文献阅读报告Forwarding Strategies for Applications in Named Data Networking_jinyang_20180320

阅读报告Forwarding Strategies for Applications in Named Data Networking_jinyang_20180320


论文题目

Forwarding Strategies for Applications in Named Data Networking

论文作者、单位

Hila Ben Abraham and Patrick Crowley——Washington University

发表的会议或者期刊

ANCS ’16 March 17-18, 2016, Santa Clara, CA, USA
C类

论文关键字

论文摘要原文

Named Data Networking (NDN), an information-centric Internet architecture, introduces a new forwarding model, in which the forwarding plane can choose between multiple interfaces when forwarding a packet. While the forwarding
module brings new opportunities it also introduces challenges when the application’s performance or correctness is affected by a conflict between the application design and the assigned forwarding strategy. In this paper we demonstrate the impact of the forwarding strategy decision on the performance and correctness of NDN applications.

论文摘要中文

作为一个信息中心网络体系,NDN引入了一个全新的转发模型,在转发包时其转发平面可以在多个接口中做出选择。虽然转发模块带来了有点,但也带来了挑战,应用程序的性能或正确性 受到 应用程序设计和分配的转发策略之间冲突的影响。在本文中,我们展示了转发策略决策对NDN应用性能和正确性的影响。

研究问题

不同的转发策略对应用性能和正确性的影响。

研究意义

  1. 在网络不同位置要使用不同的转发策略
  2. 如果存在一歌性能足够出色的转发策略,他就可以作为NDN默认的转发策略

研究内容(算法、方法、技术、模型)

构建了两个场景
case1:不同的producer不同内容,但是发布的name都相同。此时FIB这个prefix会有两个出口,best route只选择其一 ,To solve this, the developer should design the appliction to use producer-specific namespaces instead of a general one.

case2:通知场景

研究结论、主要贡献

命名空间的设计、转发策略、场景都会对应用的性能有影响。

创新点

通知型服务 “同步”案例二 本地有更新,发布Interest
CCNx里重传必须走不同的端口,在CCN同步协议里,参与者不回复这个“通知IPkt”,所以IPkt会重传,但又不能走一个路口,走下一个可行的路口这样就都通知到了。

技术难点

怎么找到一个足够好的forwarding strategy,我们应该针对场景来设计策略吧

对本人工作的启发

  1. 转发决策由 转发策略、请求的名字共同决定
  2. 转发策略需要做
    1. 哪个face转发出去(最好的一个、一些、全部)。
    2. 如何处理不能按时收到data的Interest(Drop、重传、回复NACK包)。
    3. 要记录下游节点工作状态。
  3. 转发策略分类
类别特点示例策略
Adaptive记录face的性能,帮助将来的决策红黄绿、默认CCNx
Static严格依据路由协议的决策,不用一些face时需要路由协议来去除best route(最小cost)

实验结果还有loadsharing、parallel
static策略只有在链路故障时才会改变

4.案例一说明需要设计特定producer的命名,防止重名
5. 记录下这两个场景

进一步研究思路

向别人宣告自己的位置时,通过发Interest来,这就相当于hello包。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
【6层】4837.9平米六层框架综合办公楼(含计算书、建筑、结构图纸) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值