مقایسه عملکرد الگوریتم‌های کش در شبکه‌های داده‌های نام‌گذاری‌شده با تمرکز بر کاهش حملات آلودگی و بهینه‌سازی پارامتر β

محورهای موضوعی : فناوری های نوین در سیستم های توزیع شده و محاسبات الگوریتمی

عاطفه واعظ شهرستانی ¹ , محمدرضا خیام باشی ² , فرامرز صافی ³

1 - دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
2 - گروه معماری کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران
3 - دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

تاریخ دریافت : 1404/03/15 تاریخ پذیرش : 1404/04/19 تاریخ انتشار : 1404/06/17

کلید واژه: شبکه‌های داده‌های نام‌گذاری‌شده, حافظه نهان, نرخ اصابت کش, درصد آلودگی کش, الگوریتم ADMM, ADMM-Enhanced,

چکیده مقاله :

با رشد سریع معماری‌های محتوامحور نظیر شبکه‌های داده‌های نام‌گذاری‌شده (NDN)، مدیریت هوشمند حافظه نهان به یک مؤلفه حیاتی در بهینه‌سازی کارایی شبکه و ارتقای کیفیت تجربه کاربر تبدیل شده است. در این میان، پارامتر β به‌عنوان عامل تنظیم حساسیت کش نسبت به توزیع محبوبیت محتوا، نقشی بنیادین ایفا می‌کند. انتخاب غیربهینه این پارامتر ممکن است منجر به افت نرخ اصابت کش، افزایش آلودگی داده و ناکارآمدی منابع شود. در این پژوهش، چارچوبی نوین مبتنی بر الگوریتم ADMM (روش ضرایب لاگرانژ افزایشی جهت‌دار) برای تنظیم توزیع‌شده و تطبیقی پارامتر β ارائه شده است. مدل پیشنهادی با ساختاری غیرمتمرکز، قابلیت اجرا در سطح گره‌های شبکه را داراست و از طریق به‌روزرسانی‌های هماهنگ متغیرهای اولیه و دوگانه، به همگرایی سریع و تنظیم دقیق β منتهی می‌شود. افزون بر آن، نسخه پیشرفته‌تری تحت عنوان ADMM-Enhanced توسعه یافته است که با بهره‌گیری از تنظیم خودکار پارامترهای λ و ρ، پایداری، دقت و تطبیق‌پذیری بیشتری نسبت به شرایط دینامیک شبکه حاصل می‌کند. برای ارزیابی کارایی این روش، چهار توپولوژی شبکه (ساده، سلسله‌مراتبی، پیشرفته و مش) در قالب سه سناریوی عملیاتی شامل وضعیت پایدار، حمله آلودگی کش (CPA)، و تغییرات بار ترافیکی طراحی و شبیه‌سازی شد. نتایج تجربی حاصل از مقایسه با الگوریتم‌های مرجع از جمله LRU، LFU-DA، PFP-DA و PFP-β-DA، نشان دادند که الگوریتم ADMM-Enhanced در سناریوی پایدار نرخ اصابت کش را تا ۳۰٪ افزایش داده و آلودگی را به صفر رسانده است، و در مواجهه با حمله شدید (۳۰٪ مهاجم) نیز با حفظ CHR برابر ۱۸٪ و CPR برابر ۱۸٪، عملکردی پایدار، تطبیق‌پذیر و مقاوم از خود نشان داده است. همچنین در توپولوژی‌های پیچیده مانند مش، الگوریتم پیشنهادی توانست در برابر تهدیدات توزیع‌شده، ازدحام و قطع لینک، بهره‌وری و کیفیت کش را حفظ کرده و سازگاری بالایی با محیط‌های پویا از خود نشان دهد

چکیده انگلیسی:

With the rapid evolution of content-centric architectures like Named Data Networks (NDN), intelligent cache management has become vital for enhancing network performance and user experience. A key factor in this domain is the β parameter, which adjusts cache sensitivity to content popularity distribution. An inappropriate β value can reduce cache hit rates, increase data pollution, and waste resources. This research introduces a novel framework utilizing the ADMM (Directed Augmented Lagrange Multiplier Method) algorithm for distributed and adaptive tuning of the β parameter. The decentralized structure of the model enables implementation at individual network nodes, achieving fast convergence and precise β adjustments through coordinated updates of primary and dual variables. An enhanced version, ADMM-Enhanced, further improves performance by automatically optimizing λ and ρ parameters, delivering greater stability, accuracy, and adaptability to network dynamics. To assess its effectiveness, the model was tested across four topologies—simple, hierarchical, enhanced, and mesh—under three scenarios: steady-state, cache pollution attacks (CPA), and varying traffic loads. Compared with baseline algorithms (LRU, LFU-DA, PFP-DA, and PFP-β-DA), ADMM-Enhanced improved cache hit rates by 30% and fully eliminated pollution in steady-state conditions. Under a severe CPA scenario with 30% attacker nodes, it maintained a cache hit rate (CHR) and cache pollution rate (CPR) of 18%, indicating strong resilience and adaptability. In complex topologies like mesh networks, the algorithm preserved cache performance even under distributed attacks, congestion, and link failures. Overall, ADMM-Enhanced proved to be a highly adaptable and efficient solution for dynamic and threat-prone NDN environments.

منابع و مأخذ:

[1] F. A. Karim, A. H. M. Aman, R. Hassan, K. Nisar, and M. Uddin, “Named Data Networking: A Survey on Routing Strategies,” IEEE Access, vol. 10, pp. 90254-90270, 2022.
[2] X. Zhang, Y. Zhou, D. Wu, Q. Z. Sheng, S. Riaz, M. Hu, and L. Xiao, “A Survey on Privacy-Preserving Caching at Network Edge: Classification, Solutions, and Challenges,” ACM Computing Surveys, vol. 57, no. 5, pp. 1-38, 2025.
[3] P. Kar, L. Chen, W. Sheng, C. F. Kwong, and D. Chieng, “Advancing NDN security: Efficient identification of cache pollution attacks through rank comparison,” Internet of Things, vol. 26, pp. 101142, 2024.
[4] R. Alubady, M. Salman, and A. S. Mohamed, “A review of modern caching strategies in named data network: Overview, classification, and research directions,” Telecommunication Systems, vol. 84, no. 4, pp. 581-626, 2023.
[5] N. Sadat, and R. Dai, “A Survey of Quality-of-Service and Quality-of-Experience Provisioning in Information-Centric Networks,” Network, vol. 5, no. 2, pp. 10, 2025.
[6] A. H. Magsi, A. Ghulam, S. Memon, K. Javeed, M. Alhussein, and I. Rida, “A machine learning-based attack detection and prevention system in vehicular named data networking,” Comput. Mater. Contin, vol. 77, no. 2, pp. 1445-1465, 2023.
[7] A. Karami, and M. Guerrero-Zapata, “An anfis-based cache replacement method for mitigating cache pollution attacks in named data networking,” Computer Networks, vol. 80, pp. 51-65, 2015.
[8] N. U. Saqib, and S. Isnain, “A Survey on Mitigation of Cache Pollution Attacks in NDN,” Acta Technica Jaurinensis, 2025.
[9] Z. N. S. ALMUDAYNI, “Improving Energy Efficiency and Network Lifetime in IoT Systems: A Novel Theoretical Framework and Experimental Validation,” La Trobe, 2025.
[10] N. Kumar, and S. Srivastava, “IBPC: An Approach for Mitigation of Cache Pollution Attack in NDN using Interface-Based Popularity,” Arabian Journal for Science and Engineering, vol. 49, no. 3, pp. 3241-3251, 2024.
[11] T. Lauinger, N. Laoutaris, P. Rodriguez, T. Strufe, E. Biersack, and E. Kirda, “Privacy risks in named data networking: What is the cost of performance?,” ACM SIGCOMM Computer Communication Review, vol. 42, no. 5, pp. 54-57, 2012.
[12] J. Baugh, and J. Guo, “Enhancing Cache Robustness in Information-Centric Networks: Per-Face Popularity Approaches,” Network, vol. 3, no. 4, pp. 502-521, 2023.
[13] S. S. Ullah, S. Hussain, I. Ali, H. Khattak, and S. Mastorakis, “Mitigating content poisoning attacks in named data networking: a survey of recent solutions, limitations, challenges and future research directions,” Artificial Intelligence Review, vol. 58, no. 2, pp. 42, 2024.
[14] U. Sadana, A. Chenreddy, E. Delage, A. Forel, E. Frejinger, and T. Vidal, “A survey of contextual optimization methods for decision-making under uncertainty,” European Journal of Operational Research, vol. 320, no. 2, pp. 271-289, 2025.
[15] R. Tourani, S. Misra, T. Mick, and G. Panwar, “Security, privacy, and access control in information-centric networking: A survey,” IEEE communications surveys & tutorials, vol. 20, no. 1, pp. 566-600, 2017.
[16] Y. Xiao, H. Cui, R. A. Khurma, and P. A. Castillo, “Artificial lemming algorithm: a novel bionic meta-heuristic technique for solving real-world engineering optimization problems,” Artificial Intelligence Review, vol. 58, no. 3, pp. 84, 2025.
[17] T. Semwal, S. Jain, A. Mohanta, and A. Jain, “A hybrid CNN-SVM model optimized with PSO for accurate and non-invasive brain tumor classification,” Neural Computing and Applications, pp. 1-30, 2025.
[18] D. Han, and X. Yuan, “A note on the alternating direction method of multipliers,” Journal of Optimization Theory and Applications, vol. 155, pp. 227-238, 2012.
[19] S. G. Mandapati, C. Ranaweera, and R. Doss, "Early Detection and Mitigation of Cache-Based Attacks in IoT-NDN," Deakin University, 2025.
[20] J. Yang, K. Ding, K. Xue, J. Han, D. S. L. Wei, Q. Sun, and J. Lu, “HPR-DS: A Hybrid Proactive Reactive Defense Scheme Against Interest Flooding Attack in Named Data Networking,” IEEE Transactions on Networking, pp. 1-16, 2025.
[21] H. Wang, D. Man, S. Han, H. Wang, and W. Yang, "Detection and Defense of Cache Pollution Attack Using State Transfer Matrix in Named Data Networks." pp. 545-556.
[22] M. M. F. Hamdi, Z. Chen, and M. Radenkovic, "Mitigating Cache Pollution Attack Using Deep Learning in Named Data Networking (NDN)." pp. 432-442.
[23] A. Hidouri, H. Touati, M. Hadded, N. Hajlaoui, P. Muhlethaler, and S. Bouzefrane, “Q-ICAN: A Q-learning based cache pollution attack mitigation approach for named data networking,” Computer Networks, vol. 235, pp. 109998, 2023/11/01/, 2023.
[24] L. Liu, and S. Peng, "Detection of A Novel Dual Attack in Named Data Networking." pp. 1-8.
[25] D. Man, Y. Mu, J. Guo, W. Yang, J. Lv, and W. Wang, “Cache pollution detection method based on GBDT in information‐centric network,” Security and Communication Networks, vol. 2021, no. 1, pp. 6658066, 2021.
[26] L. Yao, Y. Zeng, X. Wang, A. Chen, and G. Wu, “Detection and defense of cache pollution based on popularity prediction in named data networking,” IEEE Transactions on Dependable and Secure Computing, vol. 18, no. 6, pp. 2848-2860, 2020.
[27] J. Zhou, J. Luo, L. Deng, and J. Wang, "Cache pollution prevention mechanism based on cache partition in V-NDN." pp. 330-335.
[28] R. M. Buvanesvari, and K. Suresh Joseph, “RBFNN: A radial basis function neural network model for detecting and mitigating the cache pollution attacks in named data networking,” IET Networks, vol. 9, no. 5, pp. 255-261, 2020.
[29] T. Nguyen, H. L. Mai, R. Cogranne, G. Doyen, W. Mallouli, L. Nguyen, M. E. Aoun, E. M. D. Oca, and O. Festor, “Reliable Detection of Interest Flooding Attack in Real Deployment of Named Data Networking,” IEEE Transactions on Information Forensics and Security, vol. 14, no. 9, pp. 2470-2485, 2019.
[30] B. K. Saha, and S. Misra, “Mitigating NDN-based fake content dissemination in opportunistic mobile networks,” IEEE Transactions on Mobile Computing, vol. 19, no. 6, pp. 1375-1386, 2019.
[31] J. P. Baugh, “Enhancing Cache Robustness in Named Data Networks,” 2018.
[32] A. Hidouri, H. Touati, M. Hadded, N. Hajlaoui, and P. Muhlethaler, "A detection mechanism for cache pollution attack in named data network architecture." pp. 435-446.

متن کامل:



پژوهشی

مقایسه عملکرد الگوریتم‌های کش در شبکه‌های داده‌های نام‌گذاری‌شده با تمرکز بر کاهش حملات آلودگی و بهینه‌سازی پارامتر β 

 

عاطفه واعظ شهرستانی1|  محمدرضا خیام باشی*2‌‌ | فرامرز صافی3

1 دانشکده مهندسي کامپیوتر- واحد نجف­آباد - دانشگاه آزاد اسلامی– نجف­آباد- ايران  ، [e-mail]   2 دانشکده مهندسي کامپيوتر- دانشگاه اصفهان- اصفهان- ايران ، [e-mail]   3مرکز تحقیقات کلان­داده، -واحد نجف­آباد-دانشگاه آزاد اسلامی–نجف­آباد-ایران [e-mail]   نویسنده مسئول *محمدرضا خیام باشی، [e-mail] دانشکده مهندسي کامپيوتر- دانشگاه اصفهان- اصفهان- ايران

چکیده:

مدیریت هوشمند حافظه نهان در شبکه‌های داده‌های نام‌گذاری‌شده (NDN)، یک مؤلفه حیاتی در بهینه‌سازی کارایی شبکه و ارتقای کیفیت تجربه کاربر است. تنظیم حساسیت کش بر اساس تغییرات رفتاری با استفاده از پارامتر β و توزیع Zipf در مدیریت حافظه نهان بسیار مهم است. با توجه به اینکه β تأثیر مستقیمی بر تعادل میان مقاومت در برابر آلودگی کش و حفظ محتوای واقعی محبوب دارد، تنظیم و تعیین این پارامتر نقشی بنیادین ایفا می‌کند. در این پژوهش، چارچوبی نوین مبتنی بر الگوریتم روش ضرایب لاگرانژ افزایشی جهت‌دار (ADMM) برای تنظیم توزیع‌شده و تطبیقی پارامتر β ارائه شده است. مدل پیشنهادی با ساختاری غیرمتمرکز، قابلیت اجرا در سطح گره‌های شبکه را داراست و از طریق به‌روزرسانی‌های هماهنگ متغیرهای اولیه و دوگانه، به همگرایی سریع و تنظیم دقیق β منتهی می‌شود. افزون بر آن، نسخه پیشرفته‌تری تحت عنوان ADMM-Enhanced توسعه یافته است که با بهره‌گیری از تنظیم خودکار پارامترهای λ و ρ، پایداری، دقت و تطبیق‌پذیری بیشتری نسبت به شرایط دینامیک شبکه حاصل می‌کند. برای ارزیابی کارایی این روش، چهار توپولوژی شبکه (ساده، سلسله‌مراتبی، پیشرفته و مش) در سناریوهای مختلف طراحی و شبیه‌سازی شد. نتایج شبیه سازی و مقایسه با الگوریتم‌های مرجع نشان دادند که الگوریتم ADMM-Enhanced در سناریوی پایدار نرخ اصابت کش را تا ۳۰٪ افزایش داده و آلودگی را به صفر رسانده است، و در مواجهه با حمله شدید (۳۰٪ مهاجم) نیز با حفظ CHR برابر ۱۸٪ و CPR برابر ۱۸٪، عملکردی پایدار، تطبیق‌پذیر و مقاوم از خود نشان داده است. همچنین در توپولوژی‌های پیچیده مانند مش، الگوریتم پیشنهادی توانست در برابر تهدیدات توزیع‌شده، ازدحام و قطع لینک، بهره‌وری و کیفیت کش را حفظ کرده و سازگاری بالایی با محیط‌های پویا از خود نشان دهد.

تاریخ دریافت: 15/3/1404 تاریخ پذیرش: 19/4/1404

 

 

 

https://doi.org/...

 

کلید واژه‌ها: الگوریتم ADMM، ADMM-Enhanced، شبکه‌های داده‌های نام‌گذاری‌شده، حافظه نهان، نرخ اصابت کش، درصد آلودگی کش

 

1-مقدمه

در دهه‌های اخیر، شبکه‌های رایانه‌ای با رشد بی‌سابقه حجم داده‌ها، کاربران و تنوع کاربردهای اینترنتی مواجه شده‌اند. معماری سنتی اینترنت که بر پایه مدل میزبان‌محور و آدرس‌دهی IP طراحی شده است، در پاسخ‌گویی به نیازهای جدیدی نظیر تحویل محتوای سریع، انعطاف‌پذیر، امن و مقیاس‌پذیر، با چالش‌های متعددی روبه‌رو شده است[1]. در پاسخ به این چالش‌ها، معماری‌های نوین با رویکرد محتوامحور¹ (ICN) مطرح شده‌اند که در آن‌ها تمرکز اصلی از «مکان محتوا» به «نام محتوا» منتقل می‌شود [2, 3]. یکی از مهم‌ترین نمونه‌های معماری‌های محتوامحور، شبکه داده‌های نام‌گذاری‌شده² (NDN) است. در این معماری، داده‌ها به‌صورت مستقل از مکان، نام‌گذاری شده و از طریق بسته‌های درخواستی و داده بین گره‌ها رد و بدل می‌شوند. یکی از مزایای کلیدی NDN، بهره‌گیری از حافظه نهان بین‌راهی در تمامی گره‌هاست. این قابلیت منجر به کاهش تأخیر واکشی داده، کاهش بار سرورها، صرفه‌جویی در پهنای باند و افزایش کارایی شبکه می‌شود[4, 5].

با این حال، همین ویژگی مفید می‌تواند نقطه ضعف امنیتی نیز باشد. یکی از تهدیدات مهم در NDN، حملات آلودگی حافظه نهان³ (CPA) است. در این نوع حملات، مهاجم با ارسال درخواست‌های مکرر برای محتوای نامحبوب یا جعلی، موجب می‌شود داده‌های پرکاربرد از کش خارج شده و فضای کش با داده‌های کم‌ارزش پر شود. این فرآیند به کاهش نرخ اصابت کش، افت کارایی کلی شبکه و افزایش تأخیر پاسخ‌گویی می‌انجامد. بسیاری از سیاست‌های کش سنتی مانند کمترین استفاده اخیر LRU ⁴[6]  و کمترین استفاده شده به‌طور مکرر⁵ LFU ، به دلیل عدم توجه به الگوهای رفتاری مهاجمین یا منشأ درخواست‌ها، در برابر این نوع حملات آسیب‌پذیر هستند[7, 8].

در سال‌های اخیر، الگوریتم‌هایی با هوشمندی بالاتر طراحی شده‌اند تا با حملات آلودگی حافظه نهان مقابله کنند. یکی از نوآورانه‌ترین این الگوریتم‌ها، الگوریتم محبوبیت به‌ازای هر ورودی⁶ (PFP) است که با نرمال‌سازی سهم محبوبیت بین مسیرهای ورودی مختلف، از تمرکز مصنوعی محبوبیت توسط مهاجم جلوگیری می‌کند[9]. نسخه پیشرفته‌تر این الگوریتم، PFP با کهنگی پویا (PFP-DA)، عامل زمان و میزان استفاده مجدد را نیز در تصمیم‌گیری دخیل می‌سازد[10, 11]. همچنین، نسخه بهینه‌شده این الگوریتم با استفاده از پارامتر β (PFP-β)، سعی دارد توزیع محبوبیت را مطابق با توزیع طبیعی Zipf مدل‌سازی کرده و دقت تشخیص را افزایش دهد[12]. علیرغم تحقیقات موجود درباره حملات آلودگی حافظه نهان⁷  در شبکه‌های داده‌های نام‌گذاری‌شده (NDN)، همچنان خلأهای اساسی در این حوزه وجود دارد که نیازمند بررسی بیشتر است. از جمله این موارد می‌توان به فقدان الگوریتم‌های مقاوم در برابر حملات چندمسیره، عدم وجود مدلی برای تنظیم حساسیت کش بر اساس تغییرات رفتاری با استفاده از پارامتر β و توزیع Zipf، ابهام در نقش توزیع محبوبیت و تنوع ترافیک در آسیب‌پذیری کش، کمبود مدل‌های سبک‌وزن قابل پیاده‌سازی و مقرون‌به‌صرفه برای سناریوهای واقعی، و نبود ترکیب مؤثر سیاست‌های جایگزینی کش با مکانیزم‌های امنیتی اشاره کرد [13].

 با توجه به اینکه β تأثیر مستقیمی بر تعادل میان مقاومت در برابر آلودگی کش و حفظ محتوای واقعی محبوب دارد، انتخاب مقدار مناسب آن در شرایط پویا و متغیر شبکه به‌صورت دستی یا استاتیک نه‌تنها دشوار بلکه ناکارآمد است. یکی از راهکارهای مؤثر برای تعیین مقدار بهینه پارامتر β، بهره‌گیری از روش‌های بهینه‌سازی هوشمند و خودتطبیقی است. به طور کلی، تکنیک‎های بهینه سازی موجود را می توان به الگوریتم‎های قطعی⁸ و الگوریتم‎های فراابتکاری⁹ (MAs) دسته بندی کرد [14]. الگوریتم‎های قطعی توابع ریاضی خاصی هستند و به صورت مکانیکی و تکراری بدون هیچ گونه ماهیت تصادفی کار می کنند. در یک مسئله معین، یک روش قطعی همیشه خروجی یکسانی را برای یک ورودی خاص به دست می آورد. گرادیان¹⁰ نزولی و روش‌های نیوتن¹¹ دو نمونه کلاسیک از الگوریتم‌های قطعی هستند. از این‌رو، استفاده از الگوریتم‌های بهینه‌سازی مبتنی بر جست‌وجوی هوشمند مانند الگوریتم‌های تکاملی¹²، بهینه‌سازی ازدحام ذرات¹³ (PSO)، الگوریتم ژنتیک (GA) یا روش‌هایی چون بهینه‌سازی بیزی¹⁴و روش های قطعی می‌تواند رویکردی کارآمد برای تنظیم خودکار β باشد [15, 16]. هدف اصلی این روش‌ها، یافتن مقداری از β است که در یک بازه مشخص (مثلاً بین 0.01 تا 1) بیشترین کارایی را در مقابله با حملات آلودگی کش و بیشترین نرخ اصابت را در محیط شبکه ارائه دهد. این روش‌ها می‌توانند با ارزیابی مکرر عملکرد الگوریتم در پاسخ به سناریوهای مختلف حمله، مقادیر مختلف β را بررسی کرده و بهترین مقدار را در هر مرحله تعیین کنند. برخی از این الگوریتم‌ها حتی قادرند به صورت بلادرنگ و در زمان اجرای سیستم، با توجه به داده‌های ورودی جاری از شبکه (مانند میزان نوسان نرخ اصابت، نسبت خطا، تأخیر واکشی داده و ...) مقدار β را بازتنظیم کرده و خود را با شرایط جدید تطبیق دهند[17].

روش ضرب‌کننده‌های لاگرانژ تفکیکی متناوب¹⁵ (ADMM) برای مسائل بهینه‌سازی مقید و محدب با ساختارهای تجزیه‌پذیر مناسب است. استفاده از ADMM در تعیین مقدار بهینه پارامتر β در الگوریتم PFP-β، مزایای قابل‌توجهی را در زمینه همگرایی پایدار، تحلیل‌پذیری و تطبیق‌پذیری فراهم می‌سازد [18].

در مسئله بهینه سازی تعیین مقدار β باید به‌گونه‌ای تنظیم شود که بین دو هدف متضاد یعنی کاهش میزان آلودگی کش و حفظ نرخ بالای اصابت محتوا توازن برقرار گردد. این امر را می‌توان به‌صورت یک مسئله بهینه‌سازی دوجزئی مدل‌سازی کرد که در آن تابع هدف از دو مؤلفه تشکیل می‌شود : یکی نمایانگر ضریب آلودگی حافظه نهان و دیگری نمایانگر نرخ اصابت کش. با استفاده از ADMM، می‌توان این دو مؤلفه را به‌صورت جداگانه مدل کرده، سپس به‌طور همزمان و هماهنگ از طریق به‌روزرسانی‌های تکراری پارامتر β را در هر گام به‌گونه‌ای تنظیم کرد که تعادل بهینه حاصل شود. از آنجا که ساختار PFP-β به‌طور ذاتی بر پایه تجمیع و نرمال‌سازی محبوبیت محتوا از چندین درگاه ورودی- خروجی است، استفاده از ADMM این امکان را فراهم می‌سازد که این تجمیع در هر درگاه به‌صورت موازی انجام شده و در نهایت نتایج بهینه‌سازی از طریق یک گام تلفیق¹⁶ یکپارچه شوند. در چنین حالتی، هر Face نقش یک عامل محلی را ایفا می‌کند که در بهینه‌سازی شرکت دارد و مقدار β نهایی از طریق مشارکت توزیعی تمامی بخش‌ها حاصل می‌شود.

هدف پژوهش حاضر، طراحی و ارزیابی یک مدل بهینه مبتنی بر بهنیه سازADMM جهت بهبود مدیریت کش و مقاوم‌سازی آن در برابر حملات آلودگی حافظه نهان در معماری NDN است. در این تحقیق، با استفاده از الگوریتم PFP-DA و افزودن پارامتر تنظیمی β، نسخه‌ای بهینه‌سازی‌شده از این الگوریتم ارائه خواهد شد که قادر است به‌طور مؤثر با حملات آلودگی حافظه نهان مقابله کرده و کارایی شبکه را بهبود بخشد. علاوه بر این، این تحقیق قصد دارد با ارائه یک راهکار سبک‌وزن و قابل پیاده‌سازی در شبیه‌ساز ndnSIM، امکان استفاده عملی از مدل پیشنهادی را در سناریوهای واقعی فراهم کند. بنابراین نواوری های این مقاله عبارت است از:

  ارائه نسخه پارامتریک PFP-β از الگوریتم PFP-DA با قابلیت تنظیم رفتار کش بر اساس پارامتر β

  مدل‌سازی دقیق توزیع محبوبیت محتوا مطابق با توزیع Zipf با استفاده از پارامتر β

  استفاده از روش ADMM (تقسیم‌بندی ضرب‌آدم) برای بهینه‌سازی پارامتر β و تصمیم‌گیری کش به‌صورت سریع و مقیاس‌پذیر

ساختار این مقاله به‌گونه‌ای طراحی شده است که در بخش دوم، پیشینه پژوهش مرتبط با حملات آلودگی کش در معماری NDN به‌صورت جامع بررسی می‌شود. در بخش سوم، جزئیات روش پیشنهادی شامل الگوریتم PFP-β و کاربرد روش ADMM برای بهینه‌سازی پارامتر β به‌طور کامل تشریح خواهد شد. بخش چهارم نیز به ارائه نتایج تجربی به‌دست‌آمده از شبیه‌سازی در محیط ndnSIM و تحلیل‌های کمی و کیفی مربوط به عملکرد الگوریتم اختصاص دارد. در نهایت، در بخش پنجم، نتیجه‌گیری نهایی مقاله ارائه شده و پیشنهادهایی برای پژوهش‌های آتی مطرح می‌گردد.

2-پیشینه تحقیق

مطالعه‌ای توسط مانداپاتی و راناورا¹⁷ در این پژوهش نشان می‌دهند که سیاست‌های کش سنتی مانند LRU، به‌دلیل تمرکز صرف بر فراوانی استفاده، قادر به تمایز بین محتوای معتبر و درخواست‌های مخرب نیستند. آن‌ها با ترکیبی از شاخص‌های «محبوبیت محتوا» و «تازگی داده» روشی برای تشخیص زودهنگام و کاهش اثر حملات آلودگی کش در محیط IoT-NDN ارائه می‌دهند که به نرخ شناسایی ۹۶٪ دست یافته است. با این حال، این رویکرد موجب افزایش سربار محاسباتی در گره‌های مرزی شده و نیازمند نگهداری ساختارهای داده اضافی برای ردیابی هم‌زمان دو شاخص محبوبیت و تازگی است [19].

یانگ¹⁸ و همکاران در سال 2025 طرح دفاع واکنشی پیشگیرانه ترکیبی ¹⁹ HPR-DS را معرفی می‌کنند که با ترکیب ماژول‌های «پیشگیرانه» و «واکنشی» در لایه‌های میانی و مرزی شبکه و استفاده از تحلیل سری‌زمانی و خوشه‌بندی چندبعدی داده‌ها، خنثی‌سازی حملات²⁰ (IFA) را تشخیص می‌دهد. این روش با مدیریت منابع مبتنی بر پیش‌بینی، کیفیت خدمات کاربران (QoS) را در طول فعالیت حمله حفظ می‌کند. اما پیچیدگی بالای الگوریتم، نیاز به پردازش بلادرنگ و سربار زیاد در گره‌های مرزی از جمله معایب قابل‌توجه آن است [20].

وانگ²¹ و همکارن در سال 2024، مدل‌سازی رفتار انتقال محتوا به‌وسیله فرآیند مارکوف و ساخت ماتریس انتقال احتمال، تغییرات غیرعادی در تأخیر و مسیرهای داده را به‌عنوان نشانگر حملات آلودگی کش شناسایی می‌کنند. برخلاف روش‌هایی که فرض ثبات توزیع محبوبیت محتوا را در نظر می‌گیرند، این الگوریتم توانایی ارائه دقت تشخیص بالا در شبکه‌های پویا و با تغییر مداوم رفتار کاربران را دارد. با این حال، محاسبه و نگهداری ماتریس‌های انتقال بزرگ و پیچیدگی تحلیلی بالا، مقیاس‌پذیری عملی آن را محدود می‌کند [21].

فیشول حامدی و همکاران²² در سال 2024 نشان می‌دهند که استفاده از یادگیری عمیق در محیط NDN می‌تواند ابزار موثری برای شناسایی و مهار حملات آلودگی کش باشد. آن‌ها با توسعه الگوریتمی مبتنی بر شبکه‌های عصبی عمیق در شبیه‌ساز ndnSIM الگوهای رفتاری پنهان در داده‌ها را استخراج کرده و عملکرد بهتری نسبت به تکنیک‌های کلاسیک یا الگوریتم‌های احتمال‌محور ارائه می‌دهند. با این وجود، پیچیدگی محاسباتی بسیار بالا، نیاز به داده‌های آموزشی گسترده و هزینه اجرایی سنگین در شبکه‌های مقیاس‌پذیر از مهم‌ترین محدودیت‌های این رویکرد محسوب می‌شود [22].

 جان باغ²³ و همکاران در سال 2023 الگوریتم PFP را معرفی کرده‌اند که با تحلیل «محبوبیت نرمال‌شده» محتوا بر اساس سهم هر Face، از تمرکز مصنوعی محبوبیت توسط کاربران مشکوک جلوگیری می‌کند. نسخه PFP-DA با افزودن مکانیزم «کهنگی پویا» و نسخه PFP-β با به‌کارگیری پارامتر β برای شبیه‌سازی توزیع Zipf، دقت و مقاومت الگوریتم را در برابر حملات آلودگی کش افزایش می‌دهند. این الگوریتم‌ها نتایج تجربی قابل‌توجهی در مقایسه با روش‌های رایج مانند LRU و LFU-DA ارائه کرده‌اند، اما پیاده‌سازی آن‌ها نیازمند نگهداری ساختارهای داده جداگانه برای هر درگاه و پردازش بلادرنگ تغییرات توزیع محبوبیت است که می‌تواند در گره‌هایی با منابع محدود به چالش بیانجامد [12].

عبداهاک حیدوری²⁴ و همکاران در سال 2023 با معرفی الگوریتم Q-ICAN مبتنی بر یادگیری تقویتی، در هر روتر NDN عاملی قرار می‌دهند که با استفاده از شاخص‌هایی مانند نوسانات نرخ اصابت کش (CHR) و فاصله زمانی بین درخواست‌ها، رفتار مشروع و مخرب را فرا می‌گیرد. این روش در شبیه‌سازی‌ها به دقت تشخیص ۹۵٫۰۹٪، نرخ اصابت کش ۹۴٪ و کاهش ۱۸٪ در زمان بازیابی داده‌ها رسیده است. با این حال، نیاز به زمان طولانی برای آموزش، طراحی دقیق تابع پاداش و پیچیدگی محاسباتی بیشتر نسبت به الگوریتم‌های آماری ساده از معایب اصلی این رویکرد به شمار می‌آید [23].

با لیو و پنگ²⁵ در سال 2023 با ارائه الگوریتم BO-CatBoost که از بهینه‌سازی بیزی و ویژگی‌هایی مانند تعداد کش از دست‌رفته و ورودی‌های PIT بهره می‌گیرد، توانسته‌اند هم‌زمان حملات آلودگی کش و حملات پیشرفته سیل درخواست‎های هم‌دست‌شده²⁶ (I-CIFA) را تشخیص دهند. این روش، عملکرد پایداری در شناسایی دو نوع حمله هم‌زمان ارائه می‌دهد، اما نیاز به توان پردازشی بالا، فضای ذخیره‌سازی بیشتر و تنظیم دقیق پارامترهای یادگیری، کاربردپذیری آن را در محیط‌های واقعی محدود می‌کند [24].

مان²⁷ و همکارن درسال 2021 الگوریتمی مبتنی بر درخت تصمیم‌گیری تقویت‌شده گرادیانی²⁸ (GBDT) برای تشخیص حملات آلودگی کش در ICN ارائه کرده‌اند. در این روش، ویژگی‌های آماری و مسیریابی استخراج‌شده برای آموزش مدل استفاده می‌شوند تا رفتار غیرعادی در ترافیک شبکه تشخیص داده شود. نتایج آزمایش‌های مقایسه‌ای نشان داد که GBDT از نظر دقت تشخیص برتری قابل‌توجهی نسبت به روش‌های آستانه‌محور دارد. با این وجود، پیچیدگی محاسباتی بالا و نیاز به داده‌های آموزشی با کیفیت، پیاده‌سازی این روش را در گره‌های سبک‌وزن یا با منابع محدود دشوار می‌کند[25].

یائو و همکاران ²⁹ در (2020) روشی مبتنی بر پیش‌بینی محبوبیت با استفاده از مدل خاکستری پیشنهاد داده‌اند که با تحلیل روندهای تاریخی رفتار درخواست‌ها و برآورد سه شاخص اصلی—الگوی درخواست گذشته، محبوبیت لحظه‌ای و پیش‌بینی آینده محبوبیت—انحرافات غیرعادی در رفتار ترافیکی را شناسایی می‌کند. در صورت تشخیص اختلاف مکرر بین محبوبیت پیش‌بینی‌شده و واقعی، حمله شناسایی و سیاست دفاعی مناسب اعمال می‌شود. مزیت این رویکرد در تفکیک رفتار مشروع ناگهانی از حملات واقعی است، اما وابستگی به دقت مدل پیش‌بینی و نیاز به داده‌های تاریخی معتبر، از محدودیت‌های اجرایی آن محسوب می شود [26].

ژائو³⁰ همکاران در سال 2020در چارچوب V-NDN با تقسیم کش هر گره به دو بخش «پرطرفدار» و «کم‌طرفدار»، محتوای ورودی را بر اساس سطح محبوبیت در محل مناسب ذخیره می‌کنند و در صورت نوسان شدید محبوبیت، محتوا را به لیست نظارتی حمله اضافه می‌کنند. نتایج شبیه‌سازی‌ها نشان می‌دهد که این مکانیزم در مواجهه با حملات فعال تا ۱۴٪ نرخ اصابت کش را ارتقاء داده و تا ۳۰٪ تأخیر پاسخگویی را کاهش می‌دهد؛ اما مدیریت پیچیده چندبخشی کش و نیاز به به‌روزرسانی مداوم اطلاعات محبوبیت در محیط‌های پویای VANET می‌تواند منابع گره را تحت فشار قرار دهد [27].

بووانساریی³¹ و همکاران در سال 2020الگوریتمی مبتنی بر شبکه عصبی تابع پایه شعاعی³² RBFNN ارائه داده‌اند که با دریافت ویژگی‌های ذاتی مرتبط با محتوای کش‌شده، نوع حمله را به سه دسته «سالم»، «تخریب موضعیت» و «محبوبیت کاذب» طبقه‌بندی می‌کند. نتایج آزمایش‌ها نشان داد که RBFNN در شناسایی نوع حمله دقت بالایی دارد و از نظر کارایی نسبت به برخی روش‌های مرسوم عملکرد بهتری ارائه می‌دهد. با این حال، نیاز به تنظیم دقیق پارامترها، طراحی مؤثر تابع فعال‌سازی و مدیریت سربار پردازشی در گره‌های لبه با محدودیت منابع، از چالش‌های اصلی این رویکرد است[28].

نایگون³³ و همکاران در سال 2019 از طریق مدل تشخیصی مبتنی بر آزمون نسبت درستنمایی تعمیم‌یافته و یک آشکارساز ترتیبی، حملات سیل درخواست زیرساختی (IFA) را در پیاده‌سازی‌های واقعی ترکیبی NDN و IP با دقت بالا و بدون تحمیل سربار زیاد شناسایی می‌کنند. این تحقیق نشان می‌دهد که حتی با وجود استفاده از بسته‌های NACK برای کنترل جریان درخواست، مسیرهایی برای اجرای مؤثر حملات باقی می‌ماند. با وجود قابلیت اجراپذیری بالای این روش در محیط‌های ترکیبی NDN/IP، نیاز به توسعه بیشتر برای پوشش تمامی حملات در شبکه‌های صرفاً NDN و بهبود واکنش بلادرنگ وجود دارد [29].

سبا³⁴ و هکاران در سال 2019 چهار سناریوی تهدید ناشی از گره‌های فرصت‌طلب تأمین‌کننده محتوای جعلی³⁵ (FCPs) را در شبکه‌های موبایل فرصت‌طلب³⁶ (OMN) تعریف کرده و با روش‌های بلک‌لیست دائمی یا موقتی، ارتباط با گره‌های مشکوک را مسدود می‌کنند. شبیه‌سازی‌ها نشان داد که در حضور ۴۰٪ FCP، نرخ پاسخ‌دهی کاربران قانونی تا ۴۰٪ کاهش یافته و تأخیر تا ۱۷۶٪ افزایش پیدا می‌کند؛ اما با اعمال روش‌های پیشنهادی تأخیر تا ۳۶٪ کاهش و نرخ پاسخ موفق تا ۹٪ افزایش می‌یابد. هرچند رویکرد بلک‌لیست مزایای قابل‌توجهی دارد، اما در مواجهه با تهدیدات پیچیده‌تر فرصت‌طلب ناکافی به نظر می‌رسد[30].

باغ³⁷ و همکاراندر سال 2018 در پایان‌نامه دکترای خود سه الگوریتم PFP، PFP-DA و PFP-β را معرفی و ارزیابی کرده‌اند. در الگوریتم PFP، محبوبیت محتوا بر اساس سهم هر Face محاسبه و نرمال‌سازی می‌شود تا از تمرکز مصنوعی محبوبیت جلوگیری گردد. نسخه PFP-DA با افزودن مکانیزم کهنگی پویا به داده‌هایی که صرفاً تاریخی محبوب بوده اما اکنون کم‌استفاده هستند اجازه می‌دهد تدریجاً حذف شوند، و نسخه PFP-β با پارامتر β توزیع محبوبیت را مطابق با Zipf شبیه‌سازی می‌کند. نتایج تجربی نشان داده‌اند که PFP-DA و PFP-β نسبت به LRU و LFU-DA در هر دو شرایط عادی و مواجهه با حملات آلودگی کش عملکرد برتری دارند. اما اجرای این الگوریتم‌ها مستلزم محاسبات بلادرنگ و نگهداری اطلاعات انتشار در هر Face است که در گره‌های با منابع محدود به معارضاتی از نظر مصرف حافظه و پردازش می‌انجامد [31].

در بررسی روش‌های مقابله با حملات کش در معماری NDN می‌توان به موارد زیر اشاره کرد: اولاً، روش‌های مبتنی بر یادگیری ماشین، یادگیری تقویتی و تحلیل رفتاری پیشرفته دقت تشخیص بالایی دارند و می‌توانند الگوهای پیچیده ترافیک و رفتارهای غیرعادی را در محیط‌های پویا به‌خوبی شناسایی کنند. ثانیاً، مدل‌سازی رفتار کاربران، خوشه‌بندی داده‌ها و تحلیل مسیرهای محتوا توانسته است در برابر حملات چندوجهی و جعل محبوبیت عملکرد موثری ارائه دهد، اما این رویکردها به منابع پردازشی بالا و نگهداری ساختارهای داده سنگین نیاز دارند که اجرای آن‌ها در گره‌های مرزی یا سبک‌وزن دشوار است. ثالثاً، الگوریتم‌های تطبیق‌پذیر—نظیر روش‌های پیش‌بینی محبوبیت و تحلیل توزیع Zipf یا یادگیری تقویتی—توانایی نسبی بالایی در مواجهه با تغییرات سریع ترافیکی و حملات لحظه‌ای دارند؛ با این حال، آن‌ها معمولاً به داده‌های آموزشی دقیق و زمان آموزش قابل توجهی نیازمندند که در محیط‌های واقعی محدودیت ایجاد می‌کند. در مقابل، روش‌های سبک‌وزن با ساختار ساده و قابلیت اجرا به‌صورت بلادرنگ، مناسبت بیشتری برای کاربرد در شبکه‌های زنده، گره‌های لبه و محیط‌های IoT یا VANET دارند؛ هرچند دقت آن‌ها معمولاً کمتر از مدل‌های پیشرفته است. در نهایت، انتخاب بهینه بین این رویکردها بستگی به محدودیت‌های منابع، نیاز به واکنش سریع و اهمیت دقت تشخیص در هر محیط عملیاتی دارد و توازن میان دقت، تطبیق‌پذیری و سادگی پیاده‌سازی، اساس طراحی سامانه‌ای مقاوم در برابر حملات کش خواهد بود.

جدول (1) مقایسه‌ای روش‌های مقابله با حملات کش در NDN

Table (1) comparison of methods to deal with cache attacks in NDN

شماره مرجع	روش پیشنهادی	دقت تشخیص	مقاومت در برابر حمله	تطبیق‌پذیری	سربار کم	مقیاس‌پذیری	نیاز به آموزش	تحلیل بلادرنگ	سادگی پیاده‌سازی
[19]	محبوبیت + تازگی	✅	⚠️	⚠️	❌	⚠️	❌	✅	⚠️
[20]	HPR-DS	✅	✅	✅	❌	❌	❌	✅	❌
[21]	مدل مارکوف	✅	✅	✅	❌	❌	❌	✅	❌
[22]	یادگیری عمیق	✅	✅	✅	❌	❌	✅	✅	❌
[12]	PFP	✅	✅	⚠️	⚠️	✅	❌	⚠️	⚠️
[23].	Q-ICAN	✅	✅	✅	⚠️	⚠️	✅	✅	❌
[32]	ICAN	✅	⚠️	❌	✅	✅	❌	⚠️	✅
[24]	BO-CatBoost	✅	✅	✅	❌	❌	✅	✅	❌
[25]	GBDT	✅	✅	✅	❌	⚠️	✅	✅	❌
[26]	مدل خاکستری	✅	⚠️	✅	⚠️	⚠️	✅	✅	⚠️
[27]	تقسیم کش (V-NDN)	✅	✅	✅	⚠️	⚠️	❌	✅	⚠️
[28]	شبکه RBF	✅	✅	⚠️	❌	⚠️	✅	✅	❌
[29]	مدل LRT (واقعی)	✅	✅	✅	✅	✅	❌	✅	✅
[30]	لیست سیاه (OMN)	⚠️	⚠️	✅	⚠️	⚠️	❌	⚠️	✅
[31]	PFP-DA / β	✅	✅	✅	⚠️	✅	❌	✅	⚠️

 

3-روش پیشنهادی

در این بخش، رویکردی نوین برای تنظیم تطبیقی پارامتر β در الگوریتم PFP-β-DA ارائه می‌شود. پارامتر β نقش کلیدی در کنترل حساسیت الگوریتم نسبت به رفتار تقاضا در شبکه داده‌های نام‌گذاری‌شده (NDN) دارد؛ به‌گونه‌ای که مقادیر کوچک‌تر β موجب افزایش نرخ اصابت کش و کاهش آلودگی می‌شود، در حالی که مقادیر بزرگ‌تر β می‌تواند به ذخیره‌سازی داده‌های غیرمحبوب منجر شود. نسخه اصلاح‌شده PFP-β-DA با بهبود فرمول محبوبیت، سهم درخواست‌ها را بین چهره‌های مختلف محتوا متعادل می‌کند و بدین ترتیب، محتوایی که از چند مسیر معتبر درخواست شده باشد، در کش حفظ می‌شود و داده‌هایی که صرفاً از یک مسیر خاص تقاضا شده‌اند—حتی اگر ظاهراً پرتقاضا باشند—به راحتی کش نمی‌شوند. این رویکرد منجر به افزایش دقت، کاهش آلودگی و بهبود عملکرد کش در مواجهه با حملات می‌گردد. فرمول (1) برای رتبه‌بندی درخواست‌های هر چهره‌ی محتوا و تعیین محبوبیت کلی آن درخواست‌ها در این روش استفاده می‌شود :

(1)

(C,β)    این فرمول محبوبیت کلی درخواست محتوای C را با در نظر گرفتن درخواست‌های هر دسته از محتوا C و استفاده از رتبه‌ی () محتوای C در هر Face (i) محاسبه می‌کند. پارامتر () نشان‌دهنده رتبه محتوای درخواست شده C در فهرست رتبه‌بندی محبوبیت Face (i) است. در این بخش، با توجه به ناکارآمدی مقدار ثابت β در شرایط پویا و متغیر شبکه NDN، یک رویکرد تطبیقی برای تنظیم خودکار β ارائه می‌شود. برای این منظور، ابتدا مسئله بهینه‌سازی β مدل‌سازی شده و سپس با استفاده از روش ADMM، راهکاری جهت تنظیم لحظه‌ای و تطبیقی این پارامتر پیشنهاد شده است. این راهکار منجر به افزایش انعطاف‌پذیری و دقت الگوریتم کش در برابر تغییرات ترافیکی و حملات خواهد شد. 3-1-تعریف مسئله بهنیه سازی ADMM در این بخش، مسئله بهینه‌سازی تنظیم مقدار β به‌عنوان یک مسئله بهینه‌سازی پارامتری مدل‌سازی خواهد شد. در این مدل، دو معیار اصلی شبکه‌های داده‌های نام‌گذاری‌شده (NDN)، یعنی نرخ اصابت38 و درصد آلودگی کش39، به‌عنوان توابعی از β در نظر گرفته می‌شوند. مقدار β به‌گونه‌ای تنظیم خواهد شد که نرخ اصابت بیشینه و درصد آلودگی کمینه شود.مدل مسئله به‌صورت زیر در نظر گرفته می‌شود : که در رابطه بالا β به‌عنوان متغیر تصمیم40 شناخته می‌شود و در بازه (0, 1] تعریف شده است. Hit Rate(β) به‌عنوان تابع نرخ اصابت کش تعریف خواهد شد. Pollution Rate(β) به‌عنوان تابع درصد آلودگی کش در نظر گرفته خواهد شد. λ به‌عنوان پارامتر وزن‌دهی برای کنترل اهمیت نسبی آلودگی در مقابل نرخ اصابت تعریف خواهد شد. پارامتر وزنی که اهمیت کاهش آلودگی کش41 را نسبت به افزایش نرخ اصابت کش42 تعیین می‌کند. ρ>0 پارامتر جریمه در ADMM که سرعت و پایداری همگرایی الگوریتم را کنترل می‌کند. Z متغیر کمکی در ADMM که حل مسئله را به زیرمسئله‌های ساده‌تر تقسیم می‌کند. u متغیر دوگان (ضریب لاگرانژ) که هماهنگی بین به‌روزرسانی‌های β و z را تضمین می‌کند. در الگوریتم ADMM (الگوریتم ضرب و اضافه‌سازی)، هدف اصلی تقسیم مسئله پیچیده به زیرمسئله‌های ساده‌تر است تا فرآیند بهینه‌سازی را تسهیل کند. در این الگوریتم، سه مرحله اصلی به‌روزرسانی وجود دارد که هر یک از آن‌ها نقش خاصی در فرآیند بهینه‌سازی دارند.  در مرحله اول، به‌روزرسانی β، تلاش می‌شود بهترین مقدار β که منجر به بهبود نرخ اصابت و کاهش درصد آلودگی کش می‌شود، پیدا شود. در این مرحله، هدف بهینه‌سازی معادله (4-2) است که β را به‌گونه‌ای تنظیم می‌کند که هر دو معیار HitRate و PollutionRate در کنار هم بهینه شوند. در مرحله دوم، به‌روزرسانی متغیر کمکی z انجام می‌شود. این مرحله تضمین می‌کند که مقدار β همواره در بازه [0, 1] باقی بماند و از محدوده مجاز خارج نشود. برای این منظور، از پروجکشن43 استفاده می‌شود تا هرگونه تغییر در β به‌گونه‌ای باشد که همچنان در محدوده مطلوب قرار گیرد. در مرحله سوم، متغیر دوگان u به‌روزرسانی می‌شود تا هماهنگی بیشتری بین به‌روزرسانی‌های β و z حاصل شود. به‌طور خاص، u نقش یک عامل هماهنگ‌کننده را ایفا می‌کند و تغییرات β و z را به‌طور موثر کنترل می‌کند تا الگوریتم به صورت همگرایانه عمل کند. در نهایت، با انجام تکرارهای مکرر و بررسی شرایط همگرایی (با استفاده از و برای β و z، الگوریتم به سمت بهینه‌ترین نقطه همگرا می‌شود. در این فرآیند، تنظیم تطبیقی β که توسط ADMM انجام می‌شود موجب می‌شود که به‌طور مستمر به بهترین عملکرد در شرایط متغیر شبکه دست یابد. این فرآیند بهینه‌سازی تطبیقی به‌طور خاص در شبکه‌های داده‌های نام‌گذاری‌شده (NDN) مفید است زیرا شرایط و نیازهای شبکه ممکن است تغییر کند و نیاز به تنظیم بهینه β برای رسیدن به عملکرد بهتر وجود داشته باشد. به صورت خلاصه: ·       در هر تکرار، الگوریتم مسئله را به زیرمسئله‌های ساده‌تر تقسیم می‌کند. ·       β-update  تلاش می‌کند بهترین β  را برای بهبود HitRate و PollutionRate پیدا کند. ·       z-update   تضمین می‌کند β  در بازه [0,1] باقی بماند. ·       u-update  هماهنگی بین β  و z را افزایش می‌دهد. ·       در نهایت، β به صورت تطبیقی تنظیم می‌شود تا بهترین عملکرد را در شرایط متغیر شبکه حفظ کند. شبه‌کد مربوط به این روش در شکل 1 به‌طور دقیق توضیح داده خواهد شد.   (2)   Subject to 0< β<1 Initialize:  - Set initial values for β, z, u, ρ, λ  - Set convergence thresholds  - Set maximum number of iterations MaxIter  - Set initial values for HitRate(β) and PollutionRate(β)   For k = 0 to MaxIter:   1. Update β using the minimization formula:   Subjet to 0< β<1   2. Update z using the projection operator:     3. Update dual variable u:     4. Check for convergence:     If                     Break (converged) End for Return , ,   شکل (1) الگوریتم ADMM در بهبود حافظه نهان Figure (1) ADMM algorithm in cache memory improvement 3-2- ADMM بهبود یافته در این بخش، برای ارتقاء عملکرد الگوریتم ADMM در بهینه‌سازی تطبیقی پارامتر β، روشی برای تنظیم خودکار دو پارامتر کلیدی یعنی ρ و λ معرفی می‌شود. پارامتر ρ به‌عنوان عامل جریمه در ADMM، نقش مهمی در تسریع همگرایی و تضمین پایداری الگوریتم دارد. تنظیم نامناسب آن ممکن است منجر به واگرایی یا کندی شدید در همگرایی شود. از این‌رو، استفاده از روش‌های تطبیقی برای تنظیم دینامیک ρ در طول تکرارهای الگوریتم، به‌ویژه از طریق روش‌های خطی یا غیرخطی، پیشنهاد می‌شود تا فرآیند بهینه‌سازی با سرعت و دقت بیشتر انجام گیرد. در کنار آن، پارامتر λ مسئول ایجاد تعادل میان دو هدف متضاد یعنی افزایش نرخ اصابت کش و کاهش آلودگی آن است. تنظیم دقیق λ در محیط‌های پویا ضروری است تا سیستم بتواند به‌طور همزمان به هر دو هدف پاسخ دهد. در این راستا، روش‌های بهینه‌سازی تطبیقی برای تنظیم لحظه‌ای λ نیز پیشنهاد می‌شود، تا تأثیر آن در هر گام از الگوریتم بر عملکرد کلی مدل بهینه شود. پارامتر ρ در روش ADMM به‌عنوان پارامتر جریمه نقش بسیار مهمی در همگرایی الگوریتم دارد. برای تنظیم خودکار ρ در طول فرآیند بهینه‌سازی، می‌توان از یک قانون تطبیقی استفاده کرد. یکی از روش‌های معمول برای این کار، استفاده از قانون خطی یا غیرخطی برای تنظیم ρ بر اساس میزان تغییرات در متغیرهای β و z است. به‌روزرسانی ρ به‌صورت تطبیقی به‌صورت رابطه زیر است:   که این رابطه مقدار فعلی پارامتر جریمه است.  مقدار جدید پارامتر جریمه پس از به‌روزرسانی است. α یک ضریب ثابت برای کنترل سرعت تغییر ρ است.  تغییرات در متغیر β در تکرارهای مختلف است.  تغییرات در متغیر z در تکرارهای مختلف است. این فرمول باعث می‌شود که پارامتر ρ به‌طور خودکار و بر اساس میزان تغییرات در β و z تنظیم شود. افزایش ρ در صورتی که تغییرات در β و z زیاد باشد، همگرایی را تسریع می‌کند، در حالی که کاهش ρ زمانی که تغییرات کم باشد، از انحرافات بزرگ جلوگیری می‌کند.  یک مقدار کوچک بزرگتر از صفر است. مقدار  معمولاً عددی بسیار کوچک است که به‌طور خودکار تنظیم می‌شود تا از آسیب به فرآیند همگرایی جلوگیری کند. ·       تنظیم پارامتر λ به‌صورت تطبیقی برای تنظیم خودکار پارامتر λ که تأثیر زیادی در تعادل میان نرخ اصابت و آلودگی کش دارد، می‌توان از یک روش مشابه برای تنظیم آن استفاده کرد. در اینجا، پیشنهاد می‌شود که λ بر اساس تغییرات در نرخ اصابت و درصد آلودگی کش به‌طور خودکار به‌روزرسانی شود. فرمول پیشنهادی برای به‌روزرسانی λ به‌صورت تطبیقی به‌صورت زیر است: (3)   که در آن  مقدار فعلی پارامتر λ است. مقدار جدید پارامتر λ پس از به‌روزرسانی است. یک ضریب ثابت برای کنترل سرعت تغییر λ است. تغییرات در نرخ اصابت است.  بیشترین تغییرات در درصد آلودگی کش است. در اینجا، λ  با توجه به تغییرات در نرخ اصابت و آلودگی کش تنظیم می‌شود. اگر تفاوت‌های زیادی در نرخ اصابت و آلودگی کش مشاهده شود، λ  به‌طور تطبیقی افزایش می‌یابد تا تعادل بهتری بین این دو معیار برقرار شود. استفاده از max در مخرج، هدف اصلی جلوگیری از تقسیم بر صفر و همچنین بهینه‌سازی فرآیند به‌روزرسانی پارامتر λ است. دلیل استفاده از max  در مخرج این است که در صورت نزدیک بودن تغییرات نرخ اصابت و آلودگی به صفر، این تغییرات معمولاً خیلی کوچک هستند و ممکن است باعث نوسانات زیاد در روند همگرایی شوند. در این رابطه، استفاده از تضمین می‌کند که هیچ‌گاه تقسیم بر صفر صورت نخواهد گرفت. به عبارت دیگر، اگر تفاوت‌های  و  بسیار کوچک و نزدیک به صفر باشند، به‌جای تقسیم بر عدد صفر، مقدار بسیار کوچکی  در مخرج قرار داده می‌شود که مانع از تقسیم بر صفر و حفظ پایداری الگوریتم می‌شود. این امر در نهایت باعث بهینه‌سازی به‌طور ایمن و جلوگیری از تغییرات غیرمنطقی در مقدار λ می‌شود و همگرایی الگوریتم را بهبود می‌بخشد. به‌طور کلی، هدف این است که حتی زمانی که تفاوت‌ها به حداقل ممکن رسیده‌اند، الگوریتم به‌طور پیوسته و بدون مشکل ادامه یابد. ·       فرمول کلی به‌روزرسانی ADMM با پارامترهای تطبیقی ρ و λ در این تحقیق، برای بهینه‌سازی عملکرد الگوریتم ADMM در حل مسئله بهینه‌سازی β و دستیابی به تعادل میان نرخ اصابت و آلودگی کش، از تنظیم تطبیقی پارامترهای الگوریتم استفاده شده است. تنظیم مناسب پارامترهای ρ و λ نقش اساسی در تسریع همگرایی و بهبود دقت الگوریتم ایفا می‌کند. با بهره‌گیری از این رویکرد تطبیقی، به‌طور مؤثر تغییرات پارامترها در طول فرآیند بهینه‌سازی مدیریت می‌شود، که موجب بهبود کیفیت نتایج و کاهش هزینه‌های محاسباتی می‌گردد. این رویکرد علاوه بر اطمینان از همگرایی سریع و پایدار الگوریتم، به مدل این امکان را می‌دهد که در محیط‌های دینامیک و متغیر شبکه‌ها، عملکرد مطلوب خود را حفظ کند. شبکه کد روش پیشنهادی در الگوریتم شکل 2 ارائه شده است. در آغاز اجرای الگوریتم، مقادیر اولیه متغیرهای اصلی شامل β متغیر تصمیم برای بهینه‌سازی نرخ اصابت و کاهش آلودگی، z متغیر کمکی برای ساده‌سازی و هماهنگی، u  متغیر دوگان برای تضمین همگرایی، و پارامترهای ρ و λ به‌ترتیب برای کنترل جریمه و تعادل بین نرخ اصابت و آلودگی) تعیین می‌شوند. همچنین، آستانه‌هایی برای همگرایی مشخص می‌شود تا الگوریتم در صورت رسیدن به شرایط مطلوب متوقف گردد. مرحله 1 : به‌روزرسانی β در این مرحله، متغیر β به‌گونه‌ای به‌روزرسانی می‌شود که بهترین نتیجه را در زمینه بهبود نرخ اصابت و کاهش آلودگی کش به‌دست آورد. هدف این است که β به‌گونه‌ای تنظیم شود که هر دو معیار بهینه شوند. این مرحله به‌طور کلی به حل یک مسئله بهینه‌سازی می‌پردازد که نیاز به استفاده از روش‌های بهینه‌سازی دارد. (4)     مرحله 2 : به‌روزرسانی متغیر کمکی z در این مرحله، مقدار متغیر کمکی z به‌روزرسانی می‌شود تا همیشه در بازه معین قرار داشته باشد (در اینجا بازه [0, 1]). برای این منظور، عملگر projection به‌کار می‌رود تا اطمینان حاصل شود که مقدار z از این بازه خارج نمی‌شود. (5)   مرحله 3 : به‌روزرسانی متغیر دوگان u در این مرحله، متغیر دوگان u به‌روزرسانی می‌شود. این به‌روزرسانی برای همسان‌سازی و هماهنگی بین β و z است. وقتی β و z به‌طور مستقل به‌روزرسانی می‌شوند، متغیر u اختلافات میان این دو را اصلاح کرده و به‌روزرسانی‌های بعدی را هماهنگ می‌کند. (6)   مرحله 4: به‌روزرسانی پارامتر ρ به‌صورت تطبیقی در این مرحله، پارامتر ρ که به‌عنوان پارامتر جریمه در الگوریتم استفاده می‌شود، به‌طور تطبیقی تغییر می‌کند. اگر تغییرات در β یا z زیاد باشد، ρ افزایش می‌یابد تا همگرایی سریع‌تر شود. در صورت تغییرات کم، ρ کاهش می‌یابد تا از تغییرات غیرضروری جلوگیری شود. (7)   مرحله 5: به‌روزرسانی پارامتر λ به‌صورت تطبیقی در این مرحله، پارامتر λ که مسئول تنظیم تعادل بین نرخ اصابت و آلودگی کش است، به‌طور تطبیقی تنظیم می‌شود. اگر تغییرات در نرخ اصابت زیاد باشد، λ افزایش می‌یابد تا اهمیت این معیار بیشتر شود. اگر تغییرات در آلودگی کش بیشتر باشد، λ به‌گونه‌ای تنظیم می‌شود که تاثیر بیشتری در کاهش آلودگی داشته باشد. (8)   مرحله 6 : همگرایی و توقف الگوریتم الگوریتم با بررسی تغییرات در β و z به دنبال همگرایی می‌گردد. اگر تغییرات در هر دو متغیر از حد معینی کوچکتر شود، الگوریتم متوقف می‌شود. این تضمین می‌کند که الگوریتم به حالت بهینه خود رسیده است.  (9)   در نهایت، پس از انجام تمام مراحل و به‌روزرسانی متغیرها، مقدار نهایی β، z، λ و ρ به‌دست می‌آید که این مقادیر برای بهینه‌سازی سیستم در شرایط دینامیک و متغیر شبکه به‌کار می‌روند. تنظیم تطبیقی این پارامترها باعث تسریع همگرایی، بهبود عملکرد و کاهش هزینه‌های محاسباتی در الگوریتم می‌شود. (10)   Initialize:  - Set initial values for β, z, u, ρ, λ  - Set convergence thresholds  - Set constants α, β_λ  - Set maximum number of iterations MaxIter  - Set initial values for HitRate(β) and PollutionRate(β) For k = 0 to MaxIter:   1. Update β using the minimization formula:       # Apply optimization method to minimize the objective function   2. Update z using the projection operator:       # Ensure that z stays within the range [0, 1]   3. Update dual variable u:       # Adjust dual variable to enforce the consistency between β and z   4. Update ρ adaptively:     Δβ ← |β^(k+1) - β^(k)|     Δz ← |z^(k+1) - z^(k)|            # Adjust the penalty parameter ρ based on changes in β and z   5. Update λ adaptively:                    # Adjust λ based on the change in the hit rate and pollution rate   6. Check for convergence:     if                  Break (converged)     # If both β and z have converged, stop the algorithm End for Return , ,  , شکل (2) الگوریتم شبه کد پیشنهادی ADMM بهبود یافته Figure (2) The pseudo-code algorithm of the proposed improved ADMM 4-نتایج در این پژوهش، برای انجام شبیه‌سازی‌ها و تحلیل‌ها، از ترکیب دو ابزار مکمل استفاده شده است تا هم جنبه‌های تحلیلی و عددی و هم ارزیابی‌های شبکه‌ای به‌صورت دقیق پوشش داده شود. پیاده‌سازی الگوریتم پیشنهادی و تحلیل رفتار بهینه‌سازی پارامتر β در محیط MATLAB 2020Rb انجام شده است؛ این محیط با دقت بالا و توان محاسباتی مناسب، امکان تحلیل همگرایی، تنظیم پارامترها و بررسی عددی مدل را فراهم کرده است. در ادامه، برای ارزیابی عملکرد الگوریتم در سناریوهای واقعی شبکه‌های NDN، از شبیه‌ساز تخصصی ndnSIM، مبتنی بر NS-3، بهره گرفته شد. این ابزار امکان شبیه‌سازی دقیق تعامل گره‌ها، حافظه نهان و شرایط حمله را فراهم می‌کند. سخت‌افزار مورد استفاده شامل پردازنده Intel Core i7 با فرکانس 2.60 گیگاهرتز و 8 گیگابایت رم تحت سیستم‌عامل Windows 10 بوده است. این ترکیب ابزاری، توازن مؤثری میان تحلیل عددی دقیق و ارزیابی عملیاتی الگوریتم در محیط شبکه‌ای ایجاد کرده است. 4-1-معیارهای ارزیابی  در این پژوهش، برای ارزیابی عملکرد روش پیشنهادی، دو معیار اصلی به‌کار گرفته شده‌اند که نقش کلیدی در تحلیل و مقایسه الگوریتم‌ها دارند. اولین معیار، نرخ اصابت حافظه نهان44 (CHR)، نشان‌دهنده‌ی درصد درخواست‌های پاسخ‌داده‌شده مستقیماً از کش است و معیار اساسی برای سنجش کارایی سیستم کش محسوب می‌شود؛ چرا که افزایش این نرخ منجر به کاهش تأخیر در تحویل محتوا و بهبود تجربه کاربر می‌شود. در این رابطه Number of cache hits تعداد درخواست‌هایی که از حافظه نهان پاسخ داده شده‌اند (تعداد اصابت‌ها به کش)و Total number of content requests تعداد کل درخواست‌های محتوای کاربران (صرف‌نظر از اینکه از کش پاسخ داده شده‌اند یا نه) است. دومین معیار، درصد آلودگی حافظه نهان45 (CPR)، شاخصی مهم در شناسایی و کاهش محتوای غیرمفید و حملات آلودگی کش است و بیانگر توانایی الگوریتم در حفظ کیفیت داده‌های ذخیره‌شده می‌باشد. (11)   در این رابطه Number of polluted contents in the cache تعداد داده‌های آلوده یا غیرمحبوب موجود در حافظه نهان و Total number of cached contents تعداد کل داده‌هایی که در حافظه نهان ذخیره شده‌اند. 4-2-توپولوژی ها و سناریوها در این پژوهش، چهار نوع توپولوژی شبکه شامل سلسله‌مراتبی، ساده، پیشرفته و مش (شکل 3) طراحی شده‌اند تا عملکرد الگوریتم پیشنهادی به‌ویژه الگوریتم ADMM و نسخه بهبود یافته آن ارزیابی شود. در توپولوژی سلسله‌مراتبی(3شکل الف)، شبکه شامل سه لایه است: لایه اول که گره‌های تولیدکننده محتوا را در بر می‌گیرد، لایه دوم که گره‌های میانی با حافظه‌های نهان هستند، و لایه سوم که گره‌های مصرف‌کننده در آن قرار دارند. در این توپولوژی، سه سناریو طراحی شده است: سناریوی اول شبکه پایدار است که به بررسی تأثیر ظرفیت کش در سه مقدار مختلف می‌پردازد. سناریوی دوم به بررسی تاب‌آوری الگوریتم در برابر حملات آلودگی کش (CPA) با افزایش تعداد درخواست‌های مخرب پرداخته است. در نهایت، سناریوی سوم تغییرات بار ترافیکی را مورد بررسی قرار می‌دهد که در آن نرخ درخواست‌ها به‌طور دینامیک از ۵ به ۲۰ درخواست در ثانیه تغییر می‌کند. در توپولوژی ساده (3شکل ب)، شبکه شامل سه لایه است: گره‌های تولیدکننده، مصرف‌کننده و میانه با حافظه نهان. در این توپولوژی نیز سه سناریو طراحی شده است: سناریوی شبکه پایدار که عملکرد الگوریتم در شرایط عادی بررسی می‌شود، حمله آلودگی کش که شبیه‌سازی حملات با درخواست‌های جعلی را شامل می‌شود، و تغییرات بار ترافیکی که به بررسی توانایی الگوریتم در مقابله با تغییرات پویا در تعداد کاربران و نرخ درخواست‌ها می‌پردازد. در توپولوژی پیشرفته(3شکل ج)، ساختار پیچیده‌تری از سلسله‌مراتب با به‌روزرسانی پارامترهای الگوریتم ADMM در گره‌های میانی به‌صورت توزیع‌شده طراحی شده است. سه سناریو در این توپولوژی به شرح زیر است: در شبکه پایدار، عملکرد الگوریتم در شرایط بدون حمله ارزیابی می‌شود. در حمله آلودگی کش (CPA)، مقاومت الگوریتم در برابر حملات آلودگی کش بررسی می‌شود و در تغییرات بار ترافیکی (پویا)، توانایی الگوریتم در پاسخ به تغییرات دینامیکی بار ترافیکی ارزیابی می‌شود. در توپولوژی مش(3شکل د)، گره‌ها به‌صورت غیرمتمرکز و با اتصالات چندگانه با یکدیگر در ارتباط هستند. در این توپولوژی، سه سناریو تعریف شده است: ازدحام موضعی و مسیرهای غیرتعادلی که به بررسی توانایی الگوریتم در مدیریت ترافیک غیرمتعادل می‌پردازد، قطع برخی لینک‌ها که ارزیابی پایداری و تاب‌آوری الگوریتم در برابر خرابی‌های شبکه را شامل می‌شود، و حمله هدفمند توزیع‌شده که به بررسی مقاومت الگوریتم در برابر حملات توزیع‌شده آلودگی کش می‌پردازد. (12)           الف ب ج د شکل (3) توپولوژی های بررسی شده الف) سلسل مراتبی، ب) ساده، ج) پیشرفته، د) مش Topologies examined a) hierarchical, b) simple, c) advanced, d) mesh  این توپولوژی‌ها و سناریوها به‌طور جامع توانایی الگوریتم‌های پیشنهادی را در شرایط مختلف شبکه‌ای، از جمله حملات و تغییرات ترافیکی، ارزیابی می‌کنند. در ادامه جدول 2 جامع برای توپولوژی‌ها و سناریوهای مختلف شبیه‌سازی‌شده در این پژوهش آورده شده است. جدول (2) بررسی جامع توپولوژی‌ها و سناریوهای مختلف شبیه‌سازی‌شده Table (2) comprehensive review of different simulated topologies and scenarios  شرح هدف ارزیابی سناریو توپولوژی شبکه بررسی عملکرد الگوریتم در شرایط عادی و بدون حمله، با تنظیم ظرفیت کش در سه مقدار مختلف (۵۰۰، ۱۰۰۰، ۲۰۰۰ محتوا) ارزیابی حساسیت الگوریتم به ظرفیت حافظه کش و بررسی نرخ اصابت کش و آلودگی کش شبکه پایدار توپولوژی سلسله‌مراتبی بررسی تاب‌آوری الگوریتم در برابر حملات آلودگی کش با افزایش تدریجی تعداد درخواست‌های مخرب از ۵ به ۲۰ درخواست در ثانیه ارزیابی مقاومت الگوریتم در برابر حملات آلودگی کش و حفظ کیفیت سرویس حمله آلودگی کش (CPA) بررسی توانایی الگوریتم در مدیریت تغییرات ناگهانی یا تدریجی در تعداد کاربران و نرخ درخواست‌ها (از ۵ به ۲۰ درخواست در ثانیه) سنجش تطبیق‌پذیری الگوریتم در شرایط متغیر شبکه و حفظ عملکرد بهینه کش تغییرات بار ترافیکی (پویا) بررسی عملکرد الگوریتم در شرایط پایدار و بدون حمله در شبکه با بار ترافیکی ثابت و نرخ درخواست کاربران مطابق با توزیع Zipf ارزیابی نرخ اصابت کش (CHR) و آلودگی کش (CPR) در شرایط عادی و ثابت بدون حمله شبکه پایدار توپولوژی ساده بررسی عملکرد الگوریتم در برابر درخواست‌های جعلی و غیرمحبوب ارسال شده توسط مهاجمان به حافظه‌های نهان بررسی مقاومت الگوریتم در برابر حملات آلودگی کش و حفظ نرخ اصابت کش و کاهش آلودگی کش حمله آلودگی کش (CPA) بررسی تغییرات ناگهانی یا تدریجی در تعداد کاربران و نرخ درخواست‌ها و ارزیابی توانایی الگوریتم در تطبیق خود با شرایط تغییرات بار بررسی توانایی الگوریتم در تطبیق با تغییرات بار ترافیکی و تنظیم خودکار پارامترهای β، ρ و λ تغییرات بار ترافیکی (پویا) بررسی عملکرد الگوریتم در محیط بدون حمله با ساختار پیچیده‌تر و چندلایه (تولیدکننده، حافظه‌های نهان، مصرف‌کننده) سنجش دقت الگوریتم در شرایط بدون حمله و حفظ نرخ اصابت کش و کاهش آلودگی کش شبکه پایدار توپولوژی پیشرفته بررسی تاب‌آوری الگوریتم در برابر حملات آلودگی کش با درخواست‌های جعلی و داده‌های غیرمحبوب ارسال‌شده توسط مهاجمان ارزیابی مقاومت الگوریتم در برابر حملات آلودگی کش و حفظ کیفیت کش و بهینه‌سازی پارامترها حمله آلودگی کش (CPA) بررسی توانایی الگوریتم در مدیریت تغییرات پویا در تعداد کاربران و نرخ درخواست‌ها و ارزیابی قدرت الگوریتم در تطبیق خود با شرایط متغیر شبکه سنجش انطباق‌پذیری الگوریتم در برابر تغییرات بار ترافیکی و حفظ عملکرد بهینه در شرایط دینامیک شبکه تغییرات بار ترافیکی (پویا) بررسی بار ترافیکی سنگین در بخش‌های خاص شبکه و ارزیابی توانایی الگوریتم در مدیریت ازدحام و توزیع بار به‌طور هوشمندانه میان مسیرهای جایگزین ارزیابی قدرت الگوریتم در توزیع متوازن بار و حفظ تعادل کش‌ها و کاهش تأخیر در تحویل محتوا ازدحام موضعی و مسیرهای غیرتعادلی توپولوژی مش شبیه‌سازی خرابی لینک‌ها و بررسی عملکرد الگوریتم در شرایط قطع یا اختلال لینک‌ها و شناسایی مسیرهای جایگزین برای حفظ عملکرد کش ارزیابی انعطاف الگوریتم در شرایط خرابی لینک‌ها و حفظ کیفیت سرویس و تحویل محتوا بدون اختلال قطع برخی لینک‌ها بررسی عملکرد الگوریتم در برابر حملات هماهنگ و توزیع‌شده که به‌صورت هم‌زمان از مسیرهای مختلف درخواست‌های جعلی و غیرمحبوب به شبکه ارسال می‌شود سنجش مقاومت الگوریتم در برابر حملات توزیع‌شده آلودگی کش و توانایی آن در حفظ کیفیت کش و بهینه‌سازی محتوا حمله توزیع‌شده آلودگی کش 4-3-ارزیابی در توپولوژی سلسله مراتبی در این پژوهش، عملکرد الگوریتم‌های ADMM و نسخه بهبود یافته آن (ADMM-Enhanced) در سه سناریو مختلف شبکه در توپولوژی سلسله مراتبی بررسی شد. در سناریو شبکه پایدار (جدول 3)، الگوریتم‌های ADMM و ADMM-Enhanced نسبت به روش‌های کلاسیک مانند LFU-DA و LRU عملکرد بهتری داشتند، با نرخ اصابت کش بالاتر و درصد آلودگی کش پایین‌تر. در سناریوی حمله آلودگی کش (جدول 4)، این الگوریتم‌ها توانستند مقاومت بیشتری در برابر حملات نشان دهند و آلودگی کش را کاهش داده و نرخ اصابت کش را حفظ کنند، در حالی که روش‌های کلاسیک آسیب‌پذیرتر بودند. در سناریوی تغییرات بار ترافیکی (جدول 5)، الگوریتم‌های ADMM و ADMM-Enhanced با توانایی تطبیق‌پذیری بالا، در شرایط پویا عملکرد مطلوبی داشتند و نرخ اصابت کش را حفظ کرده و آلودگی کش را کنترل کردند. به طور کلی، این الگوریتم‌ها در تمام سناریوها نسبت به روش‌های مرسوم عملکرد برتری نشان داده‌اند و به‌عنوان یک راهکار مؤثر برای مدیریت حافظه‌های نهان در شبکه‌های داده‌محور پیشنهاد می‌شوند.   جدول (3) سناریو ۱ توپولوژی سلسله مراتبی: شبکه پایدار (بدون حمله) Table (3) Hierarchical topology scenario 1: stable network (no attack) الگوریتم نرخ اصابت کش (CHR) درصد آلودگی کش (CPR) نرخ اصابت Top 100 نرخ اصابت Top 50 PFP-DA 21.00% 10.00% 68.00% 78.00% LFU-DA 15.00% 20.00% 55.00% 65.00% LRU 12.00% 25.00% 48.00% 58.00% ADMM 23.00% 8.00% 70.00% 80.00% ADMM-Enhanced 25.00% 7.00% 72.00% 82.00% جدول (4) سناریو 2 توپولوژی سلسله مراتبی: شبکه تحت حمله آلودگی کش (CPA) Table (4) Hierarchical Topology Scenario 2: Network Under CPA Attack الگوریتم نرخ اصابت کش (CHR) درصد آلودگی کش (CPR) نرخ اصابت Top 100 نرخ اصابت Top 50 PFP-DA 19.02% 15.00% 62.80% 75.53% LFU-DA 12.67% 36.00% 41.17% 50.00% LRU 8.82% 36.00% 28.72% 34.64% ADMM 21.00% 12.00% 65.00% 77.00% ADMM-Enhanced 23.00% 10.00% 68.00% 80.00% جدول (5)سناریو ۳ توپولوژی سلسله مراتبی: تغییرات بار ترافیکی (پویا)  Table (5) scenario 3 of hierarchical topology: traffic load changes (dynamic) الگوریتم نرخ اصابت کش (CHR) درصد آلودگی کش (CPR) نرخ اصابت Top 100 نرخ اصابت Top 50 PFP-DA 18.00% 14.00% 60.00% 70.00% LFU-DA 11.00% 28.00% 45.00% 52.00% LRU 9.00% 30.00% 40.00% 48.00% ADMM 20.00% 11.00% 63.00% 75.00% ADMM-Enhanced 22.00% 9.00% 65.00% 77.00%   4-4-نتایج ارزیابی در سناریوهای توپولوژی ساده در این تحقیق، عملکرد الگوریتم‌های ADMM و نسخه پیشرفته آن (ADMM-Enhanced) در سه سناریوی مختلف شبکه مورد ارزیابی قرار گرفت. در سناریوی شبکه پایدار (جدول 6)، الگوریتم‌های پیشنهادی عملکرد قابل توجهی نسبت به روش‌های کلاسیک مانند LFU-DA و LRU داشتند. این الگوریتم‌ها توانستند نرخ اصابت کش بالاتری داشته باشند و همزمان درصد آلودگی کش را در سطح پایین‌تری حفظ کنند. در حالی که روش‌های دیگر مانند LFU-DA و LRU نرخ اصابت کش کمتری داشتند و درصد آلودگی کش در آن‌ها بالاتر بود. در سناریوی حمله آلودگی کش (CPA) (جدول 7)، الگوریتم‌های ADMM و ADMM-Enhanced مقاومت بهتری نشان دادند و توانستند با وجود حمله، آلودگی کش را به میزان چشمگیری کاهش دهند و نرخ اصابت کش را در سطح بالایی حفظ کنند. در مقابل، الگوریتم‌های کلاسیک مانند LFU-DA و LRU در برابر حملات آسیب‌پذیر بودند و با افزایش آلودگی کش و کاهش نرخ اصابت مواجه شدند. در سناریوی تغییرات بار ترافیکی (پویا) (جدول 8)، الگوریتم‌های ADMM و ADMM-Enhanced توانایی تطبیق خود با تغییرات پویا در بار ترافیکی را نشان دادند. برخلاف روش‌های سنتی که در شرایط تغییرات ناگهانی عملکرد ضعیفی داشتند، این الگوریتم‌ها توانستند نرخ اصابت کش را حفظ کرده و آلودگی کش را در سطح مطلوبی کنترل کنند. به‌طور کلی، نتایج نشان می‌دهند که الگوریتم‌های ADMM و ADMM-Enhanced به‌دلیل استفاده از تنظیم تطبیقی پارامترها، در تمامی سناریوها، از جمله شبکه‌های پایدار، شرایط تحت حمله و وضعیت‌های پویا، عملکرد بهتری نسبت به روش‌های مرسوم دارند. جدول (6) سناریو ۱ توپولوژی ساده: شبکه پایدار (بدون حمله) Table (6) Scenario 1 Simple topology: stable network (no attack) الگوریتم نرخ اصابت کش (CHR) درصد آلودگی کش (CPR) نرخ اصابت Top 100 نرخ اصابت Top 50 PFP-DA 20.00% 11.00% 67.00% 77.00% LFU-DA 13.00% 21.00% 53.00% 63.00% LRU 10.00% 27.00% 47.00% 57.00% ADMM 22.00% 9.00% 69.00% 79.00% ADMM-Enhanced 24.00% 8.00% 71.00% 81.00% جدول (7) سناریو ۲ توپولوژی ساده: حمله آلودگی کش (CPA) Table (7) Scenario 2 of simple topology: CPA attack الگوریتم نرخ اصابت کش (CHR) درصد آلودگی کش (CPR) نرخ اصابت Top 100 نرخ اصابت Top 50 PFP-DA 18.50% 16.00% 61.00% 73.00% LFU-DA 11.50% 35.00% 40.00% 49.00% LRU 7.50% 37.00% 27.00% 33.00% ADMM 20.00% 13.00% 64.00% 75.00% ADMM-Enhanced 22.00% 11.00% 67.00% 78.00% جدول (8) سناریو ۳ توپولوژی ساده: تغییر بار ترافیکی (پویا) Table (8) scenario 3 simple topology: traffic load change (dynamic) الگوریتم نرخ اصابت کش (CHR) درصد آلودگی کش (CPR) نرخ اصابت Top 100 نرخ اصابت Top 50 PFP-DA 17.00% 15.00% 58.00% 68.00% LFU-DA 10.00% 29.00% 44.00% 50.00% LRU 8.00% 31.00% 39.00% 46.00% ADMM 19.00% 12.00% 62.00% 73.00% ADMM-Enhanced 21.00% 10.00% 65.00% 76.00% 4-5-نتایج ارزیابی برای توپولوژی پیشرفته  الگوریتم‌های ADMM و نسخه پیشرفته آن (ADMM-Enhanced) در سه سناریو مختلف توپولوژی پیشرفته ارزیابی شدند. در سناریوی شبکه پایدار (جدول 9)، الگوریتم‌های پیشنهادی عملکرد بهتری نسبت به روش‌های کلاسیک مانند LRU و LFU-DA داشتند. این الگوریتم‌ها توانستند نرخ اصابت کش بالاتری را ثبت کنند و در عین حال، درصد آلودگی کش را به‌طور قابل توجهی کاهش دهند. همچنین، در این سناریو، نرخ اصابت برای محتوای پرطرفدار Top 50 و Top 100 در الگوریتم‌های ADMM و نسخه پیشرفته آن بالاترین میزان را داشت. در سناریوی حمله آلودگی کش (CPA) (جدول 10)، الگوریتم‌های ADMM و ADMM-Enhanced به‌طور مؤثری آلودگی کش را کاهش دادند و توانستند تعادل مناسبی بین نرخ اصابت و مقاومت در برابر آلودگی ایجاد کنند. در حالی که روش‌های کلاسیک نظیر LRU و LFU-DA با کاهش قابل توجه در نرخ اصابت و افزایش آلودگی کش مواجه شدند. در سناریوی تغییرات بار ترافیکی (پویا) (جدول 11)، الگوریتم‌های ADMM و ADMM-Enhanced عملکرد پایدار و تطبیق‌پذیری خوبی در شرایط متغیر و پویا از خود نشان دادند. این الگوریتم‌ها توانستند نرخ اصابت کش را در سطح مطلوب حفظ کرده و آلودگی کش را کنترل کنند. در مقابل، روش‌های مرجع در شرایط تغییرات بار ترافیکی ضعیف عمل کردند. به‌طور کلی، نتایج این سناریوها نشان می‌دهند که الگوریتم‌های ADMM و ADMM-Enhanced در تمامی شرایط از نظر نرخ اصابت کش، مقاومت در برابر آلودگی و مدیریت محتواهای پربازدید عملکرد بهتری نسبت به روش‌های مرجع دارند و به‌عنوان گزینه‌ای ایده‌آل برای شبکه‌های NDN پیشنهاد می‌شوند. جدول (9) سناریو توپولوژی پیشرفته ۱: شبکه پایدار (بدون حمله) Table (9) advanced topology scenario 1: stable network (no attack) الگوریتم نرخ اصابت کش (CHR) درصد آلودگی کش (CPR) نرخ اصابت Top 100 نرخ اصابت Top 50 PFP-DA 25.00% 8.00% 70.00% 80.00% LFU-DA 18.00% 18.00% 60.00% 70.00% LRU 15.00% 22.00% 52.00% 62.00% ADMM 27.00% 6.00% 72.00% 82.00% ADMM-Enhanced 29.00% 5.00% 75.00% 85.00% جدول (10) سناریو ۲ توپولوژی پیشرفته: شبکه تحت حمله آلودگی کش (CPA) Table (10) Advanced Topology Scenario 2: Network Under CPA Attack [1]  Information-Centric Networking [2]  Named Data Networking [3]  Cache Pollution Attack [4]  Least Recently Used [5]  Least Frequently Used [6]  Per-Face Popularity [7]  Cache Pollution Attacks [8]  Deterministic algorithms [9]  Metaheuristic algorithms [10]  Gradient descent [11]  Newton’s methods [12]  Evolutionary Algorithms [13]  Particle Swarm Optimization (PSO) [14]  Bayesian Optimization [15]  Alternating Direction Method of Multipliers [16]  consensus update [17]  Mandapati، Ranaweera  [18]  Yang  [19]  Hybrid Proactive Reactive Defense Scheme [20]  Interest Flooding [21]  Wang  [22]  Fishol Hamdi [23]  John Baugh [24]  Abdelhak Hidouri [25]  Liu and Peng  [26]  Improved Collusive Interest Flooding Attacks [27]  Man [28]  gradient boost decision tree [29]  Yao [30]  Zhou  [31]  Buvanesvari [32]  Radial Basis Function Neural Network [33]  Nguyen [34]  Saha [35]  Fake Content Providers [36]  Opportunistic Mobile Networks [37]  Baugh [38]  Hit Rate [39]  Pollution Rate [40]  Decision Variable [41]  PollutionRate [42]  HitRate [43]  Projection [44]  Cache Hit Rate [45]  Cache Pollution Rate