信息中心网络是为了满足用户日益增长的信息需求,应对当前互联网面对的诸多挑战所提出的未来互联网结构。它摒弃了传统的以IP为核心的网络架构,采取以内容作为网络结构和服务的核心,将内容名字作为网络传输的标识。但由于内容名字的命名方式多样化,名字的结构复杂,且名字长度没有限制,因此,在大规模的路由表中实现内容名字的准确高效查找成为一项极具挑战的工作。在名字查找过程中需要在路由节点上的三个表中进行查找:内容存储器、待定请求表和前向转发表。本文主要研究信息中心网络的内容名字在这三个表上进行查找的优化问题,具体内容如下:1.提出了一种基于学习布隆过滤器的名字查找结构。此方法针对名字在前向转发表上基于最长前缀匹配算法进行查找的优化问题进行设计,利用递归神经网络(RNN)构建学习模型对名字进行预查找,然后通过一个备份布隆过滤器消除学习模型查找产生的假阴性,提高查找的准确性。与传统布隆过滤器相比,本文提出的结构有较低的假阳性率和较高的查找速度。2.提出了基于深度布隆过滤器的三级名字查找结构。对内容名字在内容存储器和待定请求表上的精确查找方法进行优化。第一级面向名字设置初始过滤器对名字进行预过滤,第二级引入带有门循环单元(GRU)的长短记忆神经网络(LSTM)构建深度学习模型,将第一级筛选出的名字发送到学习模型中进行精确查找确定名字并找出名字所对应的端口,第三级备份过滤器用来消除漏报。优化后的查找方法不仅提高了查找的准确性还降低了内存消耗。本文围绕信息中心网络中内容名字的查找问题展开深入研究,分别针对最长前缀匹配和精确查找两种查找方式中存在的问题进行优化,提出了基于学习布隆过滤器查找结构和基于深度布隆过滤器的三级查找结构。实验结果表明,本文所提出的两个名字查找方法在查找速度、查找精确和内存消耗方面有优越性。