مقایسه عملکرد الگوریتم های کش در شبکه های داده های نام گذاری شده با تمرکز بر کاهش حملات آلودگی و بهینه سازی پارامتر β

با رشد سریع معماری های محتوامحور نظیر شبکه های داده های نام گذاری شده (NDN)، مدیریت هوشمند حافظه نهان به یک مولفه حیاتی در بهینه سازی کارایی شبکه و ارتقای کیفیت تجربه کاربر تبدیل شده است. در این میان، پارامتر β به عنوان عامل تنظیم حساسیت کش نسبت به توزیع محبوبیت محتوا، نقشی بنیادین ایفا می کند. انتخاب غیربهینه این پارامتر ممکن است منجر به افت نرخ اصابت کش، افزایش آلودگی داده و ناکارآمدی منابع شود. در این پژوهش، چارچوبی نوین مبتنی بر الگوریتم ADMM (روش ضرایب لاگرانژ افزایشی جهت دار) برای تنظیم توزیع شده و تطبیقی پارامتر β ارائه شده است. مدل پیشنهادی با ساختاری غیرمتمرکز، قابلیت اجرا در سطح گره های شبکه را داراست و از طریق به روزرسانی های هماهنگ متغیرهای اولیه و دوگانه، به همگرایی سریع و تنظیم دقیق β منتهی می شود. افزون بر آن، نسخه پیشرفته تری تحت عنوان ADMM-Enhanced توسعه یافته است که با بهره گیری از تنظیم خودکار پارامترهای λ و ρ، پایداری، دقت و تطبیق پذیری بیشتری نسبت به شرایط دینامیک شبکه حاصل می کند. برای ارزیابی کارایی این روش، چهار توپولوژی شبکه (ساده، سلسله مراتبی، پیشرفته و مش) در قالب سه سناریوی عملیاتی شامل وضعیت پایدار، حمله آلودگی کش (CPA)، و تغییرات بار ترافیکی طراحی و شبیه سازی شد. نتایج تجربی حاصل از مقایسه با الگوریتم های مرجع از جمله LRU، LFU-DA، PFP-DA و PFP-β-DA، نشان دادند که الگوریتم ADMM-Enhanced در سناریوی پایدار نرخ اصابت کش را تا ۳۰٪ افزایش داده و آلودگی را به صفر رسانده است، و در مواجهه با حمله شدید (۳۰٪ مهاجم) نیز با حفظ CHR برابر ۱۸٪ و CPR برابر ۱۸٪، عملکردی پایدار، تطبیق پذیر و مقاوم از خود نشان داده است. همچنین در توپولوژی های پیچیده مانند مش، الگوریتم پیشنهادی توانست در برابر تهدیدات توزیع شده، ازدحام و قطع لینک، بهره وری و کیفیت کش را حفظ کرده و سازگاری بالایی با محیط های پویا از خود نشان دهد

کلیدواژه ها:

شبکه های داده های نام گذاری شده ، حافظه نهان ، نرخ اصابت کش ، درصد آلودگی کش ، الگوریتم ADMM ، ADMM-Enhanced