基于內(nèi)容流行度的移動CCN緩存策略研究

唐 紅，韓 健，段 潔，趙國鋒,2，高江明

(1.重慶郵電大學(xué) 未來網(wǎng)絡(luò)研究中心，重慶 400065; 2.重慶市光通信與網(wǎng)絡(luò)高校重點實驗室，重慶 400065)

0 引 言

內(nèi)容中心網(wǎng)絡(luò)[1](content-centric networking，CCN)是一種以內(nèi)容為中心的下一代互聯(lián)網(wǎng)架構(gòu)，該架構(gòu)通過分布式內(nèi)容緩存機制實現(xiàn)以內(nèi)容為核心的數(shù)據(jù)傳輸[2]。CCN最主要的特點之一是網(wǎng)絡(luò)內(nèi)置緩存，所以，研究人員對緩存技術(shù)產(chǎn)生了廣泛的興趣，并針對不同方向進行了研究，如緩存策略、緩存替換策略等問題。

CCN中的內(nèi)容緩存問題受到國內(nèi)外的廣泛關(guān)注，但是大多數(shù)緩存方案針對固定網(wǎng)絡(luò)[3]，即只考慮有線場景下的內(nèi)容緩存。而據(jù)Cisco公司統(tǒng)計[4]，在2016年，全球移動數(shù)據(jù)流量較2015年增長了63%，其中移動視頻流量占移動數(shù)據(jù)流量總量的60%，并且移動數(shù)據(jù)流量和移動視頻流量在未來幾年內(nèi)還將呈現(xiàn)持續(xù)增長趨勢。同樣，CCN網(wǎng)絡(luò)也將面臨著大量移動用戶接入的問題。當(dāng)移動設(shè)備對內(nèi)容發(fā)出請求，在接收所請求的數(shù)據(jù)之前斷開或移動到新的附接點時，將會增加接收數(shù)據(jù)的時延，此外用戶的移動可能會對內(nèi)容流行度造成影響，流行度的動態(tài)性將導(dǎo)致緩存內(nèi)容的動態(tài)性。因此，CCN緩存方案的研究應(yīng)該考慮移動性對內(nèi)容緩存造成的影響，并設(shè)計出合理的緩存方案有效地提供移動性支持。

針對CCN網(wǎng)絡(luò)中用戶移動的問題，研究人員已經(jīng)提出了部分移動性緩存策略。文獻[5]對客戶端的移動性支持是基于移動服務(wù)代理實現(xiàn)的，當(dāng)客戶端到達其目的地時，它使用移動接口與本地代理(稱為“移入代理”)聯(lián)系，與其分離的遠程代理(稱為“移出代理”)進行交互，將所有訂閱和緩存的消息從遠程站點傳輸?shù)奖镜卣军c，然后傳送到客戶端庫，該方案需要對客戶端進行設(shè)計，所以并不具有普適性，并且整個方案需要大量服務(wù)代理，將進一步加大開銷，時延可能會更長。文獻[6]提出一種選擇性鄰居緩存方法，主動將請求的內(nèi)容緩存在距離當(dāng)前代理一跳的鄰居節(jié)點子集中，文中通過時延和緩存成本二者的折中來選出合適的鄰居子集。文獻[7]提出一種完全主動的最優(yōu)方案，采用位置和數(shù)據(jù)模式預(yù)測來主動支持消費者在網(wǎng)絡(luò)中的移動。實質(zhì)上，該方案將最優(yōu)的緩存接近消費者的預(yù)測內(nèi)容，使其將在切換之前得到滿足并避免興趣重傳。文中方案利用位置估計來預(yù)測用戶切換時間，利用請求模式預(yù)測來預(yù)測將要請求的內(nèi)容，但是文中并沒有針對此進行相應(yīng)數(shù)學(xué)模型的建立和相關(guān)方法的設(shè)計。文獻[8]提出一種分布式主動緩存方法來支持用戶無縫移動，并且方案中采用擁塞定價方案來有效利用本地路由器的緩存空間，但是文中并沒有給出方案的具體算法，并且該方法會在滿足用戶的移動請求之后會馬上刪除本地的內(nèi)容，可能會造成內(nèi)容重復(fù)利用率低的問題。文獻[9]方案引入地理位置，即基于用戶當(dāng)前位置提供相關(guān)的內(nèi)容服務(wù)。

本文提出了一種基于用戶移動性和內(nèi)容流行度預(yù)測的緩存策略，利用半馬爾科夫模型表征用戶移動性，采用多元線性回歸理論進行內(nèi)容流行度預(yù)測，結(jié)合用戶移動性與內(nèi)容流行度對問題進行數(shù)學(xué)建模。通過仿真證明，該策略能較好地提高內(nèi)容緩存命中率，進而減少了用戶的請求時延，提升緩存系統(tǒng)的整體效用。

1 移動CCN網(wǎng)絡(luò)場景

介紹了具有移動用戶的CCN網(wǎng)絡(luò)場景，網(wǎng)絡(luò)由多個能緩存內(nèi)容的CCN路由器組成，用戶在某些轉(zhuǎn)移概率之后在無線網(wǎng)絡(luò)中移動。

1.1 問題描述

無線網(wǎng)絡(luò)中，用戶通過無線接入點(access point,AP)訪問互聯(lián)網(wǎng)，同時用戶可能在不同無線覆蓋區(qū)域之間進行移動。訪問互聯(lián)網(wǎng)時，用戶根據(jù)自己需求下載不同內(nèi)容，內(nèi)容從下載開始到下載結(jié)束一直在同一區(qū)域完成的過程稱作完全下載，當(dāng)用戶移動時，完全下載可能不會在同一個區(qū)域上滿足，在一個區(qū)域處的不完整下載可以由移動用戶攜帶到另一個區(qū)域，引起對相同內(nèi)容的新請求。因此，用戶的移動性將會對其他區(qū)域處內(nèi)容源的靜態(tài)流行度產(chǎn)生影響。

1.2 網(wǎng)絡(luò)場景

網(wǎng)絡(luò)模型需要選擇一個能提供內(nèi)容分發(fā)服務(wù)的場景，以校園網(wǎng)為例，網(wǎng)絡(luò)場景如圖1所示。在校園網(wǎng)中，將校園劃分為不同區(qū)域，例如圖書館、餐廳、學(xué)生宿舍等，稱每個無線覆蓋區(qū)域為一個站點，記站點為RH，提供Wi-Fi服務(wù)，用戶可在校園的不同站點間移動，并且這些站點將向具有不同興趣的用戶分發(fā)各種內(nèi)容。所有站點通過具有CCN功能的有線本地網(wǎng)絡(luò)相互連接。網(wǎng)絡(luò)中還存在來自外部網(wǎng)絡(luò)的集中式服務(wù)器(見圖1)，以提供所請求內(nèi)容的全部源。

圖1場景中，站點內(nèi)的用戶在餐廳區(qū)域請求內(nèi)容，并發(fā)生了移動，如果用戶在餐廳區(qū)域沒有進行完全下載，等到達新站點(圖書館或宿舍)后將對內(nèi)容重新發(fā)起請求，將會對新站點的內(nèi)容流行度造成影響。因此，站點RH緩存策略設(shè)計需考慮用戶移動性。

圖1 具有用戶移動性的CCN網(wǎng)絡(luò)場景Fig.1 CCN network scene with user mobility

2 方法描述

基于上述問題描述，用戶以某些轉(zhuǎn)移概率在站點間進行移動，可能在新站點產(chǎn)生對某些內(nèi)容的新請求。因此，需要對移動過程中用戶的轉(zhuǎn)移概率進行分析，同時CCN網(wǎng)絡(luò)中，CCN路由器基于內(nèi)容的流行度對內(nèi)容進行緩存，因此，需要對網(wǎng)絡(luò)中內(nèi)容的靜態(tài)流行度進行分析。

2.1 用戶移動性

無線網(wǎng)絡(luò)中移動用戶常有基于時延行動的過程，且通常具有較大尺度的時間范圍。因此，本文采用半馬爾科夫模型[10-11]來描述用戶的移動性，半馬爾可夫過程與一般馬爾可夫過程不同的是，與狀態(tài)逗留時間t有關(guān)，是馬爾可夫鏈的推廣，不再局限于馬爾可夫鏈中的假設(shè)。半馬爾可夫過程的意義更接近現(xiàn)實中用戶移動方式，所以針對位置預(yù)測的半馬爾可夫模型得出的結(jié)論更精確。

設(shè){X(t),t>0}是一個連續(xù)時間參數(shù)t的隨機過程，取值于狀態(tài)空間Sn(k)，其中，Sn(k)是{X(t),t>0}的狀態(tài)轉(zhuǎn)移時刻，令Xn是tn時刻用戶發(fā)生狀態(tài)轉(zhuǎn)移后過程所處的狀態(tài)。設(shè)定本文模型是離散時間的半馬爾可夫過程，狀態(tài)的逗留時間t為離散時間變量，移動用戶在某一站點的逗留時間不少于一個時間單位，在每一個站點內(nèi)只能是單步轉(zhuǎn)移并且至少需要一個單位的時間。因此，t大于N始終成立，在N步轉(zhuǎn)移花費的時間最少為t=N。其中，單步半馬爾可夫核為

(1)

(1)式中，逗留時間條件概率mi,j(t)為

mi,j(t)=p{tn+1-tn=t|Xn+1=j,Xn=i}

(2)

則N步轉(zhuǎn)移概率核為

(3)

(4)

(5)

2.2 內(nèi)容流行度預(yù)測

多數(shù)內(nèi)容流行度的研究都是對文件流行度的定性描述，缺乏針對內(nèi)容流行度的定量分析，而多元線性回歸[12]能對內(nèi)容流行度進行定量分析。當(dāng)研究對象受到多個自變量的影響，并且自變量間無準(zhǔn)確的線性關(guān)系，即無多重共線性時，可建立多元線性回歸模型進行系統(tǒng)分析和預(yù)測。多元線性回歸技術(shù)可用于研究一個因變量與多個自變量之間的線性關(guān)系。

多元線性回歸理論是用多個自變量的數(shù)值估計另一個因變量的數(shù)值，數(shù)學(xué)表達式為

y=β0+β1x1+β2x2+…+βmxm+ε

(6)

(6)式中：x1，x2，…，xm為實際觀測的一般變量；y為實際觀測的隨機變量，并且隨變量x1，x2，…，xm而變化；ε為影響y的修正因子；βi表示因變量x的變化對自變量y的直接影響。

對內(nèi)容流行度的預(yù)測，可以根據(jù)最近M個時間段的流行度統(tǒng)計值估計未來流行度：選取L組內(nèi)容的觀測值，每組有m+1個流行度統(tǒng)計值，在站點i處內(nèi)容k的第m+1個周期的統(tǒng)計值記為Pk,i，則未來統(tǒng)計周期的流行度值Pk,i關(guān)于最近m個周期流行度的m元回歸方程為

Pk.i=β0+β1P1k,i+β2P2k,i+…+βmPmk,i+ε

(7)

要應(yīng)用上式估計流行度預(yù)測值，需求解回歸參數(shù)的估計值，求解回歸參數(shù)估計值最常用的方法是最小二乘估計與極大似然估計。由于極大似然估計是基于ε正態(tài)分布假設(shè)的，而最小二乘估計對ε分布假設(shè)不作要求，故本文采用最小二乘估計進行方程求解。求出回歸系數(shù)估計值b1，b2，…，bm，從而可以得到關(guān)于過去M個周期流行度統(tǒng)計值的流行度預(yù)測方程

Pk,i=b0+b1P1k,i+b2P2k,i+…+bmPmk,i

(8)

根據(jù)用戶在不同站點之間的停留時間，完全下載可能不會在一個站點上滿足。因此，當(dāng)用戶在一個站點具有不完整的下載并且進入新站點時，可以在新站點處請求內(nèi)容。因此，新站點i上的內(nèi)容k的流行度Pk,i可能不反映實際的請求率，因為從具有不完整下載站點轉(zhuǎn)移過來的移動用戶將發(fā)送對站點i處的相應(yīng)內(nèi)容的請求，影響靜態(tài)內(nèi)容流行度Pk,i。

3 緩存策略

為最小化服務(wù)器成本、流量負載和響應(yīng)時間，需要最大化RH處的緩存命中率，即盡可能多的在本地處理內(nèi)容請求。本節(jié)研究了支持用戶移動性的緩存策略，提出了基于用戶移動性和內(nèi)容流行度預(yù)測推導(dǎo)的移動性緩存策略。

3.1 緩存方案

整個緩存方案的設(shè)計主要由2個部分組成：穩(wěn)態(tài)情況下的緩存和突發(fā)情況下的緩存，如圖2所示。在穩(wěn)態(tài)情況下，方案建立用戶移動性和內(nèi)容流行度之間的邏輯關(guān)系，利用用戶移動性對靜態(tài)內(nèi)容流行度的影響，重新計算新的內(nèi)容流行度等級表，緩存節(jié)點根據(jù)新內(nèi)容流行度等級表進行內(nèi)容緩存；在突發(fā)情況下，主要針對突發(fā)事件的內(nèi)容緩存，如某娛樂新聞、某新電影上映、某最新單曲發(fā)布等。當(dāng)對某一內(nèi)容的請求次數(shù)大于設(shè)定閾值時，將直接在緩存節(jié)點對內(nèi)容進行緩存。本文僅對穩(wěn)態(tài)情況下的緩存進行了研究。

3.2 緩存模型

用戶在某個站點沒有完成當(dāng)前下載的原因可能是由于內(nèi)容過大，例如，持續(xù)1 h或更長時間的視頻。對于未完成的下載，用戶將在新站點上生成對相同內(nèi)容的請求[13]。在這種情況下，這些請求取決于在先前站點的下載，并且由于用戶移動，每個站點處的內(nèi)容請求率受到其他站點的影響。傳統(tǒng)的CCN緩存方案通過內(nèi)容本身的靜態(tài)流行度來緩存內(nèi)容，在這種情況下，一個站點產(chǎn)生的請求不會影響用戶下一個站點的請求率，因為請求率只由本地流行度決定。為了考慮用戶移動對本地內(nèi)容流行度的影響，緩存方案需要同時考慮本地內(nèi)容流行度的預(yù)測與站點間的轉(zhuǎn)移矩陣，已獲得用戶通過某種轉(zhuǎn)移概率到達新站點后產(chǎn)生的額外用戶請求。緩存模型的網(wǎng)絡(luò)符號及定義如表1所示。

圖2 移動性-內(nèi)容流行度的緩存方案Fig.2 Caching scheme for mobility-content popularity

表1 符號及定義Tab.1 Symbols and definitions

i=1,2,…，Ns

(9)

對每個站點的人口分布進行歸一化處理

(10)

加入用戶移動性后內(nèi)容k在站點i處的流行度計算為

設(shè)Ci表示站點i處所有緩存內(nèi)容集合，如果站點i處含有內(nèi)容k，則Ek,i為1，否則為0，表達式為

k=1,…，Nc

(13)

由此可得，在站點i處的平均緩存命中率Hi為

(14)

因此，目標(biāo)函數(shù)的表達式為

(15)

i=1,2,…，Ns

(16)

Rk,i<1,k=1,2,…，Nc;i=1,2,…，Ns

(17)

(16)式中，Bi表示站點i上的總緩存大小限制；(17)式表示站點i中新的內(nèi)容請求率小于1的限制。

3.3 緩存算法

基于上述移動性緩存模型分析，提出基于用戶移動性-內(nèi)容流行度預(yù)測的緩存算法。該算法利用半馬爾科夫模型來描述用戶的移動性，利用多元線性回歸模型來進行內(nèi)容流行度的預(yù)測，然后通過用戶移動性對內(nèi)容流行度的影響計算出新的內(nèi)容流行度，根據(jù)新的內(nèi)容流行度對內(nèi)容進行緩存。算法步驟如下。

步驟1初始化：網(wǎng)絡(luò)圖劃分為Ns個區(qū)域，網(wǎng)絡(luò)總用戶數(shù)為Nu；

步驟2當(dāng)前網(wǎng)絡(luò)中用戶在站點的逗留時間設(shè)為服從參數(shù)為η,β的威布爾分布。計算轉(zhuǎn)移概率分布矩陣d={di,j}，計算逗留時間分布矩陣m={mi,j(t)}；

步驟4站點i處內(nèi)容k的第m+1個周期的流行度統(tǒng)計值記作Pk,i，第m個周期的流行度統(tǒng)計值記作Pmk,i，計算Pk,i=b0+b1P1k,i+…+bmPmk,i，其中k=1,2…，Nc，i=1,2,…，Ns，當(dāng)t=T時，進行下個周期的內(nèi)容流行度預(yù)測；

步驟6計算Rk,i，從新的流行性等級列表{Rk,i}中選擇緩存的內(nèi)容。

該算法不僅考慮了內(nèi)容流行度，而且加入了用戶移動性對內(nèi)容流動的影響，因此，該算法具有更強的適用性和實用性。

4 仿真結(jié)果與分析

本節(jié)對所提出的緩存算法進行了仿真分析，并在相同條件下與未加入移動性的算法進行了比較。仿真條件為站點數(shù)量Ns為8，內(nèi)容數(shù)量Nc為200～1 000個，用戶數(shù)量Nu為100，Zipf[14]參數(shù)α為0.8。由于CCN網(wǎng)絡(luò)架構(gòu)研究目前尚處于學(xué)術(shù)研究與試驗階段，本文主要基于理論分析的結(jié)果進行仿真驗證。仿真拓撲如圖3所示。

圖3 仿真網(wǎng)絡(luò)環(huán)境拓撲Fig.3 Simulation network environment topology

首先仿真某用戶在時間t內(nèi)的轉(zhuǎn)移概率，基于半馬爾科夫理論虛擬一些轉(zhuǎn)移概率參數(shù)值和轉(zhuǎn)移的逗留時間參數(shù)，逗留時間參數(shù)依然服從威布爾分布。仿真結(jié)果如圖4所示。圖4中的仿真曲線表示隨著不同的連續(xù)時間周期特定轉(zhuǎn)移的可能性結(jié)果。在初始時間周期的1個單位，網(wǎng)絡(luò)中預(yù)測當(dāng)前位置2的用戶轉(zhuǎn)移到位置1的可能性最大，而在之后的時間周期內(nèi)移動用戶轉(zhuǎn)移到站點6的概率反而最大。可得出結(jié)論，該移動用戶最終從站點2移動到站點6。

圖4 站點2處某用戶的轉(zhuǎn)移概率分布Fig.4 Transfer probability distribution of a user at No.2 site

然后，圖5對某些內(nèi)容的請求率進行了仿真，對比了加入移動性與不加入移動性時的仿真結(jié)果。對站點2處的內(nèi)容請求率進行驗證，設(shè)Zipf參數(shù)α為0.8，內(nèi)容數(shù)量為200～1 000個，仿真結(jié)果如圖5所示。從圖5中可明顯發(fā)現(xiàn)，基于流行度的請求率不能準(zhǔn)確地反映實際的用戶請求行為，在模擬中純流行性和實際內(nèi)容請求速率之間存在較大的差距。在一個站點，從用戶接收的請求不僅包括發(fā)起內(nèi)容下載的用戶發(fā)送的請求，而且包括從其他站點帶來的繼續(xù)下載。這表明用戶移動性對內(nèi)容請求速率具有影響，大大偏斜原始內(nèi)容流行度，使得基于靜態(tài)流行度的緩存策略的性能較差。

圖5 站點2處某內(nèi)容請求率分布Fig.5 Content request rate distribution at No.2 site

然后，圖6對內(nèi)容大小對緩存性能的影響進行了仿真，對比了加入移動性與不加入移動時的仿真結(jié)果，仿真結(jié)果如圖6所示。從圖6中可明顯發(fā)現(xiàn)，隨著內(nèi)容大小的增加，2種策略的緩存命中率都會下降，因為緩存大小固定，緩存內(nèi)容的數(shù)量會減少。并且加入移動性后的緩存方案在大尺寸內(nèi)容上表現(xiàn)更好，因為由于內(nèi)容過大造成未完成的下載過多，所以站點之間的用戶移動性必須被考慮。

圖6 內(nèi)容大小-內(nèi)容緩存率分布Fig.6 Content size-content hit rate distribution

最后為了檢驗算法的準(zhǔn)確性，對加入移動性與不加入移動性后的緩存命中率進行了仿真比較。圖7顯示了加入移動性和不加入移動性之間的性能差距。加入移動性后的高速緩存命中率高得多，并且當(dāng)CCN中的內(nèi)容數(shù)量逐漸增多時，性能改進變得更加明顯，并且高速緩存命中率將隨著內(nèi)容數(shù)量的增加而變高，這是因為當(dāng)內(nèi)容數(shù)目增加時能更多地緩存流行度較高的內(nèi)容。

圖7 網(wǎng)絡(luò)中內(nèi)容緩存命中率分布Fig.7 Content hit rate distribution in network

5 結(jié)束語

本文研究了一種在CCN無線網(wǎng)絡(luò)環(huán)境下適用于用戶移動性的緩存算法，算法包括用戶移動性分析和內(nèi)容流行度預(yù)測2部分。采用半馬爾科夫模型對用戶的轉(zhuǎn)移概率進行分析，同時利用多元線性回歸模型對內(nèi)容流行度進行定量分析，結(jié)合用戶移動性與內(nèi)容流行度推導(dǎo)出移動性緩存策略。仿真結(jié)果顯示，移動性會對內(nèi)容流行度產(chǎn)生較大影響，并且基于用戶移動性與內(nèi)容流行度預(yù)測的緩存方案可以有效提高網(wǎng)絡(luò)中內(nèi)容的緩存命中率。未來研究工作將考慮緩存容量及內(nèi)容大小對移動CCN緩存策略的影響。

[1] PERESINI P, KUZNIAR M, KOSTIC D. Monocle: dynamic, fine-grained data plane monitoring [C]// Proceedings of the 11th International Conference on Emerging Networking EXperiments and Technologies. Heidelberg: ACM Press , 2015 :1-13.

[2] 朱軼,糜正琨,王文鼐.一種基于內(nèi)容流行度的內(nèi)容中心網(wǎng)絡(luò)緩存概率置換策略[J].電子與信息學(xué)報, 2013, 35(6):1305-1310.

ZHU YI, MI Zhengkun, WANG Wennai. A Cache Probability Replacement Policy Based on Content Popularity in Content Centric Networks[J]. Journal of Electronics & Information Technology, 2013, 35(6):1305-1310.

[3] ZHANG M, LUO H, ZHANG H. A Survey of Caching Mechanisms in Information-Centric Networking[J]. IEEE Communications Surveys & Tutorials, 2015, 17(3):1473-1499.

[4] VNI Cisco, Cisco Visual Networking Index: Global Mobile Data Traffic Forecast Update [EB/OL]. (2017-03-28) [2017-05-11].http://www.cisco.com/c/en/us/solutions/collateral/service-provider/visual-networking-index-vni/mobile-white-paper-c11-520862.html.

[5] CAPORUSCIO M, CARZANIGA A, WOLF A L. Design and Evaluation of a Support Service for Mobile, Wireless Publish/Subscribe Applications[M]. LOS ALAMITOS, USA: IEEE Press, 2003.

[6] VASILAKOS X, SIRIS V A, POLYZOS G C, et al. Proactive selective neighbor caching for enhancing mobility support in information-centric networks[C]// Proceedings of the second edition of the ICN workshop on Information-centric networking. New York, NY, USA: ACM Press, 2012:61-66.

[7] FARAHAT H, HASSANEIN H S. Supporting Consumer Mobility Using Proactive Caching in Named Data Networks[C]//2016 IEEE Global Communications Conference (GLOBECOM). Washington, DC USA: IEEE Press, 2016: 1-6.

[8] SIRIS V A, VASILAKOS X, POLYZOS G C. Efficient proactive caching for supporting seamless mobility[C]//2014 IEEE International Symposium on A World of Wireless, Mobile and Multimedia Networks. Sydney, Australia: IEEE Press, 2014:1-6.

[9] GUAN J, HE Y, WEI Q, et al. A Classification-Based Wisdom Caching scheme for Content Centric Networking[C]//2016 IEEE INFOCOM Conference on Computer Communications Workshops. San Francisco, CA, USA: IEEE Press, 2016:822-827.

[10] 張艷,王玫,王俊義.Femtocell網(wǎng)絡(luò)中移動用戶位置和網(wǎng)絡(luò)容量的預(yù)測[J].桂林電子科技大學(xué)學(xué)報, 2014(2):87-90.

ZHANG Yan, WANG Mei, WANG Junyi. Preliminary Prediction of Mobile User Location and Network Capacity in Femtocell Networks [J]. Journal of Guilin University of Electronic Technology, 2014 (2): 87-90.

[11] YU F, LEUNG V. Mobility-based Prediction Call Admission Control and Bandwidth Reservation in Wireless Cellular Networks [J]. Computer Networks, 2002, 38(5): 577-589.

[12] 董美姣，黃韜.基于內(nèi)容流行度預(yù)測的CCN緩存策略研究[EB/OL].(2014-12-05)[2017-05-11].http://www.paper.edu.cn/releasepaper/content/201412-154.

DONG Meijiao, HUANH Tao. Study on CCN Caching Strategy Based on Content Popularity Forecasting [EB / OL]. (2014-12-05)[2017-05-11].http://www.paper.edu.cn/releasepaper/content/201412-154.

[13] WEI T, CHANG L, YU B, et al. MPCS: A mobility/popularity-based caching strategy for information-centric networks[C]// 2014 IEEE Global Communications Conference. Austin, TX, USA: IEEE Press, 2014:4629-4634.

[14] HASSLINGER G, NTOUGIAS K, HASSLINGER F. Performance and Precision of Web Caching Simulations Including a Random Generator for Zipf Request Pattern[M]. Münster, German: Springer Intemational Publishing, 2016.

(編輯：劉 勇)