论文部分内容阅读
随着互联网规模的爆炸式增长,雾计算、人工智能等创新技术的不断发展,互联网加速了由“通信信道”向“数据处理平台”的角色转变。在此情况下,一种以网内缓存为特色、面向通信内容的新型互联网架构——命名数据网,于2010年被提出并迅速得到国内外学术界的广泛关注。然而,命名数据网各领域的研究尚有大量技术瓶颈需要解决,特别是其内容路由器转发平面,仍然面临着诸如快速检索差异化名称数据、高效存储转发信息、有效支持名称匹配机制、兼容内容路由器其他工作需求等一系列问题与挑战。
针对这些问题,本文开展基于神经网络的命名数据网内容路由数据检索研究。论文从更高效的数据映射模型出发,研究符合名称数据索引需求的索引结构,设计命名数据网路由表存储结构和名称数据检索算法,以促进命名数据网转发平面的完善与发展,为未来命名数据网的应用与部署奠定基础。
首先,提出了基于神经网络的数据映射模型LearningTree。该模型通过使用神经网络学习映射内容在存储器中的分布情况,实现更均匀的数据映射,提高内存利用率。仿真实验结果表明,在误判概率低于1%的条件下LearningTree所需映射位置总数仅为传统哈希函数的约25%,且运行速度与哈希函数处于同一量级。其次,研究了基于LearningTree的转发平面索引结构LNI,在满足低内存占用、高吞吐量等基本需求的同时,提升应对差异化名称数据、兼容内容路由器特殊工作需求的能力。仿真实验结果表明,在误判概率低于1%的条件下LNI存储消耗仅为53.13MB,且吞吐量达到每秒查找177.37百万次,远优于其他对比的索引结构。最后,设计了基于LNI的学习型转发信息库L-FIB整体方案,以快速检索名称数据、高效存储名称路由表、有效支持最长名称前缀匹配机制。仿真实验结果表明,在误判概率低于1%的条件下L-FIB片内存储消耗仅为58.26MB,能够部署于高速存储器SRAM上;L-FIB实际吞吐量达到每秒11.64百万数据包,可以满足当前命名数据网对快速数据包处理的要求。
针对这些问题,本文开展基于神经网络的命名数据网内容路由数据检索研究。论文从更高效的数据映射模型出发,研究符合名称数据索引需求的索引结构,设计命名数据网路由表存储结构和名称数据检索算法,以促进命名数据网转发平面的完善与发展,为未来命名数据网的应用与部署奠定基础。
首先,提出了基于神经网络的数据映射模型LearningTree。该模型通过使用神经网络学习映射内容在存储器中的分布情况,实现更均匀的数据映射,提高内存利用率。仿真实验结果表明,在误判概率低于1%的条件下LearningTree所需映射位置总数仅为传统哈希函数的约25%,且运行速度与哈希函数处于同一量级。其次,研究了基于LearningTree的转发平面索引结构LNI,在满足低内存占用、高吞吐量等基本需求的同时,提升应对差异化名称数据、兼容内容路由器特殊工作需求的能力。仿真实验结果表明,在误判概率低于1%的条件下LNI存储消耗仅为53.13MB,且吞吐量达到每秒查找177.37百万次,远优于其他对比的索引结构。最后,设计了基于LNI的学习型转发信息库L-FIB整体方案,以快速检索名称数据、高效存储名称路由表、有效支持最长名称前缀匹配机制。仿真实验结果表明,在误判概率低于1%的条件下L-FIB片内存储消耗仅为58.26MB,能够部署于高速存储器SRAM上;L-FIB实际吞吐量达到每秒11.64百万数据包,可以满足当前命名数据网对快速数据包处理的要求。