With the development of new technologies and applications, such as Internet of Things, smart cities, 5G and edge computing, traditional IP-based networks have exposed many problems. Information-Centric Networking (ICN), Named Data Networking (NDN) and Content-Centric Networking (CCN) are therefore proposed as an alternative for future network. However, unlike IP-based networks, the routing of CCN is not deterministic and hard to be optimized due to the frequent replacement of in-network caching. This paper presents a novel probe-based routing algorithm that real-time explores in-network caching to ensure the routing table storing the optimal paths to the nearest content provider up to date. Effective probe-selections, PIT probe and FIB probe are discussed and analyzed by simulation with different performance measurements. Compared with the basic CCN, in the aspect of qualitative analysis, the additional computational overhead of our approach are O(NCS + Nrt + NFIB) and O(NFIB) on processing interest packets and data packets, respectively. However, in the aspect of quantitative analysis, our approach reduces the number of timeout interest by 6% and reduces the average response time by 0.6 seconds. In addition, in the aspect of QoS, although basic CCN and our approach are in the same QoS category, our approach performs better in terms of real values. In summary, the results demonstrate that compared to basic CCN, our probe-based routing approach raises FIB accuracy and reduces network congestion and response time that achieves efficient routing.


翻译:由于开发了新技术和应用,例如物联网、智能城市、5G和边缘计算等新技术和应用,传统的知识产权网络暴露了许多问题。因此,建议未来网络以信息中心网络(ICN)、命名数据网络(NDN)和内容中心网络(CCN)为替代方案。然而,与基于知识产权的网络不同,CCN的路线不是决定性的,也很难优化,因为经常更换网络内部的缓冲。本文展示了一种新的基于调查的路径算法,实时探索网络的缓冲,以确保将最佳路径储存到最新内容提供者的路径。有效的探测选择、PIT探测器和FIB探测器(CCN)是作为未来网络的模拟加以讨论和分析的。与基本的CCN相比,在质量分析方面,我们的方法的额外计算管理是O(NCS + Nrt + NFIB) 和 O(NFIB) 处理利息包和数据包的精确路程算法。在基本时间分析中分别提高了我们对CNC的进度和速度分析的进度,在平均时间分析方面降低了我们的兴趣。

0
下载
关闭预览

相关内容

专知会员服务
28+阅读 · 2021年8月2日
【图与几何深度学习】Graph and geometric deep learning,49页ppt
【Google】梯度下降,48页ppt
专知会员服务
80+阅读 · 2020年12月5日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
计算机类 | 期刊专刊截稿信息9条
Call4Papers
4+阅读 · 2018年1月26日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
A Survey on Deep Learning for Named Entity Recognition
Arxiv
73+阅读 · 2018年12月22日
Arxiv
5+阅读 · 2018年5月31日
VIP会员
相关VIP内容
专知会员服务
28+阅读 · 2021年8月2日
【图与几何深度学习】Graph and geometric deep learning,49页ppt
【Google】梯度下降,48页ppt
专知会员服务
80+阅读 · 2020年12月5日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
计算机类 | 期刊专刊截稿信息9条
Call4Papers
4+阅读 · 2018年1月26日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
Top
微信扫码咨询专知VIP会员