基于神經(jīng)網(wǎng)絡(luò)算法的ICN網(wǎng)絡(luò)傳輸控制研究

徐京薇，謝人超，黃　韜，劉　江，楊　磊

(1.北京郵電大學(xué) 網(wǎng)絡(luò)與交換技術(shù)國家重點(diǎn)實(shí)驗(yàn)室, 北京 100876；2.中央電視臺(tái), 北京 100020)

?

基于神經(jīng)網(wǎng)絡(luò)算法的ICN網(wǎng)絡(luò)傳輸控制研究

徐京薇1，謝人超1，黃韜1，劉江1，楊磊2

(1.北京郵電大學(xué) 網(wǎng)絡(luò)與交換技術(shù)國家重點(diǎn)實(shí)驗(yàn)室, 北京 100876；2.中央電視臺(tái), 北京 100020)

摘要：隨著全球數(shù)字媒體的深刻變革，互聯(lián)網(wǎng)用戶關(guān)注的重點(diǎn)逐漸向如何快速獲取信息轉(zhuǎn)移，而不關(guān)注信息的存儲(chǔ)位置?，F(xiàn)在的TCP/IP網(wǎng)絡(luò)協(xié)議架構(gòu)卻無法適應(yīng)當(dāng)今內(nèi)容應(yīng)用需求的迅速發(fā)展。為了適應(yīng)這一互聯(lián)網(wǎng)的轉(zhuǎn)變，以信息為中心的新型網(wǎng)絡(luò)架構(gòu)信息中心網(wǎng)絡(luò)(information-certric networking, ICN)受到了廣泛關(guān)注。網(wǎng)絡(luò)時(shí)延的動(dòng)態(tài)變化反映了網(wǎng)絡(luò)路徑的負(fù)載特征，對(duì)時(shí)延的精確預(yù)測是實(shí)施網(wǎng)絡(luò)擁塞控制、路由選擇的重要依據(jù)。在ICN中，由于網(wǎng)絡(luò)緩存機(jī)制導(dǎo)致時(shí)延的不確定性，為網(wǎng)絡(luò)傳輸控制帶來了挑戰(zhàn)。通過對(duì)ICN網(wǎng)絡(luò)的經(jīng)典架構(gòu)命名數(shù)據(jù)網(wǎng)絡(luò)(named data networking, NDN)網(wǎng)絡(luò)時(shí)延模型進(jìn)行建模，采用了神經(jīng)網(wǎng)絡(luò)算法進(jìn)行時(shí)延預(yù)測，設(shè)計(jì)了基于預(yù)測時(shí)延的轉(zhuǎn)發(fā)策略機(jī)制，創(chuàng)新地在NDN網(wǎng)絡(luò)組件轉(zhuǎn)發(fā)信息表(forwarding information based, FIB)上新增接口信息Stat，以實(shí)現(xiàn)轉(zhuǎn)發(fā)路徑的動(dòng)態(tài)選擇。仿真結(jié)果表明，該設(shè)計(jì)機(jī)制能夠有效地提升網(wǎng)絡(luò)傳輸控制性能。

關(guān)鍵詞：未來網(wǎng)絡(luò)；信息中心網(wǎng)絡(luò)；神經(jīng)網(wǎng)絡(luò)；時(shí)延預(yù)測；轉(zhuǎn)發(fā)策略

0引言

當(dāng)前，互聯(lián)網(wǎng)已經(jīng)成為當(dāng)今世界上影響最廣泛、增長最快、市場潛力最大的技術(shù)和產(chǎn)業(yè)[1]?；ヂ?lián)網(wǎng)用戶的需求逐漸改變，從主機(jī)之間的通信逐步演進(jìn)為主機(jī)到網(wǎng)絡(luò)的信息重復(fù)訪問。用戶關(guān)注的是信息本身，而不是信息的存儲(chǔ)位置[2-3]。但現(xiàn)在的TCP/IP協(xié)議架構(gòu)卻無法適應(yīng)應(yīng)用需求的發(fā)展。為了徹底地解決這些問題，研究者們一直在試圖研究設(shè)計(jì)出全新的互聯(lián)網(wǎng)架構(gòu)。信息中心網(wǎng)絡(luò)(information centric networking，ICN)正是被研究者們研究這一思想的典型代表[4-5]，并且逐漸被人們認(rèn)為是最有前途的一種方案。不同于傳統(tǒng)的基于IP地址進(jìn)行數(shù)據(jù)傳輸?shù)幕ヂ?lián)網(wǎng)體系架構(gòu)，ICN體系架構(gòu)是以用戶所關(guān)心的內(nèi)容或者信息為中心，致力于將內(nèi)容作為未來互聯(lián)網(wǎng)絡(luò)體系結(jié)構(gòu)的細(xì)腰展開設(shè)計(jì)。

ICN的研究主要起源于美國和歐盟。主要研究項(xiàng)目包括內(nèi)容中心網(wǎng)絡(luò)(content centric networking, CCN)[6]、命名數(shù)據(jù)網(wǎng)絡(luò)(named data networking, NDN)、面向數(shù)據(jù)的網(wǎng)絡(luò)架構(gòu)(data-oriented network architecture, DONA)[7]、信息網(wǎng)絡(luò)(network of information, NetInf)[8]等。NDN是ICN的一種典型代表方案。由于NDN完全以內(nèi)容命名進(jìn)行路由，能更好地體現(xiàn)出信息中心的特性，因此，本論文將以NDN為代表展開研究。

在NDN網(wǎng)絡(luò)中，需要研究的關(guān)鍵技術(shù)問題包括信息命名、路由轉(zhuǎn)發(fā)、緩存策略、傳輸控制等。而傳輸控制性能的優(yōu)劣將直接影響NDN的傳輸效率[9]。雖然當(dāng)前研究學(xué)者針對(duì)NDN網(wǎng)絡(luò)的傳輸控制進(jìn)行了廣泛的研究，轉(zhuǎn)發(fā)策略方面有智能洪泛轉(zhuǎn)發(fā)策略(smart flooding)、洪泛轉(zhuǎn)發(fā)策略(flooding)和最優(yōu)轉(zhuǎn)發(fā)策略(best route)[10]等代表性轉(zhuǎn)發(fā)策略，但是這些策略在設(shè)計(jì)過程中并未考慮時(shí)延因素的影響。

然而，ICN網(wǎng)絡(luò)由于其緩存機(jī)制的存在，時(shí)延不確定性非常大，而時(shí)延是傳輸控制中的流量、擁塞等方面的重要因素，是反映傳輸控制性能好壞的最關(guān)鍵的因素。因此，在NDN網(wǎng)絡(luò)通過預(yù)測時(shí)延來進(jìn)行設(shè)計(jì)轉(zhuǎn)發(fā)策略可以提高網(wǎng)絡(luò)傳輸控制性能[11-14]，對(duì)NDN網(wǎng)絡(luò)傳輸控制有著非常大的意義。因此，本論文創(chuàng)新地利用預(yù)測的時(shí)延進(jìn)行轉(zhuǎn)發(fā)策略的設(shè)計(jì)，以提高網(wǎng)絡(luò)傳輸控制特性，通過預(yù)測能力較強(qiáng)的神經(jīng)網(wǎng)絡(luò)預(yù)測時(shí)延，并且對(duì)預(yù)測時(shí)延進(jìn)行分析、判斷，可以提前了解網(wǎng)絡(luò)狀況，動(dòng)態(tài)選擇轉(zhuǎn)發(fā)路徑，從而達(dá)到網(wǎng)絡(luò)傳輸?shù)淖顑?yōu)化目的。

1NDN概述

NDN網(wǎng)絡(luò)中，通信是由接受者主導(dǎo)的，是通過交換興趣包和數(shù)據(jù)包來進(jìn)行通信的。興趣包和數(shù)據(jù)包的標(biāo)示是通過特殊命名規(guī)則來實(shí)現(xiàn)。用戶向網(wǎng)絡(luò)中發(fā)送一個(gè)帶有數(shù)據(jù)名字的興趣包，路由器通過識(shí)別這些名字來向數(shù)據(jù)包轉(zhuǎn)發(fā)興趣包。一旦興趣包到達(dá)了一個(gè)想要數(shù)據(jù)包的節(jié)點(diǎn)，該節(jié)點(diǎn)則會(huì)返回一個(gè)包含名字和數(shù)據(jù)的數(shù)據(jù)包，這樣可以綁定2個(gè)節(jié)點(diǎn)的信息，如圖1所示[7]。路由器會(huì)根據(jù)興趣包轉(zhuǎn)入的節(jié)點(diǎn)路徑進(jìn)而轉(zhuǎn)發(fā)數(shù)據(jù)包。

圖1　NDN網(wǎng)絡(luò)中的興趣包和數(shù)據(jù)包Fig.1　Interest packet and data packet in NDN

為了完成興趣包和數(shù)據(jù)包的轉(zhuǎn)發(fā)工作，NDN網(wǎng)絡(luò)中包括3個(gè)組件：轉(zhuǎn)發(fā)信息庫(forwarding information base，F(xiàn)IB)、內(nèi)容存儲(chǔ)庫(content store，CS)和未決請(qǐng)求表(pending interest table，PIT)。圖1中，這3個(gè)組件，同樣作為轉(zhuǎn)發(fā)策略(neural network based delay prediction,NNDP)模塊能夠決定是否、何時(shí)和向哪兒轉(zhuǎn)發(fā)每個(gè)興趣包。

圖2　NDN網(wǎng)絡(luò)轉(zhuǎn)發(fā)模型Fig.2　Forwarding model in NDN

圖2描述了NDN網(wǎng)絡(luò)中的興趣包和數(shù)據(jù)包的轉(zhuǎn)發(fā)策略[9]。當(dāng)興趣包到達(dá)一個(gè)路由器，該路由器首先檢測其CS中是否包含跟該興趣包命名匹配的數(shù)據(jù)包。如果存在，則直接將CS中的數(shù)據(jù)包沿著該興趣包的輸入接口發(fā)向返回；如果沒有，則在該路由器的PIT中檢測是否含有該興趣包的名字。如果該興趣包的名字在PIT中已經(jīng)存在，這說明在之前已經(jīng)有其他消費(fèi)者具有相同名字的興趣包被該路由器接收，同時(shí)已經(jīng)從該路由節(jié)點(diǎn)轉(zhuǎn)發(fā)出去。因此，不需要再次轉(zhuǎn)發(fā)，路由器新增一個(gè)該興趣包的輸入接口到這個(gè)已存在的PIT條目中。如果PIT中不存在該興趣包的名字，則將該興趣包添加到PIT中，同時(shí)，根據(jù)FIB進(jìn)一步轉(zhuǎn)發(fā)興趣包。當(dāng)路由器接收到返回的數(shù)據(jù)包，使用數(shù)據(jù)包的名字來查找PIT內(nèi)容，如果發(fā)現(xiàn)一個(gè)命名匹配的PIT條目，路由器則將該數(shù)據(jù)包轉(zhuǎn)發(fā)到PIT記錄的興趣包的接口，緩存數(shù)據(jù)同時(shí)刪除PIT條目。否則，數(shù)據(jù)包則被將會(huì)被丟棄。每個(gè)興趣包都被設(shè)定有一個(gè)生存期，當(dāng)生存期到期時(shí)，PIT條目則會(huì)自動(dòng)被刪除。

由于NDN緩存策略的存在，導(dǎo)致NDN網(wǎng)絡(luò)中的時(shí)延波動(dòng)非常大。因此，本文提出了基于神經(jīng)網(wǎng)絡(luò)的時(shí)延預(yù)測，同時(shí)在FIB組件中增加了Stat組件來完成轉(zhuǎn)發(fā)策略的設(shè)計(jì)。

2基于神經(jīng)網(wǎng)絡(luò)的時(shí)延預(yù)測

由于NDN網(wǎng)絡(luò)仍然處在理論研究階段，沒有真正地實(shí)施到現(xiàn)實(shí)的網(wǎng)絡(luò)中，因此，針對(duì)NDN網(wǎng)絡(luò)的特性進(jìn)行了時(shí)延模型的設(shè)計(jì)，同時(shí)，應(yīng)用2種神經(jīng)網(wǎng)絡(luò)算法進(jìn)行時(shí)延預(yù)測，得到了比較理想的結(jié)果。

2.1神經(jīng)網(wǎng)絡(luò)算法概述

人工神經(jīng)網(wǎng)絡(luò)是一種通過模仿生物神經(jīng)網(wǎng)絡(luò)的工作特征，來進(jìn)行分布式信息處理的算法數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)是目前具有非常強(qiáng)大的預(yù)測功能的一種算法模型。一個(gè)完整的神經(jīng)網(wǎng)絡(luò)是由輸入層、隱含層和輸出層組成，而每一層都是由多個(gè)神經(jīng)元組成的。

2.2NDN混合網(wǎng)絡(luò)的時(shí)延模型建模

網(wǎng)絡(luò)中時(shí)延的變化受到了網(wǎng)絡(luò)中用戶數(shù)量、鏈路狀態(tài)等因素影響，是不確定的。但每天的時(shí)延總體具有一定規(guī)律。因此，為了更好地模擬出現(xiàn)實(shí)NDN網(wǎng)絡(luò)中的時(shí)延數(shù)據(jù)，本文對(duì)NDN網(wǎng)絡(luò)時(shí)延模型進(jìn)行了建模。

(1)

(1)式中：

D1=D0-k4·t+k5·sin(k6·t)+rand1

(2)

D2=k7·D1+k9·f1(b1,T1)+rand2

(3)

(4)

(1)-(4)式中：D0為時(shí)延的初始值;t為時(shí)間;f1為突變的函數(shù);f2為跳變的函數(shù);b1和b2為函數(shù)的寬度;T1和T2為函數(shù)的周期;rand為隨機(jī)函數(shù);k1-k10根據(jù)時(shí)間t變化的參數(shù)，保證了時(shí)延變化的隨機(jī)性。

D1考慮到NDN網(wǎng)絡(luò)緩存機(jī)制，時(shí)延在一段時(shí)間內(nèi)會(huì)呈下降趨勢。但網(wǎng)絡(luò)中仍然會(huì)受到網(wǎng)絡(luò)用戶數(shù)的變化而有一定的不影響整體趨勢的波動(dòng)；D2考慮到網(wǎng)絡(luò)中的用戶數(shù)量的突然增大導(dǎo)致時(shí)延急劇上升，并在短時(shí)間內(nèi)，時(shí)延又恢復(fù)正常；D3考慮到NDN網(wǎng)絡(luò)中的緩存機(jī)制的存在，數(shù)據(jù)包可能突然變化緩存地點(diǎn)，導(dǎo)致時(shí)延變化呈跳變；Dh為混合模型，將D1-D3隨機(jī)混合，以便NDN網(wǎng)絡(luò)模型的訓(xùn)練。

2.3基于NDN混合網(wǎng)絡(luò)時(shí)延模型的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

為了可以更好地進(jìn)行時(shí)延預(yù)測，應(yīng)選取最佳的神經(jīng)網(wǎng)絡(luò)架構(gòu)和神經(jīng)網(wǎng)絡(luò)參數(shù)。

本論文選取的是預(yù)測效果比較好的BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比，同時(shí)神經(jīng)網(wǎng)絡(luò)參數(shù)參考文獻(xiàn)[14]的研究結(jié)論(當(dāng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為輸入層單元為5，單隱層單元為8，輸出單元為1時(shí)，時(shí)延預(yù)測性能最佳)，最終綜合得到了在NDN網(wǎng)絡(luò)下具有最佳預(yù)測效果的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

仿真方法如下：根據(jù)Dh混合時(shí)延模型，參考一般網(wǎng)絡(luò)時(shí)延大小，產(chǎn)生了10 000個(gè)數(shù)據(jù)樣本輸入，其中，50%數(shù)據(jù)用于訓(xùn)練網(wǎng)絡(luò)；50%數(shù)據(jù)用于驗(yàn)證網(wǎng)絡(luò)。用原始數(shù)據(jù)D0與預(yù)測數(shù)據(jù)Dy來計(jì)算誤差，見(5)式。

(5)

根據(jù)Dh混合時(shí)延模型對(duì)2種網(wǎng)絡(luò)預(yù)測性能進(jìn)行對(duì)比分析，發(fā)現(xiàn)在BP神經(jīng)網(wǎng)絡(luò)的時(shí)延預(yù)測性能要優(yōu)于基于Elman的神經(jīng)網(wǎng)絡(luò)，如圖3a所示。對(duì)比BP神經(jīng)網(wǎng)絡(luò)在單隱層為8和10的誤差，可以發(fā)現(xiàn)，在單隱層單元數(shù)為10時(shí)，誤差均比單隱層數(shù)為8的小。

應(yīng)用Dh混合時(shí)延模型的數(shù)據(jù)，訓(xùn)練好了BP神經(jīng)網(wǎng)絡(luò)。圖3b是原始數(shù)據(jù)和預(yù)測數(shù)據(jù)的對(duì)比圖。通過對(duì)比可以發(fā)現(xiàn)，在時(shí)延數(shù)據(jù)為突變的時(shí)候，預(yù)測有一定的誤差?？傮w來說，BP神經(jīng)網(wǎng)絡(luò)具有很好的預(yù)測性。因此，本文選取BP神經(jīng)網(wǎng)絡(luò)進(jìn)行后續(xù)的時(shí)延預(yù)測。

BPElman0.4290.5410.3670.4680.4360.5480.5310.6550.3730.4860.3140.3940.4810.5990.4810.6040.3690.464單隱層單元為10單隱層單元為80.5330.5720.4860.5130.3600.3720.4870.5160.4910.5180.4930.5230.3870.4080.4960.5240.4310.449

a 誤差對(duì)比

b BP神經(jīng)網(wǎng)絡(luò)預(yù)測效果圖

3基于預(yù)測時(shí)延的路由轉(zhuǎn)發(fā)策略算法

3.1存儲(chǔ)轉(zhuǎn)發(fā)模型

通過第2節(jié)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測出來的時(shí)延來選擇轉(zhuǎn)發(fā)的路徑。本文創(chuàng)新地在FIB表中增加一個(gè)接口信息Stat，用簡單的數(shù)字來表示狀態(tài)，在轉(zhuǎn)發(fā)時(shí)，通過簡單地比較每條路徑的接口內(nèi)容來判斷走哪條路徑。

同時(shí)在節(jié)點(diǎn)存放時(shí)延表，其中包括5個(gè)歷史時(shí)延數(shù)據(jù)(D1-D5)和根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測的時(shí)延數(shù)據(jù)。FIB表中增加了的Stat接口信息內(nèi)容是根據(jù)預(yù)測出來的時(shí)延數(shù)據(jù)的大小來進(jìn)行改變的。

3.2基于預(yù)測時(shí)延的轉(zhuǎn)發(fā)算法

圖4是整個(gè)NDN網(wǎng)絡(luò)中的轉(zhuǎn)發(fā)流程。由于新增了Stat接口，在有可轉(zhuǎn)發(fā)路徑的前提下，判斷有幾個(gè)擁有命名指向的數(shù)據(jù)包的路徑。如果只有一個(gè)，則向這個(gè)方向轉(zhuǎn)發(fā)興趣包，如果有多個(gè)，則判斷Stat里面的數(shù)據(jù)來執(zhí)行轉(zhuǎn)發(fā)策略。

圖4　NDN網(wǎng)絡(luò)轉(zhuǎn)發(fā)流程圖Fig.4　Forwarding flow chart of NDN

3.2.1NNDP

1)向Stat接口內(nèi)容最小的方向轉(zhuǎn)發(fā)數(shù)據(jù)。

2)如果有相同的Stat接口內(nèi)容，則向所有最小的接口轉(zhuǎn)發(fā)。

3)轉(zhuǎn)發(fā)結(jié)束后，刪除D1中的時(shí)延，并且依次將時(shí)延數(shù)據(jù)向左移動(dòng)，同時(shí)將新的返回的實(shí)際時(shí)延存放在D5中，同時(shí)預(yù)測第6個(gè)時(shí)延。當(dāng)更新Stat之后，如果改變了轉(zhuǎn)發(fā)接口，則將時(shí)延表中的歷史時(shí)延數(shù)據(jù)改成新路徑的時(shí)延數(shù)據(jù)。

3.2.2Stat更新方法

1)對(duì)于相同的興趣包的接口，狀態(tài)0只存在一個(gè)。且0為最小的Stat。

2)當(dāng)新增一個(gè)興趣包接口時(shí)，對(duì)應(yīng)的Stat全部都為1。

3)如果所有的Stat都為1，則向所有端口轉(zhuǎn)發(fā)。轉(zhuǎn)發(fā)后，每個(gè)Stat存放返回的時(shí)延，并且在時(shí)延表中存放當(dāng)前最小的時(shí)延。將時(shí)延進(jìn)行排序，最小的為0，依次增大，數(shù)字不重復(fù)。對(duì)于相同大小的時(shí)延，根據(jù)FIB表中的位置，將處于更上面的時(shí)延值處理為Stat更小的值。

4)如果預(yù)測的時(shí)延超過T1(超時(shí)值的m1倍)，則立即令所有的Stat為1。當(dāng)預(yù)測的時(shí)延超過T2(超時(shí)值的m2倍)，則向Stat等于1的路徑轉(zhuǎn)發(fā)，如果返回的時(shí)延小于T2，則將Stat為0和為1的2個(gè)數(shù)值互換。如果預(yù)測的數(shù)據(jù)仍然超過T2，則令所有的Stat為1。其中，m1，m2都是根據(jù)網(wǎng)絡(luò)具體情況來定的。

5)當(dāng)更換路徑時(shí)，將5個(gè)歷史時(shí)延均存為更換的路徑返回的時(shí)延，以避免前一個(gè)路徑的時(shí)延的影響，同時(shí)減少本地時(shí)延表存儲(chǔ)壓力。

4仿真驗(yàn)證

4.1網(wǎng)絡(luò)拓?fù)?/p>

本文中使用了Matlab仿真NDN網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。這里的網(wǎng)絡(luò)結(jié)構(gòu)選用相對(duì)比較簡單的二叉樹型結(jié)構(gòu)。網(wǎng)絡(luò)說明如下。

圖5　二叉樹型NDN網(wǎng)絡(luò)結(jié)構(gòu)Fig.5　Binary tree network architecture in NDN

1)網(wǎng)絡(luò)中的結(jié)點(diǎn)0為用戶，發(fā)送不同的興趣包(仿真是設(shè)定隨機(jī)請(qǐng)求1-5命名的興趣包，代表5個(gè)數(shù)據(jù)包)。

2)節(jié)點(diǎn)1-15分別是網(wǎng)絡(luò)的中間路由，擁有CS(可以存儲(chǔ)數(shù)據(jù)包)、Stat(表示向哪個(gè)方向發(fā)送數(shù)據(jù)包)。

3)在最上面的節(jié)點(diǎn)1中存放5個(gè)最近返回的時(shí)延值，并且預(yù)測下一個(gè)時(shí)延，根據(jù)預(yù)測的時(shí)延應(yīng)用第3節(jié)的算法，來進(jìn)行鏈路1-2和鏈路1-3的選擇。

4)由于是二叉樹結(jié)構(gòu)網(wǎng)絡(luò)，則設(shè)定Stat只有1，2，3這3個(gè)值。1代表向2個(gè)方向發(fā)送數(shù)據(jù)；2代表向節(jié)點(diǎn)2發(fā)送數(shù)據(jù)；3代表向節(jié)點(diǎn)3發(fā)送數(shù)據(jù)。

5)在NDN網(wǎng)絡(luò)中，每個(gè)節(jié)點(diǎn)應(yīng)該存有CS(緩存數(shù)據(jù)包)、PIT和FIB。為了簡化網(wǎng)絡(luò)，我們令網(wǎng)絡(luò)初始化的時(shí)候，每個(gè)端節(jié)點(diǎn)，即節(jié)點(diǎn)8-15，同時(shí)擁有這5個(gè)數(shù)據(jù)包，這樣每個(gè)節(jié)點(diǎn)都擁有2個(gè)方向可選路徑，且一直都會(huì)擁有，這樣可以減少PIT。并且由于Matlab不支持多線程，無法實(shí)現(xiàn)同時(shí)網(wǎng)絡(luò)中存在2個(gè)數(shù)據(jù)包發(fā)送的情況，因此，每次發(fā)完一個(gè)數(shù)據(jù)包等回來時(shí)候再發(fā)下一個(gè)數(shù)據(jù)包，則不需要PIT存在。由于二叉樹的結(jié)構(gòu)，節(jié)點(diǎn)數(shù)除以2向下取整即可以找到父節(jié)點(diǎn)，也即節(jié)省了FIB(只存有新增的Stat)。因此，網(wǎng)絡(luò)中只擁有CS和FIB。

6)評(píng)測網(wǎng)絡(luò)的好壞，是用發(fā)出去的第一個(gè)興趣包開始，直到最后一個(gè)數(shù)據(jù)包返回的平均網(wǎng)絡(luò)時(shí)延來評(píng)測。網(wǎng)絡(luò)每次發(fā)送100個(gè)興趣包，興趣包的命名是隨機(jī)從1-5中抽取的。

7)緩存機(jī)制：每個(gè)節(jié)點(diǎn)最多CS緩存3個(gè)數(shù)據(jù)包，每次新到一個(gè)數(shù)據(jù)包，如果CS表中不存在，則讓新到的數(shù)據(jù)包排在最上面，依次向下降更新；如果有，則不更新CS表。

8)時(shí)延大小：每2個(gè)節(jié)點(diǎn)間的時(shí)延大小是按照上面所用的混合模型產(chǎn)生的。由于節(jié)點(diǎn)1-2和節(jié)點(diǎn)1-3是網(wǎng)絡(luò)中最容易產(chǎn)生擁塞的地方，所以，在每次發(fā)送100個(gè)包的時(shí)間里，這2條鏈路的時(shí)延設(shè)定為D3，呈跳變的模型。鏈路2-4，2-5，3-6，3-7設(shè)定為D2，呈突變的模型。鏈路4-8，4-9，5-10，5-11，6-12，6-13，7-14，7-15設(shè)定為D1，呈線性向下帶波動(dòng)模型(后50個(gè)包翻轉(zhuǎn)該模型，即改為線性向上帶波動(dòng)模型)。

4.2仿真結(jié)果

根據(jù)4.1節(jié)的規(guī)定，應(yīng)用Matlab軟件，仿真了NDN網(wǎng)絡(luò)。每次發(fā)送100個(gè)興趣包，內(nèi)容1-5隨機(jī)。圖6是統(tǒng)計(jì)了某一次網(wǎng)絡(luò)中發(fā)送每一個(gè)包返回的時(shí)延的大小。總共有100個(gè)包。

其中，original為沒有應(yīng)用預(yù)測算法的網(wǎng)絡(luò)，即直到超過Timeout才重新發(fā)送數(shù)據(jù)選擇最好的鏈路的時(shí)延曲線。NNDP代表網(wǎng)絡(luò)中加入了本文的算法之后的網(wǎng)絡(luò)平均時(shí)延曲線。網(wǎng)絡(luò)的超時(shí)Timeout設(shè)定為0.033 6 s，即為圖6中最上面的點(diǎn)狀線。m1·tout和m2·tout分別表示為Timeout的m1倍和Timeout的m2倍(這里m1=0.8，m2=0.6)。其中，有3次不符合整體趨勢的誤差，跟整體仿真相比，可以忽略。

由圖6中可以發(fā)現(xiàn)，經(jīng)過本文的算法之后的網(wǎng)絡(luò)時(shí)延比沒有應(yīng)用本算法的網(wǎng)絡(luò)時(shí)延要小。尤其是在網(wǎng)絡(luò)時(shí)延到0.8倍Timeout時(shí)候，會(huì)比沒有應(yīng)用本算法時(shí)候的時(shí)延少很多。

圖6　仿真時(shí)延對(duì)比圖Fig.6　Simulation comparison chart of time delay

圖7是仿真了100次100個(gè)數(shù)據(jù)之后，每次仿真的平均時(shí)延。計(jì)算這100次的2種網(wǎng)絡(luò)的平均時(shí)延，可發(fā)現(xiàn)應(yīng)用算法之后的總平均時(shí)延也要比沒有應(yīng)用算法的平均時(shí)延小很多。

圖7　仿真網(wǎng)絡(luò)平均時(shí)延對(duì)比圖Fig.7　Simulation comparison chart of average time delay

通過圖6和圖7這2種網(wǎng)絡(luò)時(shí)延的評(píng)估方法，可以發(fā)現(xiàn)，應(yīng)用算法之后的網(wǎng)絡(luò)平均時(shí)延比沒有應(yīng)用NNDP算法的時(shí)延小很多。因此，可以得出結(jié)論：本文的NNDP算法可以一定程度地提高網(wǎng)絡(luò)的性能，減少網(wǎng)絡(luò)擁塞的產(chǎn)生。

5結(jié)束語

本文設(shè)計(jì)了NDN網(wǎng)絡(luò)時(shí)延模型，訓(xùn)練2種神經(jīng)網(wǎng)絡(luò)，并且進(jìn)行了預(yù)測性能的對(duì)比，發(fā)現(xiàn)2種神經(jīng)網(wǎng)絡(luò)都可以很好地預(yù)測出時(shí)延，但BP神經(jīng)網(wǎng)絡(luò)略好于Elman神經(jīng)網(wǎng)絡(luò)。本文同時(shí)應(yīng)用預(yù)測出來的時(shí)延，設(shè)計(jì)了轉(zhuǎn)發(fā)策略的算法，并且通過仿真NDN網(wǎng)絡(luò)，進(jìn)行算法的評(píng)估，發(fā)現(xiàn)算法可以提高網(wǎng)絡(luò)的性能。

在未來的工作里面，可以通過應(yīng)用更好地仿真平臺(tái)，如用ndnSim來驗(yàn)證本文的算法的優(yōu)劣，同時(shí)可以改進(jìn)算法中的參數(shù)m1和m2，來更好地優(yōu)化算法。同時(shí)，應(yīng)用ndnSim可以更好地設(shè)計(jì)網(wǎng)絡(luò)時(shí)延模型。除此之外，可以深入研究更多的神經(jīng)網(wǎng)絡(luò)，尋找最好的可以預(yù)測時(shí)延的神經(jīng)網(wǎng)絡(luò)。同時(shí)可以對(duì)比其他非神經(jīng)網(wǎng)絡(luò)的算法進(jìn)行時(shí)延預(yù)測，為NDN網(wǎng)絡(luò)性能提高尋找最好的預(yù)測方法。

參考文獻(xiàn)：

[1]CNNIC，第35次中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告[EB/OL].(2015-01-10)[2016-03-05] http://www.cnnic.cn/gywm/xwzx/rdxw/2015/201502/W020150203456823090968.pdf.

CNNIC，35 times China Internet network development state statistic report [EB/OL].(2015-01-10)[2016-03-05] http://www.cnnic.cn/gywm/xwzx/rdxw/2015/201502/W020150203456823090968.pdf.

[2]黃韜，劉江，霍如，等. 未來網(wǎng)絡(luò)體系架構(gòu)研究綜述[J]. 通訊學(xué)報(bào), 2014,35(8):184-197.

HUANG Tao，LIU Jiang，HUO Ru，et al. Survey of research on future network architectures[J]. Journal on Communications, 2014,35(8):184-197.

[3]夏春梅，徐明偉. 信息中心網(wǎng)絡(luò)研究綜述[J]. 計(jì)算機(jī)科學(xué)與探索,2013, 7(6)：481-493.

XIA Chunmei, XU Mingwei. Survey of Information-Centric Networking [J]. Journal of Frontiers of Computer Science and Technology,2013, 7(6)：481-493.

[4]XYLOMENOS G, VERVERIDIS C N, SIRIS V A. A survey of information centric networking research[J]. IEEE Communication Surveys,2014,16(2):1024-1049.

[5]AHLGREN B, DANNEWITZ C, IMBRENDA C. A survey of information centric networking[J]. IEEE Communication Magazine,2012,50(7):26-36.

[6]JACOBSON V, SMETTERS D K, THORNTON J D, et al. Networking named content[C]//Proceedings of the 5th International Conference on Emerging Networking Experiments and Technologies (CoNEXT ’09). NewYork, NY, USA:ACM, 2009: 1-12.

[7]KOPONEN T, CHAWLA M, CHUN B G. A data-oriented (and beyond) network architecture[J]. International Computer Science Institute,2007(7):27-31.

[8]DANNEWITZ C, KUTSCHER D, OHLMAN B, et al. Network of Information(NetInf)-An Information Centric Networking Architecture[J]. Computer Communications, 2013, 36(7): 721-735.

[9]ZHANG L, AFANASYEV A, BURKE J. Named Data Networking[J].ACM SIGCOMM COMP COM, 2014, 44(3): 66-73.

[10] 薛錦，張棟，唐濱.命名數(shù)據(jù)網(wǎng)絡(luò)中主動(dòng)探測的轉(zhuǎn)發(fā)策略研究[J].計(jì)算機(jī)工程與應(yīng)用,2014,50(18):89-93.

XUE Jin, ZHANG Dong, TANG Bin. Research on active detection forwarding strategy for Named Data Networking[J]. Computer Engineering and Applications, 2014, 50(18)：89-93.

[11] 王宏偉，楊雨，張智華. 網(wǎng)絡(luò)時(shí)延預(yù)測研究[J].電腦知識(shí)與技術(shù),2011,10(7):2363-2365.

WANG Hongwei, YANG Yu, ZHANG Zhihua. Research of Internet Time Delay Predicting[J]. Computer Knowledge and Technology, 2011,10(7):2363-2365.

[12] 宋楊，涂小敏，費(fèi)敏銳.基于FARIMA模型的Internet時(shí)延預(yù)測[J]. 儀器儀表學(xué)報(bào), 2012, 33(4):757-763.

SONG Yang，TU Xiaomin，F(xiàn)EI Minrui. Internet time-delay prediction based on FARIMA model [J].Chinese Journal of Scientific Instrument, 2012, 33(4):757-763.

[13] 田中大，高憲文，李琨.基于KPCA與LSSVM的網(wǎng)絡(luò)控制系統(tǒng)時(shí)延預(yù)測方法[J]. 系統(tǒng)工程與電子技術(shù), 2013, 35(6):1281-1285.

TIAN Zhongda, GAO Xianwen, LI Kun. Networked control system time-delay prediction method based onKPCA and LSSVM [J]. Systems Engineering and Electronics, 2013, 35(6):1281-1285.

[14] 胡治國,張大陸,侯翠平,等.基于隨機(jī)神經(jīng)網(wǎng)絡(luò)的多步網(wǎng)絡(luò)時(shí)延預(yù)測模型[J].計(jì)算機(jī)科學(xué),2009,36(7):85-112.HU Zhiguo, ZHANG Dalu, HOU Cuiping, et al. Multi-step Network Delay Prediction Model Based on RNN [J]. Computer Science,2009, 36(7):85-112.

DOI：10.3979/j.issn.1673-825X.2016.04.015

收稿日期：2016-03-08

修訂日期：2016-04-12通訊作者：徐京薇kelly_xujw@bupt.edu.cn

基金項(xiàng)目：國家自然科學(xué)基金青年科學(xué)基金(61501042)；北京郵電大學(xué)青年科研創(chuàng)新計(jì)劃專項(xiàng)(2015RC10)；北京市科技新星計(jì)劃項(xiàng)目(Z151100000315078)；產(chǎn)學(xué)研轉(zhuǎn)化項(xiàng)目(201502012)

Foundation Items：The National Natural Science Foundation of China(61501042); The BUPT Special Program for Youth Scientific Research Innovation(2015RC10); The Beijing Nova Program(Z151100000315078); The Industry, Education and Research transformative project(201502012)

中圖分類號(hào)：TP939

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1673-825X(2016)04-0539-06

作者簡介：

徐京薇(1993-)，女，河南開封人，北京郵電大學(xué)碩士研究生， 主要研究方向?yàn)槲磥砭W(wǎng)絡(luò)體系架構(gòu)，內(nèi)容中心網(wǎng)絡(luò)。E-mail:kelly_xujw@bupt.edu.cn。

謝人超(1984-)，男，福建南平人，博士，北京郵電大學(xué)講師，主要研究方向?yàn)槲磥砭W(wǎng)絡(luò)體系架構(gòu)、內(nèi)容中心網(wǎng)絡(luò)、無線通信網(wǎng)絡(luò)。

黃韜(1980-)，男，重慶人，博士，北京郵電大學(xué)副教授，主要研究方向?yàn)槲磥砭W(wǎng)絡(luò)體系架構(gòu)、軟件定義網(wǎng)絡(luò)、內(nèi)容中心網(wǎng)絡(luò)。

劉江(1983-)，男，河南鄭州人，博士，北京郵電大學(xué)講師，主要研究方向?yàn)槲磥砭W(wǎng)絡(luò)體系架構(gòu)、軟件定義網(wǎng)絡(luò)、內(nèi)容中心網(wǎng)絡(luò)。

楊磊(1974-)男，碩士,高級(jí)工程師,主要研究方向?yàn)殡娨暸_(tái)制、播、存儲(chǔ)媒資、傳輸相關(guān)技術(shù)及應(yīng)用。

(編輯：劉勇)

Research for transport control in ICN based on neural network algorithm

XU Jingwei1, XIE Renchao1, HUANG Tao1, LIU Jiang1, YANG Lei2

(1.State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications,Beijing 100876, P.R. China; 2. CCTV, Beijing 100020, P.R. China)

Abstract:With a profound change in the global digital media, current Internet users gradually show great concern for how to get information quickly, rather than the storage location of information. However，the TCP/IP network protocol architecture is unable to adapt to the rapid development of the application demand today. Thus, the new network architecture of information-centric (information-centric networking, ICN) has received the widespread attention. The dynamic changes of the network time delay reflects the load characteristics of the network path, so the accurate prediction of time delay is important to the implementation of network congestion control and routing. In ICN, the uncertainty of time delay, due to network caching mechanism, brings new challenges for the network transmission control. Therefore, in the NDN (named data networking) network which belongs to ICN delay model modeling, time delay prediction algorithm and neural network are used in this paper to design the forwarding strategy based on the predicted time delay mechanism, adding interface Stat into component forwarding information based in NDN innovatively, so as to realize the dynamic choice of forwarding path. The simulation results show that the designed mechanism can effectively improve network transmission control performance.

Keywords：future network; information centric networking; neural network; delay prediction; forwarding strategy