یک روش جایگزینی محتوا مبتنی بر آنتروپی شانون و روش تصمیم‌گیری وزنی ساده در شبکه‌های مبتنی بر نام

محمد سلطانی ¹ ( دانشکده مهندسی کامپیوتر- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران )
بهرنگ برکتین ² ( دانشکده مهندسی کامپیوتر- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران )
فرامرز هندسی ³ ( دانشکده مهندسی برق و کامپیوتر- دانشگاه صنعتی اصفهان، اصفهان، ایران )
زهرا بهشتی ⁴ ( مرکز تحقیقات کلان داده- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران )

تاریخ ارسال : 1402/07/10 تاریخ تایید : 1402/10/17

کلید واژه: آنتروپی شانون, جایگزینی محتوا حافظه موقت, روش امتیازدهی وزنی ساده, شبکه داده نامگذاری‌شده, شبکه محتوا محور,

چکیده مقاله :

شبکه داده نام گذاری شده به عنوان یکی از معماری های پیشرو و نسل بعدی شبکه محتوا محور در آینده اینترنت معرفی شده است. اخیراً، چالش جایگزینی محتوا به دلیل اهمیت ویژه آن مورد توجه محققین قرار گرفته است. اگرچه روش های معرفی شده تا کنون تلاش در بهبود این چالش داشته اند، اما وزن دهی غیرپویا و استفاده از تنها یک معیار برای انتخاب محتوای خروجی، نیاز به ایجاد بهبود بیشتر در تاخیر دسترسی را به امری اجتناب ناپذیر تبدیل نموده است. در این راستا، در این مقاله یک روش جدید مبتنی بر فرآیند تصمیم‌گیری ساده همراه با وزن دهی پویای آنتروپی شانون برای انتخاب مناسب ترین محتوا جهت جایگزینی محتوا ارائه شده است. در روش پیشنهادی معیار های مهم محبوبیت محتوا و زمان آخرین بازدید به صورت پویا وزن دهی و با توجه به شرایط، امکان تغییر وزن معیارها به صورت پویا وجود دارد. سپس محتوا ها امتیازدهی و محتوای مناسب جهت جایگزینی محتوا تعیین می گردد. از نو آوری های روش پیشنهادی در نظر گرفتن معیارهای تاثیر گذار در شبکه های مبتنی بر نام مانند محبوبیت محتوا و زمان آخرین بازدید برای خروج محتوا و همچنین پویا بودن وزن معیارها می توان نام برد که باعث بهبود همزمان زمان تاخیر و نرخ ضربه می شود. نتایج حاصل از شبیه سازی در ndnSIM حاکی از کاهش تاخیر و افزایش نرخ ضربه در مقایسه با روش های مشابه است.

چکیده انگلیسی :

The named data network has been introduced as one of the next generation content-oriented network architectures in the future of the Internet. Recently, the challenge of content replacement has attracted the attention of researchers due to its special importance. Although the methods introduced so far have tried to improve this challenge, non-dynamic weighting and the use of only one criterion to select the output content have made the need for further improvement in the access delay inevitable. Regarding this matter, a novel strategy is presented based on the simple additive weighting (SAW) with the dynamic weighting of Shannon’s entropy for content replacement. In the proposed method, the important parameters such as the popularity of the content and the time of the last visit are included. According to the conditions of the content, it is possible to change the weights of the criteria dynamically using Shannon's entropy method. Content scoring is done using the SAW method and appropriate content is determined to replace the content. Among the innovations of the proposed method can be mentioned the consideration of influential criteria in named data networks, such as content popularity and the time of the last visit to replace the content, as well as the dynamic weight of the criteria, which reduces the delay and increases the hit rate. The results of the simulation in ndnSIM indicate the improvement access delay and hit rate compared to similar methods. 

منابع و مأخذ:

[1] D. Dhakal, A. Gautam, S. Dey, K. Sharma, ''A review on forwarding strategies in NDN based vehicular networks'', EMITTER International Journal of Engineering Technology, vol. 9, no. 2, pp. 339–356, Dec. 2021 (doi: 10.24003/emitter.v9i2.632).

[2] A. Tariq, R.A. Rehman, B.S. Kim, ''Forwarding strategies in NDN based wireless networks: a survey'', EEE Communications Surveys and Tutorials, vol. 22, no. 1, pp. 68-95, Dec. 2021 (doi: 10.1109/COM­ST.2­019.2­93­5795).

[3] K.N. Lal, A. Kumar, ''A popularity based content eviction scheme via betweenness-centrality caching approach for content-centric networking (CCN)'', Wireless Networks, vol. 25, no. 2, pp. 585–596, Feb. 2019 (doi: 10.1007/s11276-017-1577-z).

[4] A. Kalghoum, L.A. Saidane, ''FCR-NS: A novel caching and forwarding strategy for named data networking based on software defined networking'', Cluster Computing, vol. 22, no. 3, pp. 981–994, Sept. 2019 (doi: 10­.10­07/s10586-018-02887-w).

[5] D. He, C. Westphal, J. Jiang, G. Yang, ''RankRoute: Efficient interest forwarding using nodes ranking'', Pro­c­ee­ding of the IEEE/ICNC, pp. 741–746, Honolulu, HI, USA, Feb. 2019 (doi: 10.1109/ICCNC.2019.8­68­5­6­0­8).

[6] M.S.M. Shah, Y.B. Leau, Z. Yan, M. Anbar, ''Hierarchical naming scheme in named data networking for internet of things: a review and future security challenges'', IEEE Access, vol. 10, pp. 19958–19970, Feb. 2022 (doi: 10.1109/ACCESS.2022.3151864).

[7] I.V.S. Brito, L. Sampaio, L. Zhang, ''On supporting forwarding strategies and sync protocols through NDN distance vector routing'', Proceeding of the ACMCICN, pp. 183–185, Osaka Japan, Sept. 2022 (doi: 10.1145/3517­212.3­559490).

[8] A. Hidouri, N. Hajlaoui, H. Touati, M. Hadded, P. Muhlethaler, ''A survey on security attacks and intrusion detection mechanisms in named data networking'', Computers, vol. 11, no. 12, Article Number: 186, Dec. 2022 (doi: 10.3390/computers11120186).

[9] A. Abrar, A.S. Che Mohamed Arif, K. M. Zaini, ''A mobility mechanism to manage producer mobility in named data networking'', Proceeding of the IEEE/TENSYMP, pp. 1–6, Mumbai, India, July 2022 (doi: 10.1109/TENSYMP54529.2022.9864454).

[10] M. Amadeo, C. Campolo, G. Ruggeri, A. Molinaro, ''Popularity-aware closeness based caching in NDN edge networks'', Sensors, vol. 22, no. 9, Article Number: 3460, May 2022 (doi: 10.3390/s22093460).

[11] S. Lee, I. Yeom, D. Kim, ''T-caching: Enhancing feasibility of In-network caching in ICN'', IEEE Trans. on Parallel and Distributed Systems, vol. 31, no. 7, pp. 1486–1498, July 2020 (doi: 10.1109/TPDS.202­0.297­07­02).

[12] M. Amadeo, C. Campolo, G. Ruggeri, A. Molinaro, ''Beyond edge caching: freshness and popularity aware IoT data caching via NDN at internet-scale'', IEEE Trans. on Green Communications and Networking, vol. 6, no. 1, pp. 352–364, Mar. 2022 (doi: 10.1109/TGCN.2021.3124452).

[13] R.K. Dudeja, R.S. Bali, G.S. Aujla, ''Secure and pervasive communication framework using named data networking for connected healthcare'', Computers and Electrical Engineering, vol. 100, no. 1, Article Number: 107806, May 2022 (doi: 10.1016/j.compeleceng.2022.107806).

[14] X. Wang, Y. Lu, ''Sustainable and efficient fog-assisted IoT cloud based data collection and delivery for smart cities'', IEEE Trans. on Sustainable Computing, vol. 7, no. 4, pp. 950–957, Oct. 2022 (doi: 10.1109/TSUSC.2022.3188330).

[15] P. Mekbungwan, G. Pau, K. Kanchanasut, ''In-network computation for IoT data processing with active NDN in wireless sensor networks'', Proceeding of the CIoT, pp. 197–204, Marrakech, Morocco, Mar. 2022 (doi: 10.1109/CIoT53061.2022.9766613).

[16] E.T. da Silva, A.L.D. Costa, J. M. H. de Macedo, ''On the realization of VANET using named data networking: On improvement of VANET using NDN‐based routing, caching, and security'', International Journal of Communication Systems, vol. 35, no. 18, Article Number: e5348 Dec. 2022 (doi: 10.1002/dac.5348).

[17] B. Hao, G. Wang, M. Zhang, J. Zhu, L. Xing, Q. Wu, ''Stochastic adaptive forwarding strategy based on deep reinforcement learning for secure mobile video communications in NDN'', Security and Communication Networks, vol. 2021, pp. 1–13, April 2021 (doi: 10.1155/2021/6630717).

[18] Z. Sharifian, B. Barekatain, A.A. Quintana, Z. Beheshti, F. Safi, "An enhanced routing algorithm in smart iot networks with mobile nodes", Journal of Intelligent Procedures in Electrical Technology, vol. 16, no. 63, pp. 1-24, December 2025 (in Persian).

[19] M. Meddeb, A. Dhraief, A. Belghith, T. Monteil, K. Drira, H. Mathkour, ''Least fresh first cache replacement policy for NDN-based IoT networks'', Pervasive and Mobile Computing, vol. 52, pp. 60–70, Jan. 2019 (doi: 10.1016/j.pmcj.2018.12.002).

[20] Y. Taj, B. Bakhshi-Sareskanrood, H. ZandHessami, "Reliable relay node selection to real-time messaging in vehicular networks", Journal of Intelligent Procedures in Electrical Technology, vol. 15, no. 59, pp. 53-80, December 2024 (in Persian).

[21] C.E. Shannon, ''A mathematical theory of communication'', Bell System Technical Journal, vol. 27, pp. 379–423, Oct. 1948.

[22] M. Zhang, H. Luo, H. Zhang, ''A survey of caching mechanisms in information-centric networking'', IEEE Communications Surveys and Tutorials, vol. 17, no. 3, pp. 1473–1499, April 2015 (doi: 10.1109/COM-ST.2015.2420097).

[23] D. Grund, J. Reineke, ''Precise and efficient FIFO-replacement analysis based on static phase detection'', Proceeding of the IEEE/ECRTS, pp. 155–164, Brussels, Belgium, July. 2010 (doi: 10.1109/ECRTS.2010.8).

[24] Z. Li, D. Liu, H. Bi, ''CRFP: A novel adaptive replacement policy combined the LRU and LFU policies'', Proceeding of the IEEE/CIT, pp. 72–79, Sydney, QLD, July 2008 (doi: 10.1109/CIT.2008.Workshops.22).

[25] S. Chootong, J. Thaenthong, ''Cache replacement mechanism with content popularity for vehicular content-centric networks (VCCN)'', Proceeding of the IEEE/JCSSE, NakhonSiThammarat, Thailand, pp. 1–6, July 2017 (doi: 10.1109/JCSSE.2017.8025901).

[26] Y. Li, M. Yu, R. Li, ''A cache replacement strategy based on hierarchical popularity in NDN'', Proceeding of the IEEE/ICUFN, pp. 159–161, Prague, Czech, July 2018 (doi: 10.1109/ICUFN.2018.8436597).

[27] Y. Liu, T. Zhi, H. Xi, W. Quan, H. Zhang, ''A novel cache replacement scheme against cache pollution attack in content-centric networks'', Proceeding of the IEEE/CIC, pp. 207–212, Changchun, China, Aug. 2019 (doi: 10.1109/ICCChina.2019.8855925).

[28] M.A.P. Putra, H. Situmorang, N.R. Syambas, ''Least recently frequently used replacement policy named data networking approach'', Proceeding of the IEEE/ICEEI, pp. 423–427, Bandung, Indonesia, July 2019 (doi: 10.1109/ICEEI47359.2019.8988828).

[29] N. Alzakari, A.B. Dris, S. Alahmadi, ''Randomized least frequently used cache replacement strategy for named data networking'', Proceeding of IEEE/ICCAIS, pp. 1–6, Riyadh, Saudi Arabia, Mar. 2020 (doi: 10.1109/IC­CA­IS4889­3.2020.9096733).

[30] S. Al-Ahmadi, ''A new efficient cache replacement strategy for named data networking'', International Journal of Computer Networks and Communications, vol. 13, no. 5, pp. 19–35, Sept. 2021 (doi: 10.5121/ijcnc.2­021.1­35­02).

[31] S. Rashid, S.A. Razak, F.A. Ghaleb, ''IMU: A content replacement policy for CCN, based on immature content selection'', Applied Sciences, vol. 12, no. 1, Article Number: 344, Dec. 2021 (doi: 10.3390/app12010344).

[32] E.T. Silva, J.M.H. Macedo, A.L.D. Costa, ''NDN content store and caching policies: Performance Evaluation'', Computers, vol. 11, no. 3, Article Number: 37, Mar. 2022 (doi: 10.3390/computers11030037).

[33] J. Hou, H. Lu, A. Nayak, ''A GNN-based proactive caching strategy in NDN networks'', Peer-to-Peer Networking and Applications, vol. 16, no. 2, pp. 997-1009, Mar. 2023 (doi: 10.1007/s12083-023-01464-2).

[34] Y. Zha, P. Cui, Y. Hu, L. Xue, J. Lan, Y. Wang, ''An NDN cache-optimization strategy based on dynamic popularity and replacement value'', Electronics, vol. 11, no. 19, Article Number: 3014, Sept. 2022 (doi: 10.3390/electronics11193014).

[35] J. Hou, H. Xia, H. Lu, A. Nayak, ''A graph neural network approach for caching performance optimization in NDN networks'', IEEE Access, vol., pp. 112657–112668, Oct. 2022 (doi: 10.1109/ACCESS.2022.3217236).

[36] A. Narayanan, S. Verma, E. Ramadan, P. Babaie, Z.L. Zhang, ''Making content caching policies “smart” using the deepcache framework'', ACM SIGCOMM Computer Communication Review, vol. 48, no. 5, pp. 64–69, Jan. 2019 (doi: 10.1145/3310165.3310174).

[37] B. Panigrahi, S. Shailendra, H.K. Rath, A. Simha, ''Universal caching model and markov-based cache analysis for information centric networks'', Photonic Network Communications, vol. 30, no. 3, pp. 428–438, Dec. 2015 (doi: 10.1007/s11107-015-0570-7).

[38] J. Yao, B. Yin, X. Tan, ''A SMDP-based forwarding scheme in named data networking'', Neurocomputing, vol. 306, pp. 213–225, Sept. 2018 (doi: 10.1016/j.neucom.2018.03.057).

متن کامل:



JIPET

Journal of Intelligent Procedures in Electrical Technology/ Vol. 11/ No. 41/ Spring 2020 P-ISSN: 2322-3871, E-ISSN: 2345-5594, http://jipet.iaun.ac.ir/

 

 

A replacement method based on Shannon entropy and Simple Additive Weighting (SAW) method in named data networks

 

Mohammad soltani1, Ph.D. Student, Behrang Barekatain1,2, Assistant Professor, Faramarz Hendesi3, Assistant Professor, Zahra Beheshti1,2, Assistant Professor 

 

1 Faculty of Computer Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran

2 Big Data Research Center, Najafabad Branch, Islamic Azad University, Najafabad, Iran

3 Department of Electrical and Computer Engineering, Isfahan University of Technology, Isfahan, Iran

[e-mail], [e-mail], [e-mail], [e-mail]

 

Abstract

Named data network has been introduced as one of the next generation content-oriented network architectures in the future of the Internet. Recently, the challenge of content replacement has attracted the attention of researchers due to its special importance. Although the methods introduced so far have tried to improve this challenge, non-dynamic weighting and the use of only one criterion to select the output content have made the need for further improvement in the delay inevitable. Regarding this matter, a novel strategy is presented based on the Simple Additive Weighting (SAW) with the dynamic weighting of Shannon’s entropy for content replacement. In the proposed method, important parameters such as the popularity of the content and the time of the last visit are included. According to the conditions of the content, it is possible to change the weights of the criteria dynamically using Shannon's entropy method. Content scoring is done using the SAW method and appropriate content is determined to replace the content. The advantages of the proposed method are considering the effective criteria for the content and the dynamic weight of the criteria. Among the innovations of the proposed method is the consideration of influential criteria in named data networks, such as content popularity and the time of the last visit to exit the content, as well as the dynamic weight of the criteria, which improves the delay time and hit rate. The results of the simulation in ndnSIM indicate the improvement of delay time and hit rate compared to similar methods.  

 

Keywords: Information-oriented network, Named data network, Replacement, Shannon entropy, Simple Additive Weighting 

 

Received: 

Revised: 

Accepted: 

 

Corresponding Author: Dr. Behrang Barekatain

 

 

 

 

 

 

 

یک روش جایگزینی محتوا مبتنی بر آنتروپی شانون و روش تصمیم­گیری وزنی ساده در شبکه­های مبتنی بر نام

محمد سلطانی1، دانشجوی دکتری، بهرنگ برکتین2،1، استادیار، فرامز هندسی1و3، دانشیار، زهرا بهشتی2،1، استادیار

 

1- دانشکده مهندسی کامپیوتر- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

2- مرکز تحقیقات کلان داده- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

3- دانشکده مهندسی برق و کامپیوتر- دانشگاه صنعتی اصفهان، اصفهان، ایران

 

[e-mail], [e-mail], [e-mail], [e-mail] 

 

 

چكيده: شبکه داده نام­گذاری­شده بعنوان یکی از معماری­های پیشرو و نسل بعدي شبکه محتوا محور در آينده اينترنت معرفی شده است. اخیراً، در میان چالش­هاي كليدي مؤثر در عملکرد این شبکه‌، چالش جایگزینی محتوا به دلیل اهمیت ویژه آن مورد توجه محققين قرار گرفته است. اگرچه روش­های معرفی شده تا­کنون تلاش در بهبود این چالش داشته­اند، اما وزن­دهی غیرپویا و استفاده از تنها یک معیار برای انتخاب محتوای خروجی، نیاز به ایجاد بهبود بیشتر در میزان تاخیر را به امری اجتناب ناپذیر تبدیل نموده است. در اين راستا، در این مقاله یک روش جدید مبتني بر فرآیند تصمیم‌گیری ساده تطبیق داده شده همراه با وزن­دهی پویای آنتروپی شانون تطبیق داده شده برای انتخاب مناسب­ترین محتوا جهت جایگزینی محتوا ارائه شده است. در روش پیشنهادی معیار­های مهم محبوبیت محتوا و زمان آخرین بازدید به صورت پویا وزن­دهی و با توجه به شرایط، امکان تغییر وزن معیارها بصورت پویا وجود دارد. سپس محتوا­ها امتیازدهی و محتوای مناسب جهت جایگزینی محتوا تعیین می­گردد. از نو­آوری­های روش پیشنهادی در نظر گرفتن معیارهای تاثیر­گذار در شبکه­های مبتنی بر نام مانند محبوبیت محتوا و زمان آخرین بازدید برای خروج محتوا و همچنین پویا بودن وزن معیارها است که باعث بهبود همزمان زمان تاخیر و نرخ ضربه می­شود. نتایج حاصل از شبیه­سازي در ndnSIM حاکی از کاهش تاخیر و افزایش نرخ ضربه در مقایسه با روش­های مشابه است.

 

کلمات کلیدی: آنتروپی شانون، جایگزینی محتوا حافظه موقت، روش امتیازدهی وزنی ساده، شبکه داده نامگذاری­شده، شبکه محتوا محور 

 

تاریخ ارسال مقاله: 10/7/1402

تاریخ بازنگری مقاله:

تاریخ پذیرش مقاله:

 

نام نویسنده­ی مسئول: دکتر بهرنگ برکتین

نشانی نویسنده­ی مسئول: نجف­آباد- بلوار دانشگاه- دانشگاه آزاد اسلامی واحد نجف­آباد- دانشکده مهندسی کامپیوتر

 

 

 

 

 

 

1- مقدمه

شبکه داده نام­گذاری شده1¹ بستري است که توسط بسیاری از محققان برای تغییر ساختار شبکه مبتنی بر پروتکل اینترنت2² ارائه شده است. این شبکه به جای رویکرد مبتنی بر میزبان، از رویکرد محتوا محوری استفاده می کند [1]. به عبارتي، برنامه‌ها و کاربران فقط به محتوا اهمیت می‌دهند، در حالی که پروتکلTCP/IP³ با تعیین و کشف مکان دستگاه بر روی ارتباط تمرکز و به همين دليل مديريت را دشوارتر و محدودتر می‌نمايد .همچنين شبکه داده نام­گذاری شده از توزیع کارآمد محتوا پشتیبانی كرده و به جای ایمن­سازی کانال های داده، محتوا را ایمن می­کند [2]. از مزایای شبکه داده نام­گذاری­شده می­توان به احراز هویت و شناسایی هر محتوا بدون دخالت سرویس دهنده اشاره کرد. همچنین با ذخیره­سازی محتوا در نزدیکی درخواست ­کننده، از هدر رفتن پهنای باند جلوگیری می­شود [3]. نام­گذاری مستقل از موقعیت مکانی، مسیریابی مبتنی بر نام و امنیت بیشتر نسبت به ساختار کنونی اینترنت، از دیگر مزایای شبکه داده نام­گذاری شده است [4]. شبکه­های محتوا محور4⁴می­توانند با استفاده از جدول­های ذخیره­سازي محتوا5⁵ ،بسته­هاي علاقه­ي منتظر6⁶ ، اطلاعات جلورانی7⁷ و ذخیره­سازی درون شبکه­ای8⁸، کارایی شبکه را بهبود بخشند. شبکه داده نام­گذاری شده در حالت ایده­آل ترجیح می­دهد تا محتوا­ها در نزدیک­ترین مسیریاب به درخواست­کننده ذخیره شوند تا تاخیر دسترسی به حد­اقل برسد [5]. در این نوع شبکه­ها، علیرغم مزایای فوق، چالش­هایی مانند نام­گذاری [6]، مسیریابی [7]، امنیت [8]، تحرک­پذیری [9] و ذخیره­سازی [10] نیز وجود دارند که باید مورد توجه قرار بگیرند. مسیریاب­ها موظف هستند کارهای بیشتر از مسیریابی مانند ذخیره اطلاعات و جستجوی حافظه موقت انجام دهند و نیاز به سرعت بالاتری نسبت به مسیریاب­های موجود دارند. مسیریاب­ها باید جدول­های بیشتری را در خود ذخیره کنند که به طور قابل افزایش سربار پردازش می­شود [11]. نحوه ذخیره­سازی حافظه موقت به این صورت است که رونوشت از محتوا­های درخواست شده را در تمام مسیریاب­ها در طول مسیر گره به درخواست­کننده ذخیره می­کند. این امر باعث افزونگی شدید شده و مصرف منابع شبکه مانند پهنای باند و حافظه داخلی را افزایش می­دهد [4]. موضوع ذخیره­سازی در شبکه­های مبتنی بر نام در زمینه­های مختلفی مانند اینترنت اشیا9⁹[12]، حوزه سلامت هوشمند10¹⁰ [13]، شهر هوشمند11¹¹ [14]، شبکه­های حسگر بی­سیم12¹² [15]، شبکه وسایل نقلیه13¹³[16] و جریان­های ویدئویی14¹⁴ [17] و غیره مورد بررسی واقع شده است. به عنوان مثال در مورد اینترنت اشیاء با توجه به تولید زیاد داده­ها و محدودیت ظرفیت حافظه موقت در مسیریاب­ها، پس از مدتی ظرفیت حافظه موقت تکمیل و تعدادی از داده­ها باید از حافظه موقت خارج شوند که می­توان از روش­های جایگزینی محتوا حافظه موقت استفاده کرد [18]. در اکثر تحقیقات پیشین، صرفا یکی از پارامترها برای تصمیم­گیری استفاده شده، در حالی­که در روش پیشنهادی علاوه بر میزان محبوبیت محتوا، از آخرین زمان بازدید هم به عنوان یکی از پارامترهای مهم استفاده شده است. با توجه به موارد فوق، می­توان مشکلات عمده جایگزینی محتوا روش­های مطرح شده را موارد زیر دانست:

- در نظر نگرفتن ویژگی­های محتوا مانند میزان محبوبیت در کنار آخرین زمان بازدید که منجر به عدم جایگزینی محتوا مناسب و خروج محتویات با میزان محبوبیت بالا می­شود.

- در نظر نگرفتن آخرین زمان بازدید در کنار میزان محبوبیت محتوا که منجر به نگهداری محتویاتی که در گذشته محبوب بوده­اند، ولی در حال حاضر محبوب نیستند، می­شود.

- جایگزینی محتوا­های متعدد در اثر اعمال الگوریتم­های نامناسب برای جایگزینی محتوا که منجر به تاخیر تحویل محتوا می­گردد.

در این مقاله یک روش جایگزینی محتوا برای شبکه داده نامگذاری شده طراحی شده که پارامترهای مهم مانند میزان محبوبیت محتوا و آخرین زمان بازدید شده محتوا را در نظر گرفته و با استفاده از آنتروپی شانون به صورت پویا وزن­دهی می­کند. از مزایای روش پیشنهادی این است که در هر مرحله با توجه به شرایط، امکان تغییر اوزان آنها وجود خواهد داشت. سپس با کمک روش­ وزنی ساده¹⁵ هر کدام از محتواهای ذخیره شده با توجه به وزن­های پارامترها امتیازبندی و در نهایت محتوای مناسب جهت خروج با توجه به رابطه محاسبه شده استخراج و انتخاب می­شود.

بنابراین، نوآوری روش پیشنهادی شامل موارد زیر است:

- در نظر گرفته شدن معیارهای محبوبیت و آخرین زمان بازدید بطور همزمان و استفاده از مزایای روش خطی ساده تطبیق داده شده مانند پیچیدگی پایین محاسبات، رتبه­بندی کامل گزینه­ها و درنظر گرفتن معیارهای مثبت و منفی اشاره کرد.

- استفاده از روش آنتروپی شانون تطبیق داده شده برای وزن­دهی پویای مناسب به معیارهای میزان محبوبیت محتوا و آخرین زمان بازدید شده محتوا که مطابق شرایط محتوا می­توانند تغییر کنند. در روش آنتروپی شانون وزن عناصر بر اساس میزان پراکندگی شاخص­ها تعیین و با تغییر شرایط محتوا می­توانند تغییر کنند.

- عدم خروج محتواهای محبوبی که اخیرا مورد تقاضای درخواست کنندگان هستند.

در روش پیشنهادی با اهداف به حداکثر رساندن استفاده از منابع شبکه، کاهش تاخیر و افزایش نرخ برخورد تمرکز شده است. روش پیشنهادی در شبیه ساز ndnSIM تحت سناریوهای متعددی مورد ارزیابی قرار گرفته و نتایج بدست آمده حاکی از بهبود پارامترهای تاخیر و نرخ برخورد به میزان 25.94% و 51.65% است. ساختار این مقاله به شرح زیر سازماندهی شده است.

در بخش­ دوم پیشینه تحقیق ارائه شده است. در بخش سوم به بررسی دقیق بیان مساله پرداخته می­شود. روش پیشنهادی و مراحل بدست آوردن خروجی رابطه مورد نظر در بخش چهارم توضیح داده شده است. در بخش پنجم به بررسی و تجزیه و تحلیل نتایج خواهیم پرداخت و در نهایت در بخش ششم نتیجه­گیری و کار­های آتی بررسی می­شود.

 

2- پیشینه تحقیق

در این بخش ابتدا مفاهیم اولیه و سپس تحقیقات انجام شده محققان در زمینه جایگزینی محتوا مورد بررسی واقع شده است.

2-1- مفاهيم اوليه

در این قسمت ابتدا کلیات شبکه داده نام­گذاری شده و سپس مراحل پایه روش­های استفاده شده به منظور انتخاب محتوا جهت خروج که شامل روش خطی ساده و وزن­دهی آنتروپی شانون[19] است، بررسی می­گردد.

2-1-1- کلیات شبکه داده نام­گذاری شده

شبکه داده­های نام­گذاری شده محتواها را با استفاده از نام­هایی بازیابی می­کند که به صورت سلسله مراتبی هستند. هر مسیریاب شبکه­های داده نام­گذاری شده، دارای جدول ذخیره­سازي محتوا، جدول بسته­هاي علاقه­ي منتظر و جدول اطلاعات جلورانی است. فرآیند ارسال بسته علاقه16¹⁶ و بسته داده17¹⁷ متناظر با آن، در یک مسیریاب شبکه­های داده نام­گذاری شده در شکل (1) نشان داده شده است. زمانی که بسته علاقه به یکی از مسیریاب­ها برسد، ابتدا محتوای جدول ذخیره­سازي محتوا بررسی و اگر اطلاعات درخواست شده در آن وجود داشت، آن را در اختیار درخواست­کننده قرار می­دهد. اگر اطلاعات در جدول ذخیره­سازي محتوا وجود نداشت، جدول بسته­هاي علاقه­ي منتظر را بررسی می­کند. اگر اطلاعات درخواستی در لیست جدول بسته­هاي علاقه­ي منتظر وجود داشت منتظر پاسخ می­ماند. اگر در جدول بسته­هاي علاقه­ي منتظر نیز وجود نداشت به جدول اطلاعات جلورانی مراجعه می­کند و مسیریابی برای یافتن محتوا انجام شده و سپس بسته داده را تحویل درخواست­کننده می­دهد [20].

2-1-2- روش وزنی ساده 

روش وزنی ساده که روش خطی ساده نیز نامیده می­شود، یکی از روش‌های تصمیم‌گیری چند­ معیاره برای انتخاب بهترین گزینه است. از مزایای این روش می­توان به سادگی محاسبه، رتبه­بندی کامل گزینه­ها و درنظر گرفتن معیارهای مثبت و منفی اشاره کرد. در این تحقیق از معیارهای میزان محبوبیت محتوا و آخرین زمان بازدید شده محتوا برای تصمیم­گیری در مورد انتخاب محتوای خروجی استفاده شده است. در مدل­های تصمیم­گیری چند معیاره، هدف یا وزن­دهی به معیارها است و یا رتبه­بندی گزینه­ها. این روش نیز رتبه­بندی گزینه­ها را دنبال می­کند. در این تحقیق رتبه­بندی گزینه­ها با روش خطی ساده و وزن­دهی معیارها با روش آنتروپی شانون انجام می­شود تا معیارها به صورت پویا وزن­دهی شوند. دلایل استفاده از روش وزنی ساده به صورت زیر هستند.

- سادگی و قابل فهم: یکی از بزرگترین مزایای روش وزنی ساده سادگی آن است. این روش بسیار قابل فهم و آموزش است و نیاز به تخصص آماری یا ریاضی کمتری دارد. به راحتی می‌توان از آن برای حل مسائل مختلف استفاده کرد.

- انعطاف‌پذیری: در روش وزنی ساده ، می‌توان وزن‌ها را به صورت دلخواه تعیین کرد. این انعطاف‌پذیری به کاربر اجازه می‌دهد تا اهمیت معیارهای مختلف را بر اساس شرایط و موارد مختلف تنظیم کند.

- کاربرد گسترده: روش وزنی ساده در مسائل متنوعی مانند انتخاب پروژه‌های سرمایه‌گذاری، انتخاب تأمین‌کنندگان، انتخاب دانشگاه برای تحصیل و مسائل تصمیم‌گیری مشابه کاربرد دارد.

- تطبیق با مسائل واقعی :روش وزنی ساده به خوبی می‌تواند با مسائل واقعی و پیچیده تطبیق پیدا کند. با تعیین مناسب وزن‌ها و تعداد معیارها، می‌توان به نتایج دقیق‌تری در مسائل واقعی دست یافت.

- محاسبات سریع: این روش محاسبات نسبتاً سریعی دارد و می‌توان به سرعت نتایج را به دست آورد. این ویژگی مهم است زمانی که نیاز به تصمیم‌گیری در مدت زمان محدودی داریم.

- قابلیت تجزیه و تحلیل: با توجه به سادگی روش وزنی ساده ، می‌توان نتایج را به راحتی تجزیه و تحلیل کرد و فهمید که چگونه وزن‌ها و معیارها تصمیم‌گیری را تحت‌تأثیر قرار می‌دهند.

با توجه به این مزایا، روش وزنی ساده به عنوان یک ابزار کاربردی در تصمیم‌گیری‌های متعدد در مسائل مختلف مورد استفاده قرار می‌گیرد. این روش به تصمیم‌گیران اجازه می‌دهد تا با توجه به اهمیت ویژگی‌ها و ویژگی‌های مختلف، تصمیم‌های بهینه‌تری اتخاذ کنند.

 

شکل (1): مراحل درخواست و دریافت محتوا در شبکه­های مبتنی بر نام 

در روش خطی ساده، مراحل زیر برای بدست آوردن بهترین گزینه انجام می­شود. 

نخستین گام در این روش تشکیل ماتریس تصمیم است. ماتریس تصمیم‌گیری یک ماتریس برای ارزیابی تعدادی گزینه براساس تعدادی معیار است. یعنی ماتریسی که در آن هر گزینه براساس تعدادی معیار امتیازدهی شده است. ماتریس تصمیم با X و هر درایه آن با xmn در جدول (1) نشان داده شده است.

جدول (1): ماتریس تصمیم

Cn		C2	C1
x1n	…	x12	x11	A1
X2n	…	X22	X21	A2
	…			. . .
xmn	…	Xm2	Xm1	Am

بی­مقیاس­سازی¹⁸، دومین گام در حل تمامی روش‌های تصمیم‌گیری چند معیاره مبتنی بر ماتریس تصمیم است که در جدول (2) نمایش داده شده است.

 

 

 

جدول (2): بی مقیاس شده ماتریس تصمیم

Cn		C2	C1
r1n	…	r12	r11	A1
r2n	…	r22	r21	A2
	…			. . .
rmn	…	rm2	rm1	Am

 

در گاﻡ سوم ﺗﻌﻴﻴﻦ ﺑﺮﺩﺍﺭ ﻭﺯﻥ ﺷﺎﺧﺺ­ﻫﺎ انجام می­گردد که در این مقاله از روش وزن­دهی آنتروپی شانون استفاده می­شود.

در ﮔﺎﻡ چهارم ﺑﺎ ﺿﺮﺏ ﻣﺎﺗﺮﻳﺲ بی­مقیاس ﺷﺪﻩ ﺗﺼﻤﻴﻢ ﺩﺭ ﺑﺮﺩﺍﺭ ﻭﺯﻥ ﺷﺎﺧﺺ­ﻫﺎ، ﺭﺗﺒﻪ ﮔﺰﻳﻨﻪ­ﻫﺎ ﻭ ﺩﺭ ﻧﻬﺎﻳﺖ ﺑﻬﺘﺮﻳﻦ ﮔﺰﻳﻨﻪ مناسب ﺑﺪﺳﺖ ﻣﻲ­ﺁﻳﺪ.

2-1-3- ﺭﻭﺵ­ ﻭﺯﻥ­ﺩﻫﻲ آنتروپی شانون

در اکثر مسایل تصمیم‌گیری چندمعیاره دانستن وزن عناصر بسیار مهم است. روش آنتروپی شانون یکی از روش‌هایی است که برای تعیین وزن عناصر مورد استفاده قرار می‌گیرد. ﺍﻳﻦ ﺭﻭﺵ ﻓﻘﻂ ﺍﺯ ﺍﻃﻼﻋﺎﺕ ﻣﺎﺗﺮﻳﺲ ﺗﺼﻤﻴﻢ ﺍﺳﺘﻔﺎﺩﻩ می­کند. ﺍﺳﺎﺱ ﺍﻫﻤﻴﺖ ﻫﺮ ﺷﺎﺧﺺ، ﻣﻴﺰﺍﻥ ﭘﺮﺍﻛﻨﺪﮔﻲ ﺩﺍﺩﻩ­ﻫﺎﻱ ﻣﺮﺑﻮﻁ ﺑﻪ ﺳﺘﻮﻥ ﺁﻥ ﺷﺎﺧﺺ ﺩﺭ ﻣﺎﺗﺮﻳﺲ ﺗﺼﻤﻴﻢ است. در این روش، وزن عناصر بر اساس میزان پراکندگی مقادیر تعیین می‌شود. ماتریس بی­مقیاس­شده با N و هر درایه آن را با nij نشان داده شده و بی­مقیاس­سازی به روش خطی صورت می‌گیرد. در روش آنتروپی شانون با توجه به وزن‌های به دست آمده از شاخص‌ها در این مرحله، آن شاخص‌هایی که دارای پراکندگی بیشتر هستند، نسبت به دیگر شاخص‌ها، از اهمیت بیشتری برخوردارند و تأثیر آنها در انتخاب گزینه بهینه بیشتر است. موارد کاربرد و دلایل استفاده از روش وزن­دهی آنتروپی شانون به صورت زیر هستند.

- معیار اطلاعاتی: آنتروپی شانون به عنوان یک معیار اطلاعاتی عمل می‌کند که به ما اجازه می‌دهد میزان عدم قطعیت و ترتیب در داده‌ها را اندازه‌گیری کنیم. این معیار به ما اطلاعات مفهومی و مهمی از داده‌ها ارائه می‌دهد.

- کاربرد در فشرده‌سازی داده: آنتروپی شانون در فشرده‌سازی داده‌ها و کاهش حجم آنها بسیار مؤثر است. با استفاده از تئوری اطلاعات و آنتروپی شانون، می‌توان داده‌ها را با بهینه‌ترین شکل فشرده کرد.

- کاربرد در تشخیص الگو و مدل‌سازی: در حوزه‌هایی مانند یادگیری ماشین، آنتروپی شانون به عنوان یک ابزار مهم برای تشخیص الگو و مدل‌سازی داده‌ها به کار می‌رود. این روش به تحلیل توزیع احتمالاتی داده‌ها و استخراج ویژگی‌های مهم از آنها کمک می‌کند.

- کاربرد در شبکه‌ها و امنیت اطلاعات: در حوزه امنیت اطلاعات و تشخیص تهدیدات، آنتروپی شانون می‌تواند برای تشخیص تغییرات ناشی از حملات سایبری و نفوذها به شبکه‌ها مورد استفاده قرار گیرد.

- استفاده در تئوری اطلاعات کوانتومی: آنتروپی شانون نیز در تئوری اطلاعات کوانتومی مورد استفاده قرار می‌گیرد.

به طور کلی، آنتروپی شانون به عنوان یک ابزار قدرتمند در تحلیل و مدیریت داده‌ها، تئوری اطلاعات، یادگیری ماشین، و بسیاری از زمینه‌های مختلف علوم کاربردی بسیار ارزشمند است.

ﮔﺎﻡﻫﺎﻱ ﺭﻭﺵﺁﻧﺘﺮﻭﭘﻲﺷﺎﻧﻮﻥ به صورت زیر است:

- ﮔﺎﻡ (۱): ﻣﺎﺗﺮﻳﺲ ﺗﺼﻤﻴﻢ ﺑﺎ m ﮔﺰﻳﻨﻪ ﻭ n ﺷﺎﺧﺺ ﺭﺍ ﺑﺎ ﺭﻭﺵ ﻧﺮﻡ ﻣﺠﻤﻮﻉ بی­مقیاس ﻣﻲ­شود. 

- ﮔﺎﻡ (۲): ﻣﻴﺰﺍﻥ ﺁﻧﺘﺮﻭﭘﻲ ﻫﺮﻳﻚ ﺍﺯ ﺷﺎﺧﺺ­ﻫﺎﻱ ﺭﺍ ﻣﺤﺎﺳﺒﻪ خواهد شد.

- ﮔﺎﻡ (۳): ﺍﻧﺪﺍﺯﻩ ﻋﺪﻡ ﺍﻃﻤﻴﻨﺎﻥ ﻳﺎ ﺩﺭﺟﻪ ﺍﻧﺤﺮﺍﻑ ﺑﺮﺍﻱ ﺷﺎﺧﺺ­ها ﺗﻌﻴﻴﻦ می­گردد.

- ﮔﺎﻡ (۴): ﻭﺯﻥ ﻫﺮﻳﻚ ﺍﺯ ﺷﺎﺧص­ها محاسبه می­شود. 

 

 

2-2- تحقیقات انجام شده

محققان روش­های مختلفی را به منظور حل مشکلات مربوط به جایگزینی محتوا در شبکه­های داده نام­گذاری شده پیشنهاد کرده­اند. در تحقیقات گذشته از معیارهای محبوبیت محتوا و آخرین زمان بازدید که به صورت پویا وزن­دهی شده باشند استفاده نشده است. در روش اولین ورودی اولین خروجی، زمانی که نیاز به جایگزینی وجود دارد محتوایی که ابتدا در حافظه نهان قرار گرفته شده است حذف می­شود[21]. در روش کمترین استفاده اخیر، محتوایی که اخیراً کمتر استفاده شده است را برای قرار دادن محتوای درخواستی خارج می‌کند [22]. 

در مرجع [23]، یک سیاست جایگزینی محتوا حافظه پنهان مبتنی بر محبوبیت محتوا را پیشنهاد شده که محبوبیت را بر اساس نسبت بازدید، فاصله درخواست اخیر و تعداد درخواست‌های محتوای ذخیره ‌شده محاسبه و هر بار محتوای دارای کمترین محبوبیت را جایگزین می‌کند. درتحقیق انجام شده در مرجع [24] یک روش تعویض حافظه بر اساس میزان محبوبیت سلسله مراتبی مورد ارزیابی قرار گرفته است. در این روش هر داده یک ساختار اضافه­تر برای نگه داشتن اطلاعات در مورد میزان محبوبیت خواهد داشت. درصد برخورد حافظه نهان نسبت به روش­های کمترین استفاده اخیر19¹⁹، اولین ورودی اولین خروجی20²⁰، کمترین استفاده21²¹ بهبود پیدا کرده است. درتحقیق انجام شده در مرجع [3]، یک روش دیگر برای جایگزینی محتوا مطرح شده است که تاریخچه کاملی از میزان محبوبیت را در نظر می­گیرد. با در نظر گرفتن میزان محبوبیت محتوا، میزان محبوبیت محلی محتوا و نسبت برخورد حافظه موقت جایگزینی محتوا را انجام می­دهد. پارامترهایی نظیر پهنای باند در نظر گرفته نشده است.

در مرجع [25] یک روش جدید جایگزینی محتوا حافظه نهان درون شبکه­ای را پیشنهاد کرد که ارزیابی محبوبیت محتویات حافظه نهان و بین گره­ها در توپولوژی شبکه را ادغام می­کند. این روش با سنجیدن اهمیت هر گره و محبوبیت محتوای حافظه نهان در دامنه، بهترین عملکرد جایگزینی محتوا حافظه نهان را در شبکه به دست می آورد. در روش کمترین استفاده شده، شمارشگر تعداد دفعات درخواست محتوا را نگه می­دارد. هر زمان که درخواستی برای محتوا دریافت می شود، مقدار شمارنده یک افزایش می یابد. زمانی که فضای حافظه موقت تکمیل شد و نیاز به وجود جایگزینی محتوا داشت، محتوایی که کمترین مقدار شمارنده را داشته باشد، برای خروج انتخاب می‌شود[26].

مرجع [27]، روش جایگزینی محتوا حافظه پنهان (تصادفی شده کمترین استفاده شده) را پیشنهاد کرده که از محاسبه فرکانس در یک دوره معین برای تعیین محل جایگزینی محتوای تکه قدیمی با تکه محتوا جدید استفاده می­کند. در مرجع [28] یک روش جایگزینی محتوا حافظه پنهان زمان و فرکانس پیشرفته را پیشنهاد می­کند که از فرکانس ضربه حافظه نهان و زمان بازیابی حافظه پنهان برای انتخاب تکه های محتوا خارج شده استفاده می­کرد. با این حال، این خط‌ مشی از یک عامل واحد برای تعیین محتوای جایگزین حافظه پنهان استفاده می‌کند که دیگر الزامات مختلف شبکه را برآورده نمی‌کند. در مرجع [29] روشی را به نام IMU برای جایگذاری حافظه نهان معرفی کرده­اند. با توجه به اینکه محتوای محبوب شده در یک دوره خاص محبوبیت خود را از دست می­دهد، ولی در فضای حافظه نهان باقی می­ماند و همچنین محتوا قبل از محبوب شدن از فضای حافظه نهان حذف می­شود. در این روش مفهوم بلوغ/ناپختگی²² محتوا معرفی شده است. محتوایی که در یک بازه زمانی خاص محبوبیت خود را از دست بدهد و برای مدت طولانی در حافظه پنهان بماند، محتوای نابالغ نامیده می­شود. در مقابل، محتوایی که از محبوبیت بالایی برخوردار باشد و همچنین در یک بازه زمانی خاص اخیراً در شبکه درخواست شده باشد، بالغ تلقی می­گردد. هر محتوای جدید نه محبوب است و نه بالغ. محتوا باید برای مدتی در حافظه پنهان بماند تا از میزان بلوغ آن مطلع شویم. از این رو، چنین محتوایی از حافظه پنهان که هنوز محبوبیت پیدا نکرده است، خارج نمی­شود. علاوه بر این، این مفهوم محتوایی را از حافظه پنهان حذف می­کند که پس از مدتی محبوبیت بالای محبوبیت خود را از دست می­دهد.

در مرجع [30] عملکرد سیاست­های جایگزینی محتوا حافظه پنهان در یک توپولوژی شبکه با تعداد متغیری از فروشگاه­های محتوا (جدول ذخیره­سازي محتوا) را بررسی و از چندین سناریو شبکه برای شبیه­سازی استفاده می­کند. عملکرد کمترین استفاده اخیر، کمترین استفاده و خط مشی تصادفی ارزیابی می­شود. پنج معیار نسبت ضربه حافظه پنهان،  ترافیک شبکه، تاخیر بازیابی، ارسال مجدد علاقه و تعداد پرش­ها برای ارزیابی عملکرد در نظر گرفته شده است. 

مرجع [31] از یک مدل شبکه عصبی گراف برای پیش‌بینی رتبه‌بندی کاربران از محتواها استفاده و ﺑﺎ بهره حافظه نهان ﺑﺎﻻ ﺟﺎﯾﮕﺰﯾﻦ محتوا ﺑﺎ ﺑﻬﺮه حافظه نهان ﮐﻢ ﻣﯽﺷﻮﻧﺪ. رتبه‌بندی پیش‌بینی‌شده یک محتوا را به عنوان سود محتوای ذخیره‌شده در نظر می­گیرد و یک الگوریتم جایگذاری حافظه پنهان را برای به حداکثر رساندن سود ذخیره­سازی پیشنهاد کرده و محتوا­های ﻣﺤﺒﻮب را در ﺣﺎﻓﻈﻪ ﭘﻨﻬﺎن و در ﻧﺰدﯾﮑﯽ ﮐﺎرﺑﺮان ذﺧﯿﺮه می­کند. جایگزینی محتوا حافظه نهان بر اساس رتبه‌بندی بهره حافظه پنهان محتواها اجرا و محتواهای با سود بیشتر جایگزین محتواهای با سود پایین‌تر می‌شوند.

در مرجع [32] یک روش بهینه­سازی حافظه پنهان مبتنی بر محبوبیت و ارزش جایگزینی محتوا را پیشنهاد کرده است. هنگامی که محتوای درخواستی به مسیریاب می­رسد، آخرین محبوبیت بر اساس تعداد درخواست­ها در چرخه فعلی و محبوبیت چرخه قبلی محاسبه می­شود. آستانه حافظه نهان، گره را با توجه به اشغال فضای حافظه نهان گره تنظیم و محتوا را با محبوبیت بالاتر از آستانه ذخیره می­کند. هنگامی که حافظه نهان کامل شد، روش بهینه­سازی حافظه نهان آخرین زمان درخواست، محبوبیت و هزینه انتقال محتوای حافظه نهان را در نظر می­گیرد. در نهایت، محتوایی را با کمترین مقدار جایگزینی محتوا از حافظه پنهان خارج می­کند و محتوایی را با مقدار جایگزینی محتوا بالا نگه می­دارد.

در مرجع [33] یک روش ذخیره­سازی مبتنی بر شبکه عصبی گراف را برای بهینه سازی عملکرد ذخیره­سازی در شبکه داده نام­گذاری شده پیشنهاد کرده است. در ابتدا، از یک شبکه عصبی کانولوشن برای استخراج ویژگی‌های سری زمانی برای هر گره شبکه داده نام­گذاری شده استفاده می­کند. سپس پیش‌بینی احتمال ذخیره‌سازی محتوا برای هر گره شبکه داده نامگذاری شده انجام می‌شود. پس از آن، در هر گره شبکه داده نام­گذاری شده، تصمیم جایگزینی محتوا حافظه پنهان بر اساس رتبه‌بندی احتمال ذخیره‌سازی محتوای آن گرفته شده و محتوای با احتمال ذخیره‌سازی بالا، جایگزین محتوا با احتمال کم می‌شود. در ادامه در جدول (3) مهم‌ترین مطالعه‌های پیشین جمع‌آوری و مقایسه شده است.

جدول (3): خلاصه‌ای بر روش­های جایگزینی محتوا موجود در زمینه شبکه­های مبتنی بر نام

مرجع	نام روش	روش جایگزینی محتوا	معیارهای ارزیابی	عملکرد
[21]	اولین ورودی اولین خروجی	محتواهای قدیمی را با محتواهای جدید جایگزین می کند.	نرخ برخورد	حتی اگر محتوا قدیمی محبوب باشد، با محتوا جدیدکمتر محبوب جایگزین می­شود.
[22]	کمترین استفاده اخیر	محتوایی که اخیراً کمتر به آن اشاره شده است را با محتوای جدید جایگزین می­کند	نرخ برخورد	محتوا داده­ای که اخیراً کمتر به آن ارجاع شده است، می­تواند یک محتوا مکرر باشد (تعداد زیاد درخواست).
[26]	کمترین استفاده شده	محتوا با کمترین تعداد دفعات را با قطعه داده جدید جایگزین می­کند.	نرخ برخورد	پیچیدگی زیاد
[29]	IMU	مفهوم بلوغ/ ناپختگی محتوا را معرفی کرده است	نرخ برخورد. تاخیر	آخرین زمان بازدید در نظر گرفته نشده است

 

3- بیان مساله

در شبکه­های مبتنی بر نام به دلیل محدودیت اندازه حافظه موقت، جدول ذخیره­سازي محتوا ممکن است نیاز به سیاست اخراج محتوا داشته باشد تا محتوای جدیدتری را جایگزین نماید. طرح جایگزینی محتوا مناسب باید تصمیم بگیرد کدام محتوا باید در حافظه باقی بماند و کدام یک خارج شود. یک طرح جایگزینی محتوا قبل از تعویض، باید میزان محبوبیت محتوا و نرخ برخورد را محاسبه کند. طرح­های جایگزینی محتوا حافظه موقت پارامترهای مهمی مانند میزان محبوبیت محتوا و آخرین زمان بازدید شده را برای جایگزینی محتوا را به طور همزمان در نظر نمی­گیرند [3]. در صورت در نظر نگرفتن پارامترهای تاثیر گذار مانند میزان محبوبیت محتوا، شاهد کاهش نرخ برخورد، افزایش تاخیر و مصرف منابع شبکه مانند پهنای باند خواهیم بود [24].

با توجه به تغییرات ناگهانی در میزان محبوبیت محتوا، نمی­توان به درستی میزان محبوبیت محتوا را پیش­بینی کرد. ارائه روشی که به صورت خودکار تغییرات در الگوهای درخواست میزان محبوبیت و همچنین آخرین زمان درخواست محتوا را محاسبه و تصمیم بگیرد کدام محتوا باید خارج شود، از اهمیت زیادی برخوردار است. تغییر در الگوهای درخواست محتوا با گذشت زمان از چالش­های موجود است [34]. به علت اینکه پارامترهایی مانند اولویت محتوا در سیاست­های تصادفی کمترین استفاده اخیر، اولین ورودی اولین خروجی و مانند آن لحاظ نمی­شوند، مناسب شبکه­های مبتنی بر نام نیستند [35]. الگوریتم کمترین استفاده اخیر، محتوای کمتر استفاده شده را خارج می­کند. در روش کمترین استفاده شده محتوای محبوب را حفظ می­کند تا تعداد زیادی از درخواست­ها را حفظ نماید. در روش تصادفی به صورت تصادفی محتوا را خارج می­کند. به هر حال، در الگوریتم­های فوق معیارهای لازم در نظر گرفته نشده­اند [18].

ویژگی­های محتوا مانند میزان محبوبیت محتوا و آخرین زمان بازدید در حال تغییر هستند. اگر بتوان این پارامترها و ویژگی­ها را برای تصمیم­گیری در مورد جایگزینی محتوا در نظر گرفت، به نحوی که تغییرات آنها به صورت پویا اعمال گردد، می­توان مناسب­ترین تصمیم را برای جایگزینی محتوا اتخاد نمود. بالا بردن نرخ برخورد نیز یکی از چالش­های مهم است که حل آن می­تواند باعث کاهش بار ارتباطی شود.

با توجه به ظرفیت محدود مسیریاب­ها، در صورت اتمام ظرفیت مسیریاب برای ذخیره اطلاعات باید برخی از اطلاعات محتواها حذف گردد تا بتواند اطلاعات جدیدتری در آن مسیریاب قرار گیرد. در روش پیشنهادی، دو پارامتر میزان محبوبیت محتوا و زمان آخرین بازدید برای این منظور در نظر گرفته شده است که وزن­دهی آن­ها به صورت پویا هستند و انتظار می­رود با این دو پارامتر مناسب­ترین محتوا برای خروج تعیین شود. 

 

4-روش پیشنهادی

با توجه به اهمیت انتخاب محتوا جهت خروج از جدول ذخیره­سازي محتوا، در این بخش مراحل بدست آوردن رابطه­ای که بتواند محتوای خروجی را انتخاب کند بررسی می­شود. همان­گونه که ذکر شد، در انتخاب محتوای خروجی پارامترهای میزان محبوبیت محتوا و زمان آخرین بازدید در نظر گرفته شده و به صورت پویا وزن­دهی می­شوند و امکان تغییر وزن پارامترها با توجه به شرایط محتواها وجود دارد.

 

4-1- کلیات روش پیشنهادی 

شکل (2) فلوچارت روش پیشنهادی برای جایگزینی محتوا را نشان می­دهد. اگر بسته درخواست به یکی از مسیریاب­ها برسد، ابتدا جدول ذخیره­سازي محتوا بررسی و اگر اطلاعات درخواست شده در آن وجود داشت، آن را در اختیار درخواست کننده قرار می­دهد. اگر اطلاعات در جدول ذخیره­سازي محتوا وجود نداشت، جدول بسته­هاي علاقه­ي منتظر را بررسی کرده و اگر اطلاعات درخواستی در لیست جدول بسته­هاي علاقه­ي منتظر وجود داشت، منتظر پاسخ می­ماند. اگر در جدول بسته­هاي علاقه­ي منتظر هم وجود نداشت، مطابق جدول اطلاعات جلورانی مسیریابی را جهت بدست آوردن محتوا انجام می­دهد. پس از رسیدن محتوای درخواستی به مسیریاب، بررسی می­شود که آیا مسیریاب حافظه مورد نیاز جهت ذخیره محتوا را دارد یا خیر.

با توجه به ظرفیت محدود مسیریاب­ها، در صورت اتمام ظرفیت مسیریاب برای ذخیره اطلاعات، باید برخی از اطلاعات محتواها حذف گردد تا بتوان اطلاعات جدیدتری در آن مسیریاب قرار داد. دو پارامتر محبوبیت محتوا و زمان آخرین بازدید برای این منظور در نظر گرفته شده است که انتظار می­رود با این دو پارامتر مناسب­ترین محتوا برای خروج تعیین شود. طبق رابطه بدست آورده شده در بخش (5-2-5) که وزن­دهی معیارها با کمک آنتروپی شانون و امتیاز­دهی با کمک روش خطی ساده در آن لحاظ شده است، محتواهای ذخیره شده را امتیاز­دهی و محتوایی که کمترین امتیاز را دارد حذف تا محتوای جدید جایگزین آن ­شود. 

مراحل تعیین محتوا جهت خروج از جدول ذخیره­سازي محتوا در روش پیشنهادی به صورت زیر است: 

الف- ایجاد ماتریس تصمیم: دو پارامتر محبوبیت محتوا و زمان آخرین بازدید به عنوان پارامترهای تاثیرگذار انتخاب شده­اند.

ب- بی مقیاس­سازی و وزن­دهی به شاخص­ها: پس از بی مقیاس­سازی با کمک آنتروپی شانون، شاخص­ها را وزن­دهی می­کنیم. آنتروپی شانون باعث می­شود که وزن­دهی به صورت پویا انجام و طبق شرایط محتواها این وزن­ها می­توانند تغییر کنند.

ج- امتیازدهی با کمک روش خطی ساده: پس از مراحل فوق وزن­ها محاسبه و امتیازدهی اعمال می­شود و در نهایت محتوایی حذف می­شود که دارای کمترین امتیاز است.

با انجام مراحل ذکر شده به رابطه ای می­رسیم که می­تواند امتیاز محتواها را بدست آورد. تمام مراحل بی مقیاس­سازی، وزن­دهی با کمک آنتروپی شانون و امتیاز­دهی با روش خطی ساده در این رابطه لحاظ شده است .

4-2- جزئیات روش پیشنهادی

با توجه به اهداف این مقاله، معیارهای میزان محبوبیت محتوا و زمان آخرین در نظر گرفته شده است تا تغییرات وضعیت محتواها را بطور مداوم بررسی و محتوای مناسب را انتخاب کند. در ادامه جزییات روش پیشنهادی بررسی شده است.

4-2-1- دریافت بسته علاقه توسط مسیریاب

در بسته علاقه، فیلد نام وجود دارد که می­تواند شامل پیشوند بسته داده یا نام دقیق بسته داده باشد. با رسیدن بسته علاقه به هر مسیریاب پس از بررسی جدول ذخیره­سازي محتوا و جدول بسته­هاي علاقه­ي منتظر و عدم مطابقت نام مورد نظر در آنها، جدول اطلاعات جلورانی بررسی می­شود.

4-2-2- بررسی جدول ذخیره­سازي محتوا 

برای افزایش اشتراک گذاشتن محتوا و کاهش زمان بازیابی محتوا، مسیریاب شبکه داده نامگذاری شده یک رونوشت از بسته داده که از میان آنها می­گذرد را در جدول ذخیره­سازي محتوا ذخیره می­کند و با پر شدن آن جدول از روش پیشنهادی ﺑﻪ ﻋﻨﻮان ﺧﻂ ﻣش ﺟﺎﯾﮕﺰﯾﻨﯽ حافظه نهان اﺳﺘﻔﺎده می­شود. اگر بسته علاقه به یکی از مسیریاب­ها برسد، ابتدا جدول ذخیره­سازي محتوا بررسی و اگر اطلاعات درخواست شده در آن وجود داشت، آن را در اختیار درخواست­کننده قرار می­دهد. جستجوی جدول ذخیره­سازي محتوا توسط تناظریابی دقیق نام­ها (تطابق کاراکتر به کاراکتر) صورت می­گیرد.

4-2-3- بررسی جدول بسته­هاي علاقه­ي منتظر

جدول بسته­هاي علاقه­ي منتظر یک مدخل، برای هر بسته علاقه جدید ایجاد و تا زمانی که بسته داده متناظر آن برسد یا زمان آن منقضی شود، این ورودی­های جدول بسته­هاي علاقه­ي منتظر جهت ارسال بسته داده به مصرف­کننده مورد استفاده قرار می­گیرند. اگر محتوا مورد نظر در جدول ذخیره­سازي محتوا نبود، جدول بسته­هاي علاقه­ي منتظر را بررسی و اگر اطلاعات درخواستی در لیست موارد تعلیقی وجود داشت، منتظر پاسخ می­ماند. جستجوی جدول بسته­هاي علاقه­ي منتظر توسط تناظریابی دقیق نام­ها صورت می­گیرد.

4-2-4- بررسی جدول اطلاعات جلورانی

جدول اطلاعات جلورانی گام­های بعدی و اطلاعات دیگر را برای هر پیشوند نام مقصد مورد نظر را ذخیره می­کند تا برای ارسال بسته علاقه به تولید­کننده مورد استفاده قرار ­گیرد. پس از بررسی جدول ذخیره­سازي محتوا و جدول بسته­هاي علاقه­ي منتظر، اگر اطلاعات درخواست شده در آنها وجود نداشت، به جدول اطلاعات جلورانی مراجعه می­کند.

4-2-5- محاسبه امتیاز برای هر یک از محتواها

برای بدست آوردن رابطه­ای که بتواند امتیاز هر محتوا را محاسبه کند، ابتدا باید با توجه به معیارهای میزان محبوبیت و آخرین زمان بازدید، ماتریس تصمیم را ایجاد و پس از بی­مقیاس­سازی، وزن­دهی پویای هر یک از شاخص­ها انجام و امتیاز­دهی صورت پذیرد. جدول (4) نمادهای استفاده شده در این مقاله را نشان می­دهد.

 

 

 

جدول (4): نمادهای استفاده شده

نماد	توضیحات	نماد	توضیحات
X	ماتریس تصمیم	wl	وزن آنتروپی میزان محبوبیت
N	ماتریس تصمیم بی­مقیاس شده	wt	وزن آنتروپی آخرین زمان بازدید
k	ثابت آنتروپی شانون	Tnorm	بی­مقیاس شده آخرین زمان بازدید
Ej	آنتروپی صفت j	lnorm	بی­مقیاس شده میزان محبوبیت
dj	درجه پراکندگی	n	معیار
Wj	وزن آنتروپی. تعیین وزن صفات	m	داوطلب
dl	درجه پراکندگی برای میزان محبوبیت	Di	امتیاز هر یک از محتواها
dt	درجه پراکندگی برای آخرین زمان بازدید

شکل (2): فلوچارت روش پیشنهادی

 

4-2-5-1- ایجاد ماتریس تصمیم و بی مقیاس­سازی معیارها

میزان محبوبیت و آخرین زمان بازدید دو شاخصی هستند که برای تصمیم­گیری در مورد انتخاب واسط خروجی استفاده شده­اند. اهداف این تحقیق کاهش زمان تاخیر و بهبود نرخ برخورد است که در هر دو معیار میزان محبوبیت و آخرین زمان بازدید می­توانند تاثیر گذار باشند. جدول ماتریس تصمیم برای روش پیشنهادی به صورت جدول (5) است.

جدول (5): تشکیل ماتریس تصمیم

	میزان محبوبیت	آخرین زمان بازدید
محتوای 1	L1	T1
محتوای 2	L2	T2
محتوای n	Ln	Tn

 

در روش پیشنهادی، به دلیل اینکه مقیاس­های سنجش متفاوتی وجود دارند، ابتدا باید بی مقیاس­سازی انجام شود.

                                                                                                                                               (1)

در رابطه (1) xij هر درایه از ماتریس X رابطه (1) و nij بی­مقیاس­شده آن معیار هستند.

با توجه به رابطه (1) بی­مقیاس­شده هر کدام از معیارهای آخرین زمان بازدید و میزان محبوبیت محتوا به ترتیب به صورت روابط (2) و (3) خواهد شد.

                          (2)                                                                                                                   

                                                                                                               (3)                                                                                             

که tnormi, lnormi به ترتیب بی­مقیاس شده میزان محبوبیت و آخرین زمان بازدید مربوط به محتوای i هستند. ورودی­های روابط (2) و (3) از ماتریس تصمیم و خروجی آن به عنوان ورودی­های رابطه (5) که میزان پراکندگی معیارها است، هستند.

4-2-5-2- وزن دهی پویا به معیارها

در روش پیشنهادی با توجه به اینکه وزن­دهی پارامترها به صورت ثابت نیستند، باید درجه انحراف هر کدام از آنها را با توجه به ضریب اهمیت­شان بدست آورد که با توجه به رابطه (4) به صورت روابط (6) و (7) قابل بیان هستند. درجه انحراف که برای وزن دهی پویا استفاده می­شود، با توجه به انحراف معیار شاخص­ها بدست می­آید.

(4)

Ej میزان پراکندگی هر یک از معیارها است که از رابطه (5) بدست می­آید و dj درجه انحراف معیار است که برای وزن­دهی پویا در روابط (9) و (10) به کار برده می­شوند. 

                                                                                                                                  (5)

k ثابت آنتروپی شانون و nij بی مقیاس شده معیار است.

                                                                                                          (6)

                                                                                                          (7)

در روابط (6) و (7)، Li  و Ti به ترتیب میزان محبوبیت و آخرین زمان بازدید مربوط به محتوای i هستند و m تعداد محتواهای ذخیره شده در هر مسیریاب است. برای بدست آوردن میزان محبوبیت محتوا، تعداد درخواست­های هر محتوا در نظر گرفته شده است. همچنین، dL وdT به ترتیب درجه انحراف میزان محبوبیت و آخرین زمان بازدید مربوط به محتوای i هستند که برای وزن­دهی پویای معیارها در رابطه (8) به کار برده می­شوند.

سرانجام برای وزن­دهی هرکدام از پارامترها از رابطه (8) استفاده می­شود. با توجه به اینکه از درجه انحراف برای بدست آوردن وزن معیارها استفاده شده، در صورت تکمیل ظرفیت مسیریاب، معیارهای میزان محبوبیت و آخرین زمان بازدید مربوط به محتوای i در هر مسیریاب به روزرسانی و مجددا محاسبه وزن­دهی پویا خواهیم داشت. 

                                   (8)

پس از ساده سازی روابط (4) و (8)، رابطه (9) برای وزن دهی هر کدام از پارامترها بدست آمده است که در رابطه (13) برای محاسبه امتیاز هر محتوا ، استفاده شده است.

                                                                                          (9)

Wj وزن هر کدام از پارامترها است که در آن j={L,T} و xij عنصر ماتریس تصمیم است. با توجه به اینکه در این تحقیق از دو معیار میزان محبوبیت و آخرین زمان بازدید مربوط به محتوای i استفاده شده است، برای تعیین وزن هرکدام از آنها به صورت پویا با توجه به رابطه (9) از روابط (10) و (11) استفاده می­کنیم.

 

                                         (10)

 

 

(11)                    

 

 

 

در این روابط، WL  و WT به ترتیب وزن میزان محبوبیت و آخرین زمان بازدید مربوط به محتوای i است که به صورت پویا هستند و Li و Ti میزان محبوبیت و آخرین زمان بازدید مربوط به محتوای i هستند. در این روابط که درجه انحراف در آنها لحاظ شده و با تغییر اختلاف هر کدام از معیارها، وزن­شان نیز تغییر می­کند که منجربه وزن­دهی پویا می­شود.

4-2-5-3- امتیازدهی به هر یک از محتواها

طبق رابطه (12)، ماتریس بی­مقیاس شده در وزن­های بدست آورده شده روابط (10) و (11) ضرب شده و پس از ساده­سازی رابطه (13) بدست می­آید.

 i=1,2,…,mj=1,2,…,n                                                                                         (12)

                                (13)

رابطه (13) حاصل ضرب وزن معیارها در ماتریس بی­مقیاس شده معیارها است و پویا بودن معیارها در آن لحاظ شده است.

و چون هدف ما پیدا کردن کمترین امتیاز است، بنابراین، صورت رابطه برای محاسبات کفایت کرده و رابطه (14) را خواهیم داشت. 

                                   (14)  

و در نهایت محتوایی که Min{D1……DM} است از حالت ذخیره خارج می­شود (حذف می­گردد).

با توجه به این­که در رابطه بدست آمده وزن­دهی به کمک آنتروپی شانون و امتیاز­دهی با کمک روش SAW و پارامترهای محبوبیت محتوا و زمان آخرین بازدید لحاظ شده است، انتظار می­رود مناسب­ترین محتوا برای خروج انتخاب شود.

4-2-6- حل یک نمونه مساله

به عنوان مثال فرض کنید که ظرفیت یکی از مسیریاب­ها تکمیل شده باشد و نیاز به جایگزینی محتوا داشته باشیم. در این مثال چهار محتوا در مسیریاب ذخیره شده است و برای جایگزینی باید یکی از محتواها از حالت ذخیره خارج گردد. با توجه به رابطه بدست آورده شده (14) محتوایی که کمترین امتیاز را بدست آورد از حالت ذخیره خارج می­شود. برای نشان دادن پویا بودن وزن معیارها که از نوآوری­های روش پیشنهادی است، مقادیر مختلف آخرین زمان بازدید و محتوا را طبق جدول­های (6) تا (9) با سه مثال مورد بررسی قرار دادیم.

در مثال (1) جدول (6)، با توجه به مقادیر آخرین زمان بازدید و محبوبت محتوا و روابط بدست آورده شده (10) و (11) وزن هر کدام از معیارهای آخرین زمان بازدید و محبوبت محتوا برابر 0.5 می­شود. همان گونه که مشاهده می­شود وزن معیارها به صورت پویا محاسبه شده و با تغییر مقادیر معیارهای در نظر گرفته شده تغییر می­کنند.

جدول (6): مثال (1) با مقادیر مختلف معیارها جهت محاسبه وزن معیارها و امتیاز محتواها

	آخرین زمان بازدید	محبوبیت محتوا	امتیاز محتوا
محتوای 1	4	10	0.066
محتوای 2	8	20	0.133
محتوای 3	16	40	0.266
محتوای 4	32	80	0.533

 

با توجه به امتیاز محاسبه شده هر یک از محتواها طبق رابطه بدست آورده شده (14)، محتوای (1) کمترین امتیاز را کسب کرده و از حالت ذخیره خارج می­شود. در مثال (2) مربوط به جدول (7)، آخرین زمان بازدید محتوای (1) را افزایش می­دهیم تا تغییرات وزن­ها و امتیاز را شاهد باشیم.

در مثال (2) با توجه به مقادیر آخرین زمان بازدید و محبوبت محتوا و روابط بدست آورده شده (10) و (11) وزن معیارهای آخرین زمان بازدید برابر 0.363 و محبوبت محتوا برابر 0.636 می­شود. با توجه به امتیاز محاسبه شده هر یک از محتواها طبق رابطه بدست آورده شده (14)، محتوای (2) کمترین امتیاز را کسب کرده و از حالت ذخیره خارج می­شود. 

 

جدول (7): مثال (2) با مقادیر مختلف معیارها جهت محاسبه وزن معیارها و امتیاز محتواها

	آخرین زمان بازدید	محبوبیت محتوا	امتیاز محتوا
محتوای 1	38	10	0.189
محتوای 2	8	20	0.115
محتوای 3	16	40	0.231
محتوای 4	32	80	0.463

 

در مثال (3) مربوط به جدول (8)، با توجه به مقادیر آخرین زمان بازدید و محبوبت محتوا و روابط بدست آورده شده (10) و (11) وزن معیارهای آخرین زمان بازدید برابر 0.664 و محبوبت محتوا برابر 0.335 می­شود. با توجه به امتیاز محاسبه شده هر یک از محتواها طبق رابطه بدست آورده شده (14)، محتوای (3) کمترین امتیاز را کسب کرده و از حالت ذخیره خارج می­شود.

جدول (8): مثال (3) با مقادیر مختلف معیارها جهت محاسبه وزن معیارها و امتیاز محتواها

	آخرین زمان بازدید	محبوبیت محتوا	امتیاز محتوا
محتوای 1	38	20	0.307
محتوای 2	25	20	0.197
محتوای 3	40	8	0.153
محتوای 4	50	32	0.341

 

همان­گونه که در مثال­های (1) تا (3) مشاهده می­شود وزن­های معیارهای آخرین زمان بازدید و محبوبت محتوا به صورت پویا و طبق شرایط محتواها تغییر می­کنند. همچنین از معیارهای آخرین زمان بازدید و محبوبت محتوا به صورت همزمان برای امتیازدهی به محتوا­ها استفاده شده است.در رابطه (14) که برای امتیازدهی به محتواها است، وزن­دهی پویا لحاظ شده است و نیاز به محاسبه جداگانه برای وزن­دهی پویا وجود ندارد.

 

5- شبیه­سازی و نتایج

در این بخش ابتدا ابزارها و شرایط شبیه­سازی معرفی شده، سپس معیارها و پارامترهای ارزیابی معرفی می‌گردد و در نهایت نتایج روش ارائه شده نمایش داده می­شود و مورد تحلیل و بحث قرار می­گیرد.

5-1- ابزار و پارامترهای شبیه‌سازی

در این پژوهش از شبیه­ساز ndnSIM استفاده شده که یک ماژول نوشته شده برای پیاده سازی شبکه­های مبتنی بر نام است. شبیه­ساز ndnSIM با هدف شبیه­سازی شبکه NDN طراحی شده است. در این شبیه­ساز از تمام اجزا و عملکردهای NDN مانند جدول­های موارد تعلیقی و پایگاه اطلاعات ارسالی، پیوندهای شبکه، سیاست­های ارسال و منبع محتوا به صورت ماژول و در قالب کلاس­های C++ پشتیبانی شده که می توان سیاست­های مختلف را در آن پیاده­سازی کرد.

با در نظر گرفتن متغیرهای مستقل مانند تعداد گره­ها، درصد حافظه موقت و نرخ ارسال درخواست با مقادیر مختلف، وضعیت نرخ برخورد و تاخیر دسترسی بررسی می­گردد. تعداد گره­ها در سناریوهای مختلف 200، 300 و 400 گره درنظر گرفته شده است. نرخ ارسال بسته درخواست2000، 3000 و 4000 درثانیه لحاظ شده است. ﺣﺎﻓﻈﻪ ﭘﻨﻬﺎن ﯾﮏ روﺗﺮ از ﻧﻈﺮ اﻧﺪازه 10 تا 60 درصد از ﮐﺎﺗﺎﻟﻮگ ﻣﺤﺘﻮا و ﮐﺎﺗﺎﻟﻮگ ﺷﺎﻣﻞ 104 آﯾﺘﻢ ﻣﺤﺘﻮای ﻣﺠﺰا ﺑﺎ اﻧﺪازه برابر ﮐﻪ ﻫﺮ ﮐﺪام از 100 ﺑﺴﺘﻪ داده ﻣﺴﺘﻘﻞ ﺗﺸﮑﯿﻞ ﺷﺪه­اند، هستند. ﻫﺮسناریو ﺑﻪ ﻣﺪت 300 ﺛﺎﻧﯿﻪ و به تعداد 10 بار اﺟﺮا ﺷﺪه است. جدول (9) پارامترهای شبیه­سازی را نشان می­دهد. در انجام شبیه­سازی، با توجه به سناریوهای جدول (10) ﺑﻪ ﻃﻮرﺗﺼﺎدﻓﯽ ﺟﻔﺖ­ﻫﺎی ﻣﺼﺮف­ﮐﻨﻨﺪه/ﺗﻮﻟﯿﺪﮐﻨﻨﺪه اﻧﺘﺨﺎب و ﻫﺮ ﻣﺼﺮف­ﮐﻨﻨﺪه ﯾﮏ ﻓﺎﯾﻞ 4 ﻣﮕﺎﺑﺎﯾﺘﯽ از ﺗﻮﻟﯿﺪﮐﻨﻨﺪه ﻣﺮﺑﻮﻃ به ﺧﻮد درﺧﻮاﺳﺖ می­کند. 

 

جدول (9): پارامترهای شبیه­سازی
تعداد گره­ها	200،300،400
ظرفیت حافظه موقت	10،30،60 درصد اندازه کاتالوگ
نرخ ارسال درخواست	Packet/second 2000 -4000
توپولوژی شبکه	ABILINE
اندازه کاتالوگ	items 104
اندازه آیتم	100data packet
ضریب محبوبیت محتوا	Zipf-distributed with α = 1

 

 

 

 

 

 

 

 

 

جدول (10): سناریوهای شبیه سازی

تعداد گره­ها	فرکانس ارسال درخواست [Packet/second	درصد حافظه کش	شماره سناریو	تعداد گره­ها	فرکانس ارسال درخواست [Packet/second]	درصد حافظه کش	شماره سناریو
200	3000	30	15	400	4000	10	1
400	2000	30	16	300	4000	10	2
300	2000	30	17	200	4000	10	3
200	2000	30	18	400	3000	10	4
400	4000	60	19	300	3000	10	5
300	4000	60	20	200	3000	10	6
200	4000	60	21	400	2000	10	7
400	3000	60	22	300	2000	10	8
300	3000	60	23	200	2000	10	9
200	3000	60	24	400	4000	30	10
400	2000	60	25	300	4000	30	11
300	2000	60	26	200	4000	30	12
200	2000	60	27	400	3000	30	13
				300	3000	30	14

 

5-2- ارزیابی نتایج روش­های پیشنهادی

در این قسمت نتایج شبیه­سازی پارامترهای نرخ برخورد حافظه موقت و تاخیر مورد بررسی قرار می­گیرند. عملکرد روش پیشنهادی با روش­های  FIFO,LRU,LFU ,IMUو به کمکndnSIM  مقایسه می­گردد. برای محاسبه زمان تاخیر از رابطه (15) و محاسبه نرخ برخورد از رابطه (16) استفاده شده است [36].

(15)                                                                 مدت زمان دریافت محتوا + مدت زمان ارسال بسته = تاخیر

(16)                        (نرخ برخورد حافظه موقت + نرخ برخورد تولید­کننده)/ نرخ برخورد حافظه موقت = نرخ برخورد

از آزمون فریدمن که یک آزمون ناپارامتریک از معیارهای چند گروهی است برای مشاهده تفاوت عمکرد روش پیشنهادی با روش­های FIFO,LRU,LFU ,IMU استفاده شده است. آزمایش فریدمن برای 27 سناریو مطابق با جدول 10 اجرا شد. مطابق نتایج آزمون فریدمن و با توجه به اینکه 0.05 P< بدست آمده است، تفاوت معنی داری بین روش پیشنهادی و روش­های مورد مقایسه وجود دارد. امتیازهای روش­های مورد مقایسه مطابق جدول (11) است. 

جدول(11): رتبه­های روش­های مقایسه شده با آزمون فریدمن

FIFO	LRU	LFU	IMU	روش پیشنهادی	الگوریتم سناریو
5	3	4	2	1	1
5	4	3	2	1	2
5	3	4	2	1	3
5	3	4	2	1	4
5	4	3	2	1	5
5	4	3	2	1	6
5	4	3	2	1	7
5	4	3	2	1	8
3	5	4	2	1	9
5	3	4	2	1	10
5	4	3	2	1	11
5	3	4	2	1	12
5	3	4	2	1	13
5	4	3	2	1	14
5	4	3	2	1	15
5	4	3	2	1	16
5	4	3	2	1	17
3	5	4	2	1	18
5	4	3	2	1	19
5	4	3	2	1	20
5	4	3	2	1	21
5	4	3	2	1	22
5	4	3	2	1	23
5	4	3	2	1	24
5	4	3	2	1	25
4	5	3	2	1	26
3	5	4	2	1	27
4.741	3.926	3.33	2	1	میانگین
5	4	3	2	1	رتبه

 5-2-1- بررسی نرخ برخورد حافظه موقت تحت شرایط مختلف

با توجه به نتایج شکل­های (3) تا (5) جایگزینی محتوا مناسب محتوا، باعث افزایش نرخ برخورد می­شود. 

 

شکل (3): بررسی نرخ برخورد حافظه موقت تحت شرایط مختلف با 10% اندازه حافظه موقت (الف)سناریو 1، (ب) سناریو 2، (پ) سناریو 3، (ت) سناریو 4، (ث) سناریو 5، (ج) سناریو 6، (چ) سناریو 7، (ح) سناریو 8، (خ) سناریو 9

شکل (4): بررسی نرخ برخورد حافظه موقت تحت شرایط مختلف با 30% اندازه حافظه موقت (الف)سناریو 10، (ب) سناریو 11، (پ) سناریو 12، (ت) سناریو 13، (ث) سناریو 14، (ج) سناریو 15، (چ) سناریو 16، (ح) سناریو 17، (خ) سناریو 18.

شکل (5): بررسی نرخ برخورد حافظه موقت تحت شرایط مختلف با 60% اندازه حافظه موقت (الف)سناریو 19، (ب) سناریو 20، (پ) سناریو 21، (ت) سناریو 22، (ث) سناریو 23، (ج) سناریو 24، (چ) سناریو 25، (ح) سناریو 26 (خ) سناریو 27.

با افزایش تعدا گره­ها نرخ برخورد کاهش می­یابد که دلیل آن افزایش تعداد درخواست­کننده­ها و افزایش تقاضای محتوا است که منجر به اشباع سریعتر مسیریاب­ها و سرانجام افزایش تعداد جایگزینی محتوا­ها می­شود. در روش پیشنهادی با در نظر گرفتن معیارهای محبوبیت محتوا و آخرین زمان بازدید، محتواهایی که در حال حاضر بیشتر مورد استفاده قرار می­گیرند از حالت ذخیره خارج نمی­شوند بنابر این با خارج نشدن محتواهای محبوب نرخ برخورد بهبود پیدا می­کند. با افزایش نرخ درخواست، با توجه به اشباع شدن سریعتر مسیریاب­ها وارد فاز جایگزینی محتوا می­شویم و نرخ برخورد کاهش می­یابد. بنابراین با حذف نکردن محتواهای محبوب احتمال برخورد حافظه موقت افزایش می­یابد و روش پیشنهادی عملکرد بهتری از خود نشان می­دهد. با افزایش میزان حافظه با توجه به اینکه محتواهای بیشتری می­توانند ذخیره شوند، نرخ برخورد افزایش می­یابد. در روش پیشنهادی با توجه به دو معیار محبوبیت محتوا و آخرین زمان بازدید وهمچنین پویا بودن این دو معیار، تعداد بیشتری از محتواها در حالت ذخیره باقی می­مانند و همین امر باعث افزایش نرخ برخورد می­شود. درصد بهبود روش پیشنهادی نسبت به روش­های مقایسه شده مطابق جدول (12) است.

5-2-2- بررسی میانگین تاخیر تحت شرایط مختلف

مطابق آزمایشات انجام شده شکل­های (6) تا (8) جایگذاری مناسب می­تواند باعث کاهش تاخیر دسترسی گردد.

شکل (6): بررسی میانگین تاخیر(میلی ثانیه)  تحت شرایط مختلف با 10% اندازه حافظه موقت (الف)سناریو 1، (ب) سناریو 2، (پ) سناریو 3، (ت) سناریو 4، (ث) سناریو 5، (ج) سناریو 6، (چ) سناریو 7، (ح) سناریو 8، (خ) سناریو 9

 

شکل (7): بررسی میانگین تاخیر(میلی ثانیه) تحت شرایط مختلف با 30% اندازه حافظه موقت (الف)سناریو 10، (ب) سناریو 11، (پ) سناریو 12، (ت) سناریو 13، (ث) سناریو 14، (ج) سناریو 15، (چ) سناریو 16، (ح) سناریو 17، (خ) سناریو 18.

جدول (12): درصد بهبود میانگین نرخ برخورد حافظه موقت روش پیشنهادی نسبت به روش­های مقایسه شده

FIFO	LRU	LFU	IMU
0.07	0.08	0.1	0.21	میانگین نرخ برخورد
69.95	65.07	58	13.60	درصد بهبود

 

شکل (8): بررسی میانگین تاخیر(میلی ثانیه)  تحت شرایط مختلف با 60% اندازه حافظه موقت (الف)سناریو 19، (ب) سناریو 20، (پ) سناریو 21، (ت) سناریو 22، (ث) سناریو 23، (ج) سناریو 24، (چ) سناریو 25، (ح) سناریو 26 (خ) سناریو 27.

با افزایش تعداد گره­ها، تاخیر دسترسی به محتوا افزایش می­یابد که دلیل آن طی کردن تعداد بیشتر گام­ها برای دسترسی به محتوای مورد نظر است. در روش جایگزینی پیشنهادی سعی شده است که در صورت نیاز به جایگزینی، محتواهایی که در حال حاضر بیشتر مورد استفاده قرار می­گیرد از حالت ذخیره خارج نشوند که این امر باعث کاهش تاخیر دسترسی می­گردد. در روش پیشنهادی از دو پارامتر میزان محبوبیت محتوا و آخرینه زمان بازدید محتوا استفاده شده است که این دو پارامتر باعث می­شوند که محتواهایی که اخیرا بیشتر مورد استفاده قرار گرفته­اند از حالت ذخیره خارج نشوند. با افزایش تعداد درخواست­های بسته علاقه امکان اشباع مسیریاب­ها وجود دارد بنابر این افزایش تاخیر را خواهیم داشت. در روش پیشنهادی با توجه به پویا بودن پارامترهای میزان محبوبیت محتوا و آخرینه زمان بازدید، میزان محبوبیت محتواها به صورت مستمر سنجیده می­شوند و محتواهایی که کمترین امتیاز را دارند از حالت ذخیره خارج می­شوند. با افزایش میزان حافظه کش شاهد کاهش تاخیر خواهیم بود که دلیل آن افزایش میزان دسترسی به محتواها است. جدول (13) درصد بهبود روش پیشنهادی نسبت به روش­های مقایسه شده را نشان می­دهد.

جدول (13): درصد بهبود میانگین تاخیر روش پیشنهادی نسبت به روش­های مقایسه شده

FIFO	LRU	LFU	IMU
62.15	61.66	61.07	50.74	میانگین تاخیر دسترسی
32.88	31.84	30.58	8.49	درصد بهبود

 

میانگین نتایج روش جایگزینی پیشنهادی مطابق شکل­های (9) و (10) است.

 

شکل (9): بررسی میانگین نتایج نرخ برخورد در شرایط مختلف.

 

شکل (10): :بررسی میانگین نتایج تاخیر در شرایط مختلف

در شکل­های (9) و (10) متوسط نتایج روش جایگزینی پیشنهادی با توجه به متغیرهای مستقل که شامل درصد حافظه موقت، تعداد گره­ها و نرخ ارسال هستند بررسی شده است. با توجه به رابطه بدست آورده شده روش جایگزینی پیشنهادی و معیارهای در نظر گرفته شده، شاهد بهبود نرخ برخورد و کاهش تاخیر در شرایط مختلف هستیم.

 

6- نتیجه‌گیری

در اين مقاله، به معرفی یک روش جایگزینی محتوا برای افزایش نرخ برخورد و کاهش تاخیر در شبکه‌های مبتنی بر نام پرداخته شد. در روش پیشنهادی در صورت تکمیل شدن ظرفیت مسیریاب، یک محتوا باید از حالت ذخیره خارج گردد تا فضا برای ذخیره محتوای جدید ایجاد شود. برای تعیین محتوایی که باید از حالت ذخیره خارج شود، به محتواهای هر مسیریاب امتیاز تخصیص داده شد. برای تخصیص امتیاز به هر یک از محتواها­ طبق رابطه بدست آورده شده، محتوایی که کمترین امتیاز را کسب کرده است از حالت ذخیره خارج می­شود. در رابطه بدست آورده شده، معیارهای مهم آخرین زمان بازدید محتوا و همچنین محبوبیت محتوا در نظر گرفته شده است. وزن­دهی معیارهای آخرین زمان بازدید محتوا و محبوبیت محتوا  به صورت پویا انجام می­شود. با توجه به آزمایشات انجام شده، با حذف نشدن محتواهای محبوب شاهد افزایش نرخ برخود و کاهش تاخیر دسترسی به محتوا به صورت همزمان هستیم. 

به عنوان پیشنهاد برای ادامه تحقیق با گسترش دادن شبکه در فضای بزرگتر، و همچنین پیشنهاد یک روش جایگذاری با معیارهای تاثیر گذار در کنار روش جایگزینی محتوا و بررسی نرخ برخورد و تاخیر، به‌دنبال حفظ و بهبود کارایی کلی شبکه در شرایط مختلف خواهیم بود.

 

References

مراجع

 

[1]        D. Dhakal, A. Gautam, S. Dey, K. Sharma, ''A review on forwarding strategies in NDN based vehicular networks'', EMITTER Int’l J. of Engin. Technol., vol. 9, no. 2, pp. 339–356, Dec. 2021 (doi: 10.24003/emitter.v9i2.632).

[2]        A. Tariq, R. A. Rehman, B.-S. Kim, ''Forwarding strategies in NDN based wireless networks: a survey'', EEE Communications Surveys & Tutorials, pp. 1–1, 2019 (doi: 10.1109/COMST.2019.2935795).

[3]        K. N. Lal, A. Kumar, ''A popularity based content eviction scheme via betweenness-centrality caching approach for content-centric networking (CCN)'', Wireless Netw, vol. 25, no. 2, pp. 585–596, Feb. 2019 (doi: 10.1007/s11276-017-1577-z).

[4]        A. Kalghoum, L. A. Saidane, ''FCR-NS: a novel caching and forwarding strategy for named data networking based on software defined networking'', Cluster Comput, vol. 22, no. 3, pp. 981–994, Sep. 2019 (doi: 10.1007/s10586-018-02887-w).

[5]        D. He, C. Westphal, J. Jiang, G. Yang, ''RankRoute: efficient interest forwarding using nodes ranking'', Proceeding of the IEEE 2019 International Conference on Computing, Networking and Communications (ICNC), pp. 741–746, Honolulu, HI, USA, Feb. 2019 (doi: 10.1109/ICCNC.2019.8685608).

[6]        M. S. M. Shah, Y.-B. Leau, Z. Yan, M. Anbar, ''Hierarchical naming scheme in named data networking for internet of things: a review and future security challenges'', IEEE Access, vol. 10, pp. 19958–19970, 2022 (doi: 10.1109/ACCESS.2022.3151864).

[7]        I. V. S. Brito, L. Sampaio, L. Zhang, ''On supporting forwarding strategies and sync protocols through NDN distance vector routing'', Proceeding of the ACM 9th ACM Conference on Information-Centric Networking, pp. 183–185, Osaka Japan, Sep. 2022 (doi: 10.1145/3517212.3559490).

[8]        A. Hidouri, N. Hajlaoui, H. Touati, M. Hadded, P. Muhlethaler, ''A survey on security attacks and intrusion detection mechanisms in named data networking'', Computers, vol. 11, no. 12, p. 186, Dec. 2022 (doi: 10.3390/computers11120186).

[9]        A. Abrar, A. S. Che Mohamed Arif, K. M. Zaini, ''A mobility mechanism to manage producer mobility in named data networking'', Proceeding of the IEEE 2022 IEEE Region 10 Symposium (TENSYMP), pp. 1–6, Mumbai, India, Jul. 2022 (doi: 10.1109/TENSYMP54529.2022.9864454).

[10]        M. Amadeo, C. Campolo, G. Ruggeri, A. Molinaro, ''Popularity-aware closeness based caching in NDN edge networks'', Sensors, vol. 22, no. 9, p. 3460, May 2022 (doi: 10.3390/s22093460).

[11]        S. Lee, I. Yeom, D. Kim, ''T-caching: enhancing feasibility of In-network caching in ICN'', IEEE Trans. Parallel Distrib. Syst., vol. 31, no. 7, pp. 1486–1498, Jul. 2020 (doi: 10.1109/TPDS.2020.2970702).

[12]        M. Amadeo, C. Campolo, G. Ruggeri, A. Molinaro, ''Beyond edge caching: freshness and popularity aware IoT data caching via NDN at internet-scale'', IEEE Trans. on Green Commun. Netw., vol. 6, no. 1, pp. 352–364, Mar. 2022 (doi: 10.1109/TGCN.2021.3124452).

[13]        R. K. Dudeja, R. S. Bali, G. S. Aujla, ''Secure and pervasive communication framework using named data networking for connected healthcare'', Computers and Electrical Engineering, vol. 100, p. 107806, May 2022 (doi: 10.1016/j.compeleceng.2022.107806).

[14]        X. Wang, Y. Lu, ''Sustainable and efficient fog-assisted IoT cloud based data collection and delivery for smart cities'', IEEE Trans. Sustain. Comput., vol. 7, no. 4, pp. 950–957, Oct. 2022 (doi: 10.1109/TSUSC.2022.3188330).

[15]        P. Mekbungwan, G. Pau, K. Kanchanasut, ''In-network computation for IoT data processing with active NDN in wireless sensor networks'', Proceeding of the IEEE 2022 5th Conference on Cloud and Internet of Things (CIoT), pp. 197–204, Marrakech, Morocco, Mar. 2022 (doi: 10.1109/CIoT53061.2022.9766613).

[16]        E. T. da Silva, A. L. D. Costa, J. M. H. de Macedo, ''On the realization of VANET using named data networking: On improvement of VANET using NDN‐based routing, caching, and security'', Int J Communication, vol. 35, no. 18, Dec. 2022 (doi: 10.1002/dac.5348).

[17]        B. Hao, G. Wang, M. Zhang, J. Zhu, L. Xing, Q. Wu, ''Stochastic adaptive Forwarding strategy based on deep reinforcement learning for secure mobile video communications in NDN'', Security and Communication Networks, vol. 2021, pp. 1–13, Apr. 2021 (doi: 10.1155/2021/6630717).

[18]        M. Meddeb, A. Dhraief, A. Belghith, T. Monteil, K. Drira, H. Mathkour, ''Least fresh first cache replacement policy for NDN-based IoT networks'', Pervasive and Mobile Computing, vol. 52, pp. 60–70, Jan. 2019 (doi: 10.1016/j.pmcj.2018.12.002).

[19]        C. E. Shannon, ''A mathematical theory of communication'', Bell System Technical Jour, vol. 27, pp. 379–423, Oct. 1948.

[20]        M. Zhang, H. Luo, H. Zhang, ''A survey of caching mechanisms in information-centric networking'', IEEE Commun. Surv. Tutorials, vol. 17, no. 3, pp. 1473–1499, 2015 (doi: 10.1109/COMST.2015.2420097).

[21]        D. Grund, J. Reineke, ''Precise and efficient FIFO-replacement analysis based on static phase detection'', Proceeding of the IEEE 2010 22nd Euromicro Conference on Real-Time Systems, pp. 155–164, Brussels, Belgium, Jul. 2010 (doi: 10.1109/ECRTS.2010.8).

[22]        Z. Li, D. Liu, H. Bi, ''CRFP: a novel adaptive replacement policy combined the LRU and LFU policies'', Proceeding of the  2008 IEEE 8th International Conference on Computer and Information Technology Workshops, pp. 72–79, Sydney, QLD, Jul. 2008 (doi: 10.1109/CIT.2008.Workshops.22).

[23]        S. Chootong, J. Thaenthong, ''Cache replacement mechanism with content popularity for vehicular content-centric networks (VCCN)'', Proceeding of the IEEE 2017 14th International Joint Conference on Computer Science and Software Engineering (JCSSE), NakhonSiThammarat, Thailand, pp. 1–6, Jul. 2017 (doi: 10.1109/JCSSE.2017.8025901).

[24]        Y. Li, M. Yu, R. Li, ''A cache replacement strategy based on hierarchical popularity in NDN'', Proceeding of the  IEEE 2018 Tenth International Conference on Ubiquitous and Future Networks (ICUFN), pp. 159–161, Prague, Czech, Jul. 2018 (doi: 10.1109/ICUFN.2018.8436597).

[25]        Y. Liu, T. Zhi, H. Xi, W. Quan, H. Zhang, ''A novel cache replacement scheme against cache pollution attack in content-centric networks'', Proceeding of the  2019 IEEE/CIC International Conference on Communications in China (ICCC), pp. 207–212, Changchun, China, Aug. 2019 (doi: 10.1109/ICCChina.2019.8855925).

[26]        M. A. P. Putra, H. Situmorang, N. R. Syambas, ''Least recently frequently used replacement policy named data networking approach'', Proceeding of the  IEEE 2019 International Conference on Electrical Engineering and Informatics (ICEEI), pp. 423–427, Bandung, Indonesia, Jul. 2019 (doi: 10.1109/ICEEI47359.2019.8988828).

[27]        N. Alzakari, A. B. Dris, S. Alahmadi, ''Randomized least frequently used cache replacement strategy for named data networking'', Proceeding of the  IEEE 2020 3rd International Conference on Computer Applications & Information Security (ICCAIS), pp. 1–6, Riyadh, Saudi Arabia,  Mar. 2020 (doi: 10.1109/ICCAIS48893.2020.9096733).

[28]        S. Al-Ahmadi, ''A new efficient cache replacement strategy for named data networking'', IJCNC, vol. 13, no. 5, pp. 19–35, Sep. 2021 (doi: 10.5121/ijcnc.2021.13502).

[29]        S. Rashid, S. A. Razak, F. A. Ghaleb, ''IMU: a content replacement policy for CCN, based on immature content selection'', Applied Sciences, vol. 12, no. 1, p. 344, Dec. 2021 (doi: 10.3390/app12010344).

[30]        E. T. da Silva, J. M. H. de Macedo, A. L. D. Costa, ''NDN content store and caching policies: Performance Evaluation'', Computers, vol. 11, no. 3, p. 37, Mar. 2022 (doi: 10.3390/computers11030037).

[31]        J. Hou, H. Lu, A. Nayak, ''A GNN-based proactive caching strategy in NDN networks'', In Review, preprint, Jun. 2022 (doi: 10.21203/rs.3.rs-1713271/v1).

[32]        Y. Zha, P. Cui, Y. Hu, L. Xue, J. Lan, Y. Wang, ''An NDN cache-optimization strategy based on dynamic popularity and replacement value'', Electronics, vol. 11, no. 19, p. 3014, Sep. 2022 (doi: 10.3390/electronics11193014).

[33]        J. Hou, H. Xia, H. Lu, A. Nayak, ''A graph neural network approach for caching performance optimization in NDN networks'', IEEE Access, vol. 10, pp. 112657–112668, 2022 (doi: 10.1109/ACCESS.2022.3217236).

[34]        A. Narayanan, S. Verma, E. Ramadan, P. Babaie, Z.-L. Zhang, ''Making content caching policies “smart” using the deepcache framework'', SIGCOMM Comput. Commun. Rev., vol. 48, no. 5, pp. 64–69, Jan. 2019 (doi: 10.1145/3310165.3310174).

[35]        B. Panigrahi, S. Shailendra, H. K. Rath, A. Simha, ''Universal caching model and markov-based cache analysis for information centric networks'', Photon Netw Commun, vol. 30, no. 3, pp. 428–438, Dec. 2015 (doi: 10.1007/s11107-015-0570-7).

[36]        J. Yao, B. Yin, X. Tan, ''A SMDP-based forwarding scheme in named data networking'', Neurocomputing, vol. 306, pp. 213–225, Sep. 2018 (doi: 10.1016/j.neucom.2018.03.057).

 

 

زیرنویس­ها:

---

[1]   Named data network(NDN)

[2]  Internet protocol(IP)

[3]  Transmission Control Protocol/Internet Protocol

[4]  Information-oriented network

[5]  Content store (CS)

[6]  Pending interest(PIT)

[7]  Forward information base (FIB)

[8]  Caching

[9]  Internet of things (IoT)

[10]  Smart healthcare

[11]   Smart cities

[12]  Wireless networking

[13]  Vehicle-to-Vehicle

[14]  Video streaming

[15]  Simple Additive Weighting (SAW)

[16]  Interest Packet )I_pkt)

[17]  Data Packet (D_pkt)

[18]  Normalize

[19]  Last Recently Used (LRU)

[20]  First-in-First-out (FIFO)

[21]  Least Frequently Used (LFU(

[22]  maturity/immaturity

---