王興偉，王子健，李福亮，黃 敏

(1. 東北大學 軟件學院， 遼寧 沈陽 110004； 2. 東北大學 計算機科學與工程學院， 遼寧 沈陽 110004；3. 東北大學 信息科學與工程學院， 遼寧 沈陽 110004)

信息中心網(wǎng)絡(Information-Centric Networking, ICN)被認為是一個能夠較好地滿足用戶對信息傳遞的需求的新型網(wǎng)絡體系結構[1]。在眾多的ICN架構中，命名數(shù)據(jù)網(wǎng)絡(Named Data Networking, NDN)[2]成為研究熱點。NDN來源于更早期的項目——內(nèi)容中心網(wǎng)絡 (Content-Centric Networking, CCN)[3]，由Van Jacobson在2006年首次提出，NDN架構延續(xù)了CCN架構的設計理念與原則。

在ICN中，網(wǎng)內(nèi)緩存已經(jīng)成為提高網(wǎng)絡整體性能的核心特性之一。ICN的緩存策略根據(jù)數(shù)據(jù)緩存位置可以分為路徑緩存(on-path)與非路徑緩存(off-path)[4]。on-path的存儲方式將數(shù)據(jù)沿途存儲在請求來時的路徑中，因此其命名解析與數(shù)據(jù)路由是同步的。這種策略雖然很簡單，但導致了網(wǎng)內(nèi)數(shù)據(jù)副本數(shù)量過高。而off-path的存儲方式可以將數(shù)據(jù)存儲在請求路徑以外的緩存節(jié)點中，因此其命名解析與數(shù)據(jù)路由可以同步或者異步。這種方式雖然很靈活，但需要一種緩存感知的機制來使路由器能夠感知周圍節(jié)點的緩存信息。ICN的緩存具有透明、泛在、細粒度三大特性[5]，由于“泛在緩存”的特性，ICN網(wǎng)絡中數(shù)據(jù)冗余的現(xiàn)象頻頻出現(xiàn)，導致其數(shù)據(jù)副本率過高，緩存空間不能被充分利用。除此之外，部署如此規(guī)模的緩存空間也是一種浪費，并且高昂的開銷與所獲取的收益不成正比。

國內(nèi)外許多學者已經(jīng)對ICN中的網(wǎng)內(nèi)緩存進行了廣泛的研究。文獻[6]倡導“l(fā)ess for more”的理念，即針對某一請求路徑，選取在一些比較合適的節(jié)點緩存數(shù)據(jù)，提出了一種基于介數(shù)中心性的緩存策略，每次在緩存數(shù)據(jù)時都進行決策。文獻[7]提出了，一種基于內(nèi)容空間劃分與Hash路由的協(xié)作式網(wǎng)內(nèi)緩存模式，有效地提高了網(wǎng)絡整體的緩存命中率。文獻[8]關注于緩存的一致性問題，提出了一種具有高性價比基于流行度的緩存一致性機制。該機制能夠在緩存一致性與相關代價中做出權衡，保證了ICN路由器中所緩存內(nèi)容的新鮮度。文獻[9]通過一個統(tǒng)一的方法緊密地集成了緩存與擁塞控制，利用由擁塞控制反饋出的可用擁塞定價來引導在每個內(nèi)容路由器上的緩存決策，提高了網(wǎng)絡的吞吐量并且減少了網(wǎng)絡擁塞。文獻[10]提出了一種流行內(nèi)容分布的分析框架，基于博弈論的思想制定了ICN中的緩存與定價策略。

以上工作側重于對緩存策略的研究，即在哪些節(jié)點或對哪些內(nèi)容進行緩存所獲得的收益更高，并未涉及其前置工作——緩存空間的部署分配問題。目前，在緩存空間部署分配問題上的研究還較少[11]。文獻[12]研究了如何在一個給定存儲預算的網(wǎng)絡中為路由器分配存儲空間，通過建立數(shù)學模型分析求解得出網(wǎng)絡拓撲、網(wǎng)絡規(guī)模、內(nèi)容流行度等都對緩存分配產(chǎn)生一定的影響，不存在一體適用的策略。文獻[13]首次研究了CCN中的緩存空間分配問題，采用了節(jié)點中心性的一些度量，比如度中心性、介數(shù)中心性、接近中心性，根據(jù)中心性的不同按相應比例異構地分配緩存空間。文獻[14]從經(jīng)濟的角度出發(fā)，建立優(yōu)化模型來研究在預算限制的情境下ICN的遷移問題。文獻[15]是研究緩存空間分配的開篇之作，但其針對的是傳統(tǒng)網(wǎng)絡，目的在于選取合適的緩存位置來降低網(wǎng)絡流量。這也對之后ICN中緩存空間放置問題的研究打下了堅實的基礎。

然而，尋求一種高效的緩存策略是毋庸置疑的，但這個問題是由ICN緩存“普遍存在”的特性引起的，因此尋求一種高效的緩存空間分配策略才是解決問題的根本。而上述緩存空間分配方面的工作并未綜合考慮網(wǎng)絡中不同角色的利益(文獻[14]僅僅進行了經(jīng)濟層面的考慮)，本文將從用戶、網(wǎng)絡運營商、服務提供商三者的角度出發(fā)，在網(wǎng)絡性能與經(jīng)濟中做出權衡，在網(wǎng)絡中選擇適宜的節(jié)點開辟緩存空間，使三方都能夠最大限度地從中受益，從而在根本上對ICN緩存進行優(yōu)化。

因此，本文基于on-path緩存策略，建立基于用戶-服務提供商的緩存位置模型和基于網(wǎng)絡運營商的緩存位置模型，進而將其結合成為多目標優(yōu)化模型，并通過算法求解得出最優(yōu)緩存節(jié)點位置集合。本文的貢獻與創(chuàng)新點如下：

1)緩存節(jié)點的選擇充分考慮了網(wǎng)絡中用戶、服務提供商、網(wǎng)絡運營商三方的利益，從三方不同的利益角度出發(fā)進行建模；

2)采用帕累托模型進行求解，從而得到對于網(wǎng)絡中各方都比較均衡的解集，使三方能夠最大限度地從中受益；

3)對ICN原生的緩存空間放置策略進行了優(yōu)化，這對未來ICN的實際部署有著一定的參考價值。

1 問題描述

緩存節(jié)點位置選擇可歸結為資源分配問題，該類問題也是云環(huán)境下研究的重點問題[16-17],即在資源有限的環(huán)境下，如何合理地分配資源，提高資源利用率，并最大限度地改善系統(tǒng)性能。而在ICN中選擇合適的位置開辟緩存空間受多重因素的影響，不存在通用的策略。除此之外，不同的角色對于開辟緩存空間所需要獲得的收益也是不同的。處于用戶的視角，看重的是響應時間；處于網(wǎng)絡運營商的視角，應從經(jīng)濟的角度出發(fā)，以最小的成本獲取最大的利益；而處于服務提供商的視角，降低服務器的負載，提高效率才是最主要的。但無論從哪一方的角度出發(fā)，開辟合適的緩存空間最終目的還是為了提高網(wǎng)絡整體性能，使三方都從中受益。

1.1 網(wǎng)絡模型

將網(wǎng)絡建模成為一個無向連接圖G=(V,E)，其中V為網(wǎng)絡中的節(jié)點集合，E為網(wǎng)絡中的鏈路集合。將網(wǎng)絡中的所有節(jié)點分為三種類型：用戶節(jié)點vc∈C、路由器節(jié)點vr∈R、服務器節(jié)點vs∈S(C、R、S分別為用戶節(jié)點集、路由器節(jié)點集、服務器節(jié)點集)，且V=(C∪R∪S)。

1.2 數(shù)學模型

在建立模型之前，首先給出模型的假設：

1)不考慮路由器負載；

2)路由最短路徑是唯一的；

3)傳輸中以內(nèi)容大小近似代替數(shù)據(jù)包的大小。

1.2.1 基于用戶-服務提供商的緩存位置模型

用戶關注的是響應時間，即用戶請求能夠在短時間內(nèi)被響應；而服務提供商關注的是服務器的負載。在ICN中，數(shù)據(jù)包轉發(fā)給某一路由器時會首先檢查內(nèi)容存儲器(Content Store, CS)中是否有所需要的數(shù)據(jù)，如果命中則直接將數(shù)據(jù)路由給用戶，不需要訪問目標服務器。假設用戶請求的內(nèi)容都會在中間節(jié)點上被滿足，且該節(jié)點離用戶只有一跳的距離，此時用戶的響應時間和服務器的負載都會得到極大的提升。因此，該位置的選取應該離用戶越近越好，而離服務器越遠越好。

基于以上思想，給出模型中消耗的定義。最優(yōu)位置集合Xp={v1,v2,…,vp}?R(其他符號定義見表1)，則在R中選擇位置p開辟緩存空間時，用戶c請求內(nèi)容oi的消耗如式(1)所示。

表1 符號說明

(1-hoi)·[d(vc,vp)+d(vp,s(oi))]+

(1)

目標函數(shù)：

[ωp·d(vc,s(oi))]}

(2)

約束條件：

vp∈R∩{Path(vc,s(oi))},vc∈C,s(oi)∈S

(3)

(4)

(5)

(6)

式(3)限制了位置p應從c到s路由的最短路徑上選取，并假設該路徑是唯一的。式(4)考慮到用戶不可能對所有內(nèi)容都感興趣，因此用二進制變量來表示用戶是否有請求某個內(nèi)容的需求。在數(shù)據(jù)路由方面采用與命名解析耦合的方式，其意味著請求路徑與數(shù)據(jù)路由路徑是對稱的，即d(vp,s(oi))=d(s(oi),vp)。式(5)的意義是為了讓其滿足on-path策略。式(6)限制了開辟緩存的總預算不多于BM。

將式(2)進一步化簡可得：

(7)

由式(7)可得出在請求某一緩存命中率較大的內(nèi)容時(該內(nèi)容在網(wǎng)絡中較為流行)，請求數(shù)據(jù)量與用戶到緩存路由器距離的乘積越小且請求數(shù)據(jù)量與服務器到緩存路由器距離的乘積越大，則目標函數(shù)值越小。

1.2.2 基于網(wǎng)絡運營商的緩存位置模型

在網(wǎng)絡運營商的角度，所需要考慮的是經(jīng)濟問題，即用最少的錢做更多的事。針對該問題，考慮網(wǎng)絡中傳輸所有流量的費用與開辟緩存空間的費用，建立模型。

目標函數(shù)：

(8)

進一步細化公式：

(9)

約束條件：

vp∈R∩{Path(vc,s(o))},vc∈C,s(oi)∈S

(10)

pi,j>0,?i,j∈E

(11)

(12)

(13)

(14)

式(8)中只考慮請求路徑的費用消耗，而不考慮數(shù)據(jù)路由路徑的費用消耗，這是因為采取的是數(shù)據(jù)路由與命名解析耦合方式，請求路徑與數(shù)據(jù)路由路徑是對稱的。 式(9)中的koi是代表內(nèi)容對象大小，雖然用戶請求時發(fā)出興趣包的大小并不等同于該請求內(nèi)容大小，但在該模型中用內(nèi)容對象大小近似地代替請求包的大小，以便體現(xiàn)出用戶請求不同內(nèi)容的差異性。 式(10)、式(12)～(14)中的約束定義與基于用戶-服務提供商的緩存位置模型中一致。 式(11)則限定了鏈路傳輸單元流量的費用應為正數(shù)。 該模型中將緩存預算進行了限制，而對于網(wǎng)絡中傳輸流量的費用并未限制，因為這部分費用是運營商必須要支付的，用來滿足用戶數(shù)據(jù)傳輸?shù)男枨蟆?/p>

將式(9)進一步化簡可得：

(15)

從式(15)可以看出，內(nèi)容對象的緩存命中率越大，并且在緩存路由器到服務器的鏈路上傳輸該內(nèi)容所支付的費用越高，則該目標函數(shù)值越小。

1.2.3 多目標優(yōu)化模型

以上給出了兩個基于不同角度的單目標優(yōu)化模型：基于用戶-服務提供商的緩存位置模型和基于網(wǎng)絡運營商的緩存位置模型。對于多目標優(yōu)化問題來說，單個目標最優(yōu)并不能保證其他目標也是最優(yōu)的，因此需要一種折中方案。在這里引入多目標優(yōu)化模型中的經(jīng)典模型——帕累托模型[19]，并以帕累托優(yōu)勝的概念來衡量解的優(yōu)劣，以此得到最終的帕累托最優(yōu)解集合，即對于兩個目標而言都比較均衡的解集。

2 信息中心網(wǎng)絡緩存節(jié)點位置選擇算法

基于帕累托模型求解方法中數(shù)學規(guī)劃法的思想設計了信息中心網(wǎng)絡緩存節(jié)點位置選擇算法。

2.1 緩存節(jié)點位置選擇算法主流程

帕累托模型的求解方法主要有三種：兩兩比較法、數(shù)學規(guī)劃法和基于進化算法求解[19]?？紤]到帕累托模型的解空間一般來說都相對較大，采用數(shù)學規(guī)劃法進行求解。該方法的解空間相對來說較小，求解難度適中。下面給出基于數(shù)學規(guī)劃法的緩存節(jié)點位置選擇算法主流程。在該算法流程中，目標一為基于用戶-服務提供商的緩存位置模型的優(yōu)化目標，目標二為基于網(wǎng)絡運營商的緩存位置模型的優(yōu)化目標。求解時首先忽略目標二，僅考慮目標一，并采用基于用戶-服務提供商的緩存位置選擇算法來求解得到L個最優(yōu)解，進而計算出這L個最優(yōu)解分別對應的目標一與目標二的值，并通過帕累托選擇得到帕累托優(yōu)勝解集；接著忽略目標一，僅考慮目標二，并采用基于網(wǎng)絡運營商的緩存位置選擇算法來求解得到L個最優(yōu)解，進而計算出這L個最優(yōu)解分別對應的目標一與目標二的值，并通過帕累托選擇得到帕累托優(yōu)勝解集；最后根據(jù)以上得到的所有解集進行帕累托選擇得到最終解集。

帕累托解的優(yōu)劣很大程度由L決定，當L取值較大時，能夠得到較多的候選解集，相對來說解更優(yōu)，但這會增大算法的復雜度和運行時間；而當L取值較小時，盡管能提高效率降低運行時間，但由于所得到的帕累托候選解太少會影響解的優(yōu)劣。因此對于L參數(shù)的選擇需要在運行時間與解的優(yōu)劣上進行權衡。

此外，在路由算法上采用基于任意兩點間最短路徑算法Floyd算法[20]。

2.2 基于用戶-服務提供商的緩存位置選擇算法

本節(jié)主要針對基于用戶-服務提供商的緩存位置模型的求解算法進行設計，該模型可歸結為線性整數(shù)規(guī)劃模型，對于此類問題可采取確定式求解與啟發(fā)式求解，啟發(fā)式求解是一種近似求解，其又可以分為傳統(tǒng)啟發(fā)式(貪心算法等)與元啟發(fā)式(蟻群算法[21-22]等)?？紤]到確定式求解算法的開銷十分巨大，而元啟發(fā)式算法的復雜度較高，收斂速度較慢。因此，本節(jié)設計了一種基于隨機貪心啟發(fā)策略的傳統(tǒng)啟發(fā)式算法來進行求解，算法具體步驟參見算法1。

算法1 基于用戶-服務提供商的緩存位置選擇算法

2.3 基于網(wǎng)絡運營商的緩存位置選擇算法

基于網(wǎng)絡運營商的緩存位置模型與0-1背包模型類似，因此解決此類多階段決策問題采用動態(tài)規(guī)劃法[23](Dynamic Programming, DP)求解最為適宜。

2.3.1 動態(tài)規(guī)劃子問題定義

根據(jù)動態(tài)規(guī)劃思想需要將該問題拆分成多個階段，每個階段有相應的子問題。

子問題F[i][j]：在剩余預算j的限制下，在前i個路由器中選取若干個開辟緩存空間所能得到的最大收益。

該類問題存在一個特點就是第i時刻的狀態(tài)只與第i-1時刻的狀態(tài)有關，因此處于空間復雜度的考慮可采取一維數(shù)組來存儲求解過程中的狀態(tài)，即只存儲F[i][j]中第二維的信息，第一維默認是第i-1時刻的狀態(tài)，故不需要進行存儲。定義F[j]的狀態(tài)轉移方程為：

F[j]=Max{F[j]，不在第i個路由器開辟緩存

F[j-C[i]]+V[i](j≥C[i]) ，在第i個路由器開辟緩存}

(16)

式中，C[i]為路由器i開辟緩存空間的費用，V[i]為在第i個路由器開辟緩存空間所得到的收益。

2.3.2 算法描述

接下來給出基于網(wǎng)絡運營商的緩存位置選擇算法，算法具體步驟參見算法2。

算法2 基于網(wǎng)絡運營商的緩存位置選擇算法

3 性能評價

3.1 評價基準與指標

評價基準方面，以所提ICN最優(yōu)位置選擇(ICN Optimal Cache Location Selection， ICN OCLS)算法與ICN的原生特性(Native Feature， NF)即默認在所有節(jié)點都開辟緩存空間進行對比。

主要有以下四個評價指標：

1)網(wǎng)絡消耗值(Network Consumption Value， NCV)。網(wǎng)絡消耗值刻畫了網(wǎng)絡中的全局流量消耗。其定義如式(17)所示。

NCV=TC

(17)

式中，TC為網(wǎng)絡中全局流量消耗。

2)網(wǎng)絡費用開銷(Network Expense， NE)。網(wǎng)絡費用開銷描述了當前網(wǎng)絡狀況下網(wǎng)絡運營商所需支付的費用。其定義如式(18)所示。

NE=TE+CE

(18)

式中，TE為網(wǎng)絡傳輸流量的費用開銷，CE為開辟緩存的費用開銷。

3)流量性價比(Traffic Cost-Effective， TCE)。流量性價比描述了每臺緩存路由器在流量方面所帶來的平均收益值，故該性價比越高越好，其定義如(19)所示。

(19)

式中，0_traffic為網(wǎng)絡中不存在緩存路由器時的全局流量，x_traffic為網(wǎng)絡中存在x臺緩存路由器時的全局流量，amount為網(wǎng)絡中緩存路由器的數(shù)量。

4)網(wǎng)絡費用開銷比(Network Expense Ratio, NER)。網(wǎng)絡費用開銷比刻畫了隨著緩存路由器數(shù)量的增加，網(wǎng)絡費用開銷相對于無緩存網(wǎng)絡的變化情況，其定義如式(20)所示。

(20)

式中，x_expense為存在x臺緩存路由器時網(wǎng)絡的費用開銷，0_expense為不存在緩存路由器時網(wǎng)絡的費用開銷。

3.2 實驗拓撲與參數(shù)設置

實驗部分采用東北大學校園網(wǎng)拓撲，如圖1所示。其中存在2臺服務器與12臺路由器。14個用戶(教學樓與宿舍樓)并未給出，其均勻分布在圖一的最底層。

圖1 東北大學校園網(wǎng)拓撲圖Fig.1 Northeastern University campus network topology

針對該問題采用Zipf分布[24]產(chǎn)生內(nèi)容集，并簡單地認為該內(nèi)容越流行、越重要，其緩存命中率也會越大，以此來確定緩存命中率。在用戶請求內(nèi)容方面，根據(jù)2/8原則思想，認為某個內(nèi)容越重要則用戶請求該內(nèi)容所花費的流量也就越多，對總流量按比例進行劃分以得出用戶請求不同內(nèi)容所消耗的流量。傳輸單元流量的費用參照Amazon CloudFront的定價[25]，由于其在不同的地區(qū)收費不同，在這里取其平均值折合為人民幣大約為0.57元/GB。為每臺路由器選擇開辟1TB High-Speed SSD的緩存空間，其所需要支付的費用大約為20萬元[26]。在建立基于用戶-服務提供商的緩存位置模型時，是用數(shù)據(jù)量與距離的乘積來定義消耗，而本實驗利用的是實際網(wǎng)絡流量數(shù)據(jù)，所以在本實驗中將該模型的消耗式(1)重新定義為流量消耗。

(21)

式中，trafficc,p表示節(jié)點c與節(jié)點p之間的流量。而對于基于網(wǎng)絡運營商的緩存位置模型來說，只需要將式(9)中的內(nèi)容大小koi替換為請求該內(nèi)容實際的流量即可。

3.3 實驗結果

本實驗中默認的參數(shù)設置如表2所示。

表2 實驗默認參數(shù)設置

3.3.1 緩存路由器數(shù)量的影響

實驗結果如圖2所示。由圖2(a)與(b)可知，在ICN OCLS策略中隨著緩存路由器數(shù)量的增加，流量性價比呈下降趨勢，網(wǎng)絡費用開銷比先下降后上升。在部署1臺緩存路由器時，流量性價比和網(wǎng)絡費用開銷比都是最優(yōu)的。因為選擇在拓撲圖中的16節(jié)點開辟緩存空間，而該節(jié)點位于網(wǎng)絡中的“核心”，是兩個校區(qū)流量進出口的樞紐，所以在該節(jié)點部署緩存空間會使用戶都能從中受益。從圖2(a)中可看出，部署3～9臺緩存路由器時ICN OCLS的網(wǎng)絡費用開銷比相對較低，且要優(yōu)于ICN NF，即網(wǎng)絡運營商會從中獲益更多。從圖2(b)中可看出，ICN OCLS隨著緩存路由器數(shù)量的增加，流量性價比逐漸降低最終與ICN NF的一致，這說明了部署過多的緩存路由器會使每臺緩存路由器的平均收益值降低。而且，在緩存路由器數(shù)量為1～5時其效果最好，即用戶和服務提供商會從中獲益更多。因此，綜合三方利益來看，緩存路由器數(shù)量在3～5范圍內(nèi)會使三方最大限度地從中受益。

3.3.2 Zipf分布α參數(shù)的影響

在ICN OCLS算法中緩存路由器數(shù)量設置為6，其他參數(shù)見表2。由圖2(c)可知，隨著參數(shù)的增大，兩種策略所對應的流量性價比也隨之增大，并且ICN OCLS的性價比要一直優(yōu)于ICN NF，因此在Zipf分布α參數(shù)較大的網(wǎng)絡中ICN OCLS帶來的流量性價比更高。

由圖2(d)與(e)可知，隨著α參數(shù)的增大，兩種策略在兩圖中都呈下降趨勢。這是因為α參數(shù)越大，內(nèi)容分布的“重尾現(xiàn)象”會越嚴重，意味著網(wǎng)絡中流行的內(nèi)容數(shù)量會越來越少，只有少數(shù)流行度較高的內(nèi)容才會被用戶請求，因此緩存路由器通過緩存這些少數(shù)的重要內(nèi)容來滿足用戶的請求，大多數(shù)的用戶請求都會被網(wǎng)內(nèi)緩存滿足，這樣不但降低了網(wǎng)絡全局流量，而且降低了網(wǎng)絡運營商傳輸流量的費用。

(a) 不同緩存路由器數(shù)量下的網(wǎng)絡費用開銷比(a) Network expense ratio for the different number of cache routers

(b) 不同緩存路由器數(shù)量下的流量性價比(b) Traffic cost-effective for the different number of cache routers

(c) 不同α下的流量性價比(c) Traffic cost-effective for different α

(d) 不同α下的網(wǎng)絡費用開銷(d) Network expense for different α

(e) 不同α下的網(wǎng)絡消耗值(e) Network consumption value for different α

(f) 不同內(nèi)容數(shù)量下的流量性價比(f) Traffic cost-effective for the different number of contents

(g) 不同內(nèi)容數(shù)量下的網(wǎng)絡費用開銷(g) Network expense for the different number of contents

(h) 不同內(nèi)容數(shù)量下的網(wǎng)絡消耗值(h) Network consumption value for the different number of contents圖2 實驗結果Fig.2 Experimental results

3.3.3 內(nèi)容數(shù)量的影響

在ICN OCLS算法中緩存路由器數(shù)量設置為6，其他參數(shù)見表2。從圖2(f)、(g)、(h)可知，內(nèi)容對象數(shù)對兩種策略是基本沒有影響的，這是因為該實驗中利用的流量數(shù)據(jù)是東北大學校園網(wǎng)的年平均流量數(shù)據(jù)，網(wǎng)絡中的總流量是恒定的，內(nèi)容數(shù)量的增多僅僅會造成用戶請求的多樣化，而其分布規(guī)律是不變的(Zipf分布α參數(shù)不變)。因此，圖中指標幾乎不會受到影響。

4 結論

本文通過考慮網(wǎng)絡中多方角色的利益，基于不同角度建立了數(shù)學模型，并將其結合為多目標優(yōu)化模型，基于帕累托求解方法中數(shù)學規(guī)劃法的思想設計了緩存節(jié)點位置選擇算法來解決ICN中過度的緩存冗余問題。實驗結果表明，在流量性價比方面，所提出的最優(yōu)緩存位置選擇算法要完全優(yōu)于ICN原生特性；而在網(wǎng)絡費用開銷方面，所提出的算法更適用于只有少數(shù)內(nèi)容較為流行(Zipf分布α參數(shù)較大)的網(wǎng)絡中，而對于所有內(nèi)容都流行(Zipf分布α參數(shù)較小)的網(wǎng)絡中，ICN原生特性更為適宜。

此外，本文解決ICN中過度的緩存冗余問題的方法，僅僅是從開辟緩存空間的角度進行研究的，而這只是解決該問題策略中的一部分，更為完備的解決方案是：選擇節(jié)點開辟緩存空間→為已開辟緩存空間的節(jié)點分配存儲容量→對內(nèi)容的放置進行決策。該方案能夠更加全面、更加完備地解決ICN中過度的緩存冗余問題，這也將是本文未來所要研究的重點內(nèi)容。