存儲資源最佳化配置下的信息中心網路對象存儲策略研究

《存儲資源最佳化配置下的信息中心網路對象存儲策略研究》是依託重慶大學，由王森擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：存儲資源最佳化配置下的信息中心網路對象存儲策略研究
• 項目類別：青年科學基金項目
• 項目負責人：王森
• 依託單位：重慶大學

中文摘要

對內容高效、可擴展的分發的需求催生了一系列稱為信息中心網路的新一代網際網路體系結構。信息中心網路已經成為下一代網際網路研究的重要方向。網路存儲管理是信息中心網路中亟待解決的關鍵問題。通過一種基於單位容量價格的收費模型，本項目從ISP網路存儲激勵的角度來解決網路存儲資源的最佳化配置問題。進一步地，通過對象放置技術，本項目將存儲資源最佳化配置和對象存儲策略結合起來，從而提出一種ISP存儲激勵強、資源配置合理、存儲性能高的ICN對象存儲策略。

結題摘要

課題系統研究了網路中部署快取的激勵問題和資源最佳化配置問題，並在此基礎上提供了相應的快取策略，進而研究了快取策略的差異化、增量部署問題。1. 在部署快取的激勵問題和資源最佳化問題方面，針對當前ICN網路存儲激勵的研究面臨網路模型簡單，收費模型實現難度大，可擴展性較差等問題。課題提出一種收益補償機制來給予ISP提供網路快取的激勵。課題研究了ISP不合作和ISP不合作兩種情況下，課題發現在本課題提出的收費模型和價格激勵機制下，CP有很強的激勵來執行該機制；另一方面，ISP合作比ISP不合作可以提供更多的社會效益同時ISP也獲得更多的收益。2. 在快取策略方面，為了實現在存儲激勵下的快取資源最佳化配置，課題組嘗試將ICN的快取的數據和控制平面分離，提出了一種集中控制的快取策略。課題研究了如何結合ICN網路快取和軟體定義網路（SDN）集中控制思想，從而提高快取效率並減輕管理負擔，並提出了一種貪心算法來解決對象放置的最最佳化問題。另一當面，為了進一步提高快取效率，課題提出了一種基於神經網路的自適應快取策略。該快取策略以類似人方式根據自己的經驗而不是特定的數學模型來進行快取決策。該快取策略結合遞歸神經網路（RNN）和深度強化學習（DRL），可以學習請求特徵、快取空間動態從而制定決策來提高快取效率。實驗結果表明，該快取策略明顯優於現有的主流快取策略。3. 在快取策略的差異化、增量部署方面，課題研究通過劃分虛擬網路的方式實現信息中心網路協定、快取策略的增量部署，實現網路的演進。網路虛擬化被普遍認為是一種實現網際網路演進的有前途的解決方案。虛擬網路的嵌入問題（VNE）是網路虛擬化的重要性能問題之一。課題將VNE問題建模為馬爾科夫決策過程（MDP），並提出一種基於時序差分學習（一種增強學習的方法）的虛擬網路嵌入算法(VNE-TD)。該算法通過基於機率的方法生成的多個節點映射選項，通過差分學習的方法評估每個節點映射選項的長期收益。廣泛的仿真結果表明，在網路接收率和長期收益方面，VNE-TD的性能明顯優於以前的算法。