存储资源优化配置下的信息中心网络对象存储策略研究

A series of new Internet architectures, named Information Centric Networking (ICN for short), are proposed to meet the need for efficient and scalable content distribution. ICN has become a major research direction of the next generation Internet. In-network storage management is one of the key challenges of ICN. Via a pricing model based on storage capacity, we tackle the problem of optimization of storage resource distribution from the perspective of ISP incentive of In-network storing. Furthermore, via the technology of content object placement, we manage to combine the optimization of storage resource distribution and the object storing policy together, and propose a new object storing policy with strong incentives for ISP, optimized resource distribution and high performance.

对内容高效、可扩展的分发的需求催生了一系列称为信息中心网络的新一代互联网体系结构。信息中心网络已经成为下一代互联网研究的重要方向。网络存储管理是信息中心网络中亟待解决的关键问题。通过一种基于单位容量价格的收费模型，本项目从ISP网络存储激励的角度来解决网络存储资源的优化配置问题。进一步地，通过对象放置技术，本项目将存储资源优化配置和对象存储策略结合起来，从而提出一种ISP存储激励强、资源配置合理、存储性能高的ICN对象存储策略。

课题系统研究了网络中部署缓存的激励问题和资源优化配置问题，并在此基础上提供了相应的缓存策略，进而研究了缓存策略的差异化、增量部署问题。.1. 在部署缓存的激励问题和资源优化问题方面，针对当前ICN网络存储激励的研究面临网络模型简单，收费模型实现难度大，可扩展性较差等问题。课题提出一种收益补偿机制来给予ISP提供网络缓存的激励。课题研究了ISP不合作和ISP不合作两种情况下，课题发现在本课题提出的收费模型和价格激励机制下，CP有很强的激励来执行该机制；另一方面，ISP合作比ISP不合作可以提供更多的社会效益同时ISP也获得更多的收益。.2. 在缓存策略方面，为了实现在存储激励下的缓存资源优化配置，课题组尝试将ICN的缓存的数据和控制平面分离，提出了一种集中控制的缓存策略。课题研究了如何结合ICN网络缓存和软件定义网络（SDN）集中控制思想，从而提高缓存效率并减轻管理负担，并提出了一种贪心算法来解决对象放置的最优化问题。另一当面，为了进一步提高缓存效率，课题提出了一种基于神经网络的自适应缓存策略。该缓存策略以类似人方式根据自己的经验而不是特定的数学模型来进行缓存决策。该缓存策略结合递归神经网络（RNN）和深度强化学习（DRL），可以学习请求特征、缓存空间动态从而制定决策来提高缓存效率。实验结果表明，该缓存策略明显优于现有的主流缓存策略。.3. 在缓存策略的差异化、增量部署方面，课题研究通过划分虚拟网络的方式实现信息中心网络协议、缓存策略的增量部署，实现网络的演进。网络虚拟化被普遍认为是一种实现互联网演进的有前途的解决方案。虚拟网络的嵌入问题（VNE）是网络虚拟化的重要性能问题之一。课题将VNE问题建模为马尔科夫决策过程（MDP），并提出一种基于时序差分学习（一种增强学习的方法）的虚拟网络嵌入算法(VNE-TD)。该算法通过基于概率的方法生成的多个节点映射选项，通过差分学习的方法评估每个节点映射选项的长期收益。广泛的仿真结果表明，在网络接收率和长期收益方面，VNE-TD的性能明显优于以前的算法。