發(fā)給交換機(jī)。

3.3 緩存決策目標(biāo)模型

通過節(jié)點(diǎn)重要度和節(jié)點(diǎn)邊緣度將網(wǎng)絡(luò)拓?fù)渲械墓?jié)點(diǎn)分為重要節(jié)點(diǎn)和非重要節(jié)點(diǎn)，通過內(nèi)容流行度也將內(nèi)容進(jìn)行區(qū)分，通過將不同流行度的內(nèi)容合理地緩存在不同重要程度的節(jié)點(diǎn)中，可以明顯地優(yōu)化節(jié)點(diǎn)緩存。其優(yōu)化過程充分利用SDN和CCN融合架構(gòu)下邏輯中心化的優(yōu)勢，對節(jié)點(diǎn)和內(nèi)容應(yīng)用粒子群優(yōu)化算法進(jìn)行集中的優(yōu)化處理，將不同流行度的內(nèi)容合理地緩存在不同重要程度的節(jié)點(diǎn)。其優(yōu)化單位為內(nèi)容的傳輸路徑，對路徑上的節(jié)點(diǎn)和內(nèi)容進(jìn)行集中緩存決策。

根據(jù)節(jié)點(diǎn)重要度和節(jié)點(diǎn)邊緣度以及內(nèi)容流行度對緩存決策進(jìn)行數(shù)學(xué)建模。節(jié)點(diǎn)重要度高的節(jié)點(diǎn)代表內(nèi)容的路由路徑數(shù)量多，內(nèi)容請求經(jīng)過此節(jié)點(diǎn)的概率比其他節(jié)點(diǎn)大，邊緣節(jié)點(diǎn)為節(jié)點(diǎn)邊緣度比較高的節(jié)點(diǎn)，緩存在此節(jié)點(diǎn)的內(nèi)容被請求時(shí)可以為用戶提供較低的時(shí)延。將流行度較高的內(nèi)容緩存在節(jié)點(diǎn)重要度和節(jié)點(diǎn)邊緣度高的節(jié)點(diǎn)，將流行度較低的內(nèi)容緩存在節(jié)點(diǎn)重要度和節(jié)點(diǎn)邊緣度低的節(jié)點(diǎn)，能夠明顯地優(yōu)化緩存決策。根據(jù)以上分析得到將內(nèi)容緩存在節(jié)點(diǎn)的優(yōu)化函數(shù)為：

（2）

其中，表示路徑上節(jié)點(diǎn)的集合，C表示節(jié)點(diǎn)上緩存內(nèi)容的集合。

3.4 緩存決策算法

具有代表性的CCN緩存決策算法有LCE算法、PROB算法，在用戶內(nèi)容請求初期，能夠表現(xiàn)出較快的響應(yīng)速度，但隨著用戶內(nèi)容請求的增加，帶來較高的緩存替換率，會造成較高的時(shí)延。而PSO可以同時(shí)對多個(gè)內(nèi)容進(jìn)行緩存決策，將多個(gè)內(nèi)容合理地緩存到緩存節(jié)點(diǎn)上，提高了緩存效率，雖然緩存決策過程需要一定的決策時(shí)間，但從整體上來看，PSO能夠滿足用戶內(nèi)容請求的實(shí)時(shí)性要求。

控制器接收到緩存決策請求后，根據(jù)收集到的緩存信息以及內(nèi)容傳輸路徑上的節(jié)點(diǎn)，采用PSO進(jìn)行緩存決策優(yōu)化過程，PSO應(yīng)用的具體過程如下。

（1）定義編碼方式

緩存策略的優(yōu)化變量是內(nèi)容類，對路徑上節(jié)點(diǎn)統(tǒng)計(jì)的內(nèi)容按照內(nèi)容流行度進(jìn)行排序，并且根據(jù)排序?qū)?nèi)容進(jìn)行分類，每個(gè)類中包含一定數(shù)量的流行度相近的內(nèi)容。PSO根據(jù)適應(yīng)度函數(shù)將路徑上的節(jié)點(diǎn)和分類后的內(nèi)容集進(jìn)行匹配，PSO中的每個(gè)粒子包括3個(gè)組成部分：位置、速度和適應(yīng)度值。針對第個(gè)粒子，采用整數(shù)編碼，其編碼形式為：

（2）初始化粒子群

隨機(jī)初始化所有粒子的位置和速度，根據(jù)粒子的最大速度，在速度域值內(nèi)隨機(jī)選擇一個(gè)值作為粒子的初始化速度，根據(jù)內(nèi)容集合編號，在內(nèi)容集合編號值域內(nèi)隨機(jī)選擇值作為粒子的初始化位置，將其作為每個(gè)粒子的最優(yōu)解，通過搜索粒子群得到全局最優(yōu)解。

（3）位置、速度更新策略

根據(jù)粒子群的最優(yōu)解和每個(gè)粒子的局部最優(yōu)解更新每個(gè)粒子的速度，通過粒子的速度對粒子群中的每個(gè)粒子進(jìn)行位置的更新，從而進(jìn)入下代粒子群。粒子的速度和位置更新公式為：

（5）

（4）解碼策略和收斂性檢查

由于標(biāo)準(zhǔn)PSO適用于求解連續(xù)解空間問題，可以將粒子由連續(xù)非整型變量轉(zhuǎn)化為離散整型變量，方法是將非整數(shù)解碼為最相近的整數(shù)值。由于PSO收斂速度較快，判斷收斂的方法為：可以預(yù)先定義最大迭代次數(shù)來判斷；判斷全局最優(yōu)解在特定的迭代次數(shù)之內(nèi)沒有變化則收斂。

4 實(shí)驗(yàn)仿真與結(jié)果分析

4.1 仿真環(huán)境和性能評價(jià)指標(biāo)

本文使用ndnSIM仿真工具，并用C++編程實(shí)現(xiàn)了SDN和CCN融合架構(gòu)的內(nèi)容傳輸模型以及CCN內(nèi)容傳輸模型。為了驗(yàn)證PSO緩存策略方法是否達(dá)到預(yù)期效果，選擇CCN中具有代表性的LCE、PROB兩種緩存策略作為對比。主要仿真參數(shù)設(shè)置見表1。

表1 主要仿真參數(shù)設(shè)置

盡管CCN支持多徑路由傳輸，本文僅在單徑路由前提下對緩存策略進(jìn)行性能分析，并采取以下測量參數(shù)作為性能評價(jià)指標(biāo)。

（1）緩存命中率

緩存命中率（CHR）越高，表示緩存響應(yīng)用戶緩存請求的概率就越大，從而提升緩存系統(tǒng)效率，改善網(wǎng)絡(luò)負(fù)載?？杀硎緸椋?/p>

（2）路徑延展

路徑延展（PS）反映了用戶請求得到響應(yīng)的節(jié)點(diǎn)距離用戶的遠(yuǎn)近，PS越低，表示響應(yīng)用戶請求的節(jié)點(diǎn)離用戶越近，這不僅能夠明顯改善用戶的體驗(yàn)，而且能有效降低網(wǎng)絡(luò)負(fù)載?？杀硎緸椋?/p>

（3）緩存替換數(shù)

通常情況下，網(wǎng)內(nèi)緩存容量有限，遠(yuǎn)遠(yuǎn)小于內(nèi)容的大小，這勢必會產(chǎn)生大量的替換操作。替換操作不僅會消耗計(jì)算資源，還會導(dǎo)致緩存副本在節(jié)點(diǎn)的存活時(shí)間太短，從而影響緩存命中率。因此減少緩存命中率（CRN）也是一個(gè)需要考慮的問題。

4.2 仿真結(jié)果

當(dāng)緩存大小變化時(shí)，觀察LCE、PROB、PSO 3種緩存決策策略的緩存命中率、路徑延展和緩存替換數(shù)的變化情況。

緩存命中率隨節(jié)點(diǎn)緩存大小的變化情況如圖2所示，其中橫坐標(biāo)表示緩存與內(nèi)容的比率，即每個(gè)節(jié)點(diǎn)的緩存大小除以內(nèi)容數(shù)。假設(shè)內(nèi)容集合為1~100共100個(gè)，緩存大小為1（1個(gè)緩存單元緩存1個(gè)內(nèi)容），則緩存與內(nèi)容的比率為1%。由圖2可知，隨著節(jié)點(diǎn)緩存的不斷增大，3種機(jī)制的緩存命中率不斷提高，而PSO取得了明顯高于其他2種機(jī)制的緩存命中率。路徑延展率隨節(jié)點(diǎn)緩存大小的變化情況如圖3所示，由圖3可知，隨著節(jié)點(diǎn)緩存的不斷增大，3種機(jī)制的路徑延展率不斷降低，PSO的路徑延展率取得了更好的結(jié)果。與傳統(tǒng)的2種緩存策略機(jī)制相比，PSO對路徑域上的節(jié)點(diǎn)和內(nèi)容進(jìn)行集中緩存決策，不僅實(shí)現(xiàn)了節(jié)點(diǎn)之間的有效協(xié)同，還對內(nèi)容在節(jié)點(diǎn)上進(jìn)行了更加合理的布局，因此在緩存命中率和路徑延展率方面取得了更好的效果。

緩存替換數(shù)隨節(jié)點(diǎn)緩存大小的變化情況如圖4所示。由圖4可知，當(dāng)節(jié)點(diǎn)緩存不斷增大時(shí)，3種緩存機(jī)制的緩存替換數(shù)不斷減小，而PSO相比其他2種緩存決策機(jī)制取得了更穩(wěn)定和更優(yōu)的結(jié)果。PSO緩存決策方法周期性地根據(jù)目標(biāo)模型對緩存進(jìn)行集中決策，能夠合理地將內(nèi)容緩存在相應(yīng)的節(jié)點(diǎn)上，有效地減少了內(nèi)容的替換。

5 結(jié)束語

本文在SDN和CCN融合架構(gòu)下，提出了一種利用SDN框架全局感知和集中控制優(yōu)勢的PSO緩存決策方法，并在該方法中引入節(jié)點(diǎn)重要度、節(jié)點(diǎn)邊緣度以及內(nèi)容流行度的概念，通過問題構(gòu)建對路徑域上的內(nèi)容進(jìn)行集中的緩存決策，同時(shí)考慮了節(jié)點(diǎn)之間的協(xié)同和內(nèi)容在節(jié)點(diǎn)上的合理分布。SDN和CCN結(jié)合的網(wǎng)絡(luò)架構(gòu)，是未來網(wǎng)絡(luò)研究的一個(gè)方向，要實(shí)現(xiàn)和現(xiàn)網(wǎng)的融合，可以將CCN的通信模式改為傳統(tǒng)IP方式，這個(gè)問題的解決可以采用散列的方法[18]。此外，仿真結(jié)果表明，PSO緩存決策方法隨著節(jié)點(diǎn)緩存大小的變化都表現(xiàn)出了比其他2種緩存決策策略更好的緩存性能。雖然本文提出的緩存決策方法充分考慮了內(nèi)容感知和集中控制的優(yōu)勢，對路徑域內(nèi)進(jìn)行了集中優(yōu)化，但是仍然屬于局部的整體優(yōu)化，在全局內(nèi)整體進(jìn)行緩存優(yōu)化則能取得更好的緩存性能。下一步將考慮在全局范圍內(nèi)利用路由和緩存進(jìn)行聯(lián)合優(yōu)化。

[1] INDEX V N. Cisco visual networking index: forecast and methodology, 2010-2015[J]. White Paper Cisco Systems Inc, 2011: 1-16.

[2] FELDMANN A. Internet clean-slate design: what and why?[J]. Acm Sigcomm Computer Communication Review, 2007, 37(3): 59-64.

[3] JACOBSON V, SMETTERS D K, THORNTON J D, et al. Networking named content[C]// International Conference on Emerging Networking Experiments and Technologies, December 1-4, 2009, Rome, Italy. New York: ACM Press, 2009: 117-124.

[4] PSARAS I, CHAI W K, PAVLOU G. Probabilistic in-network caching for information-centric networks[C]// Edition of the ICN Workshop on Information-Centric Networking, August 13-17, 2012, Helsinki, Finland. New York: ACM Press, 2012:55-60.

[5] WEI K C, DILIANG H, IOANNIS P, et al. Cache “l(fā)ess for more” in information-centric networks[M]. Berlin: Springer Berlin Heidelberg, 2012.

[6] ZHANG G Q, YANG L I, TAO L, et al. Survey of in-network caching techniques in information-centric networks[J]. Journal of Software, 2014, 25(1): 154-175.

[7] ONF. Software-defined networking: the new norm for networks[S/OL]. (2012-04-13)[2017-01-17]. http://bigswitchnet works.com/sites/default/files/sdn_resources/onf-whitepaper.pdf.

[8] EUM S, JIBIKI M, MURATA M, et al. A design of an ICN architecture within the framework of SDN[C]// International Conference on Ubiquitous and Future Networks, July 7-10, 2015,Sapporo, Japan. New Jersey: IEEE Press, 2015: 141-146.

[9] VELTRI L, MORABITO G, SALSANO S, et al. Supporting information-centric functionality in software defined networks[C]// IEEE International Conference on Communications, June 10-15, 2012, Ottawa, Canada. New Jersey: IEEE Press, 2012: 6645-6650.

[10] SUN Q, WANG W, HU Y, et al. SDN-based autonomic CCN traffic management[C]// GLOBECOM Workshops, December 8-12, 2014, Austin, USA. New Jersey: IEEE Press, 2015: 183-187.

[11] 楊維, 李歧強(qiáng). 粒子群優(yōu)化算法綜述[J]. 中國工程科學(xué), 2004, 6(5): 87-94.

YANG W, LI Q Q. Survey on particle swarm optimization algorithm[J]. Engineering Sciences, 2004, 6(5): 87-94.

[12] BERNARDINI C, SILVERSTON T, FESTOR O. Cache management strategy for CCN based on content popularity[M]. Berlin: Springer Berlin Heidelberg, 2013.

[13] 黃勝, 滕明埝, 吳震, 等. 命名數(shù)據(jù)網(wǎng)絡(luò)中一種基于節(jié)點(diǎn)分類的數(shù)據(jù)存儲策略[J]. 計(jì)算機(jī)研究與發(fā)展, 2016(6): 1281-1291.

HUANG S, TENG M N, Wu Z, et al. A data caching scheme based on node classification in named dtat networking[J]. Journal of Computer Research and Development, 2016(6): 1281-1291.

[14] SASANO K, BANDAI M, YAMAMOTO M. A cache management method for simultaneous downloading from multiple receivers for content centric networking[C]// International Conference on Advanced Information Networking and Applications Workshops, March 23-25, 2016, Crans-Montana, Switzerland. New Jersey: IEEE Press, 2016: 872-877.

[15] WANG J M, ZHANG J, BENSAOU B. Intra-AS cooperative caching for content-centric networks[C]// ACM Sigcomm Workshop on Information-Centric Networking, August 12-16, Hong Kong, China. New York: ACM Press, 2013: 61-66.

[16] 雷方元, 蔡君, 羅建楨, 等. 一種基于SDN的ICN高效緩存機(jī)制[J]. 計(jì)算機(jī)科學(xué), 2016, 43(8): 74-78.

LEI F Y, CAI J, LUO J Z, et al. Efficient caching mechanism based on soft defined information-centric networks[J]. Computer Science, 2016, 43(8): 74-78.

[17] BARABASI A L, ALBERT R. Emergence of scaling in random networks[J]. Science, 1999, 286(5439): 509.

[18] OOKA A, ATA S, KOIDE T, et al. OpenFlow-based content-centric networking architecture and router implementation[C]// Future Network and Mobile Summit, July 3-5, 2013, Lisbon, Portugal. New Jersey: IEEE Press, 2013: 1-10.

A method of CCN centralized control cache decision based on SDN

QU Hua1, LI Yansong1, LIU Jun1, ZHAO Jihong1,2, GUO Ya1

1. Xi’an Jiaotong University, Xi’an 710049, China 2. Xi’an University of Posts and Telecommunications, Xi’an 710061, China

In the software defined networking and content centric networking integration framework, a cache optimization scheme of centralized control was proposed to make full use of global awareness of the control layer for network topology and cache resources, and achieve the optimal use of caching resources in the entire network. In this scheme, the particle swarm optimization (PSO) was applied for centralized cache decision-making depending on node edge degree, node importance degree and content popularity. Therefore, the contents were cached in different nodes reasonably. Simulation result shows that the proposed PSO caching scheme achieves larger cache hit rate and lower path stretch than that of LCE scheme, PROB scheme by evaluating the impact of cache size and content popularity on the caching performance. It also shows that PSO scheme significantly reduces the number of cache nodes to replace the cache, making the cache to achieve the overall cache optimization.

software defined networking, content centric networking, caching, particle swarm optimization, node edge degree, node importance degree, content popularity

TN915.9

A

10.11959/j.issn.1000?0801.2017132

2017?01?17；

2017?05?07

國家自然科學(xué)基金資助項(xiàng)目（No.61371087，No.61531013）；教育部—中國移動(dòng)科研基金資助項(xiàng)目（No.MCM20150102）

The National Natural Science Foundation of China (No.61371087, No.61531013), Joint Research Foundation of Ministry of Education and China Mobile (No.MCM20150102)

曲樺（1961?），男，博士，西安交通大學(xué)教授、博士生導(dǎo)師，主要研究方向?yàn)楝F(xiàn)代通信網(wǎng)、計(jì)算機(jī)網(wǎng)絡(luò)體系結(jié)構(gòu)。

李巖松（1992?），男，西安交通大學(xué)碩士生，主要研究方向?yàn)榛谲浖x網(wǎng)絡(luò)的內(nèi)容中心網(wǎng)絡(luò)及其緩存策略。

劉軍（1989?），男，西安交通大學(xué)碩士生，主要研究方向?yàn)榛谲浖x網(wǎng)絡(luò)的內(nèi)容中心網(wǎng)絡(luò)及其緩存策略。

趙季紅（1963?），女，博士，西安交通大學(xué)、西安郵電大學(xué)教授，主要研究方向?yàn)閷拵ㄐ啪W(wǎng)、新一代網(wǎng)絡(luò)的管理與控制。

郭涯（1991?），男，西安交通大學(xué)博士生，主要研究方向?yàn)檐浖x網(wǎng)絡(luò)、網(wǎng)絡(luò)虛擬化。