一種空間信息網絡緩存決策策略

收稿日期：2022-04-10；修回日期：2022-05-25" 基金項目：國家自然基金青年基金資助項目（61901080）

作者簡介：蔡睿妍（1979-），女，遼寧大連人，副教授，碩導，博士，主要研究方向為圖像處理、通信與網絡；錢楊（1994-），男，安徽安慶人，碩士，主要研究方向為空間信息網絡緩存策略；魏德賓（1978-），男（通信作者），遼寧大連人，副教授，碩導，博士，主要研究方向為計算機網絡技術（18895678331@163.com）．

摘 要：針對空間信息網絡（space information network，SIN）中衛星節點緩存容量有限，且衛星高速移動使得星間鏈路時變，導致地面用戶內容訪問延遲增大的問題，提出一種基于人工蜂群算法的空間信息網絡緩存決策策略（satellite improved artificial bee colony，SIABC）。首先根據低軌衛星節點鏈路切換的周期性和可預知性，建立網絡分區模型，對空間信息網絡的衛星節點進行分區，在此基礎上，建立區域節點協作緩存模型，使得整個網絡區域內的衛星節點有選擇性地緩存不同流行度的內容，同時兼顧區域內節點的協作緩存，從而流行度高的內容緩存在網絡邊緣。仿真結果表明，與現有緩存機制相比，該緩存策略能夠明顯提高內容的平均緩存命中率，并顯著降低用戶的內容訪問時延。

關鍵詞：低軌衛星；網絡分區；緩存；人工蜂群算法

中圖分類號：TP18"" 文獻標志碼：A

文章編號：1001-3695（2022）12-035-3750-05

doi：10.19734/j.issn.1001-3695.2022.04.0209

Cache decision strategy for space information network

Cai Ruiyan1，Qian Yang1，2a，2b，Wei Debin1，2a，2b

（1.School of Electronics amp; Information Engineering，Taizhou University，Taizhou Zhejiang 318000，China；2.a.Communication amp; Network Key Laboratory，b.College of Information amp; Engineering，Dalian University，Dalian Liaoning 116622，China）

Abstract：Aiming at the limited cache capacity of satellite nodes in the SIN，and the high-speed movement of satellites makes the inter-satellite link time-varying，which leads to an increase in the delay of terrestrial user content access，this paper proposed a decision-making strategy for spatial information network caching based on artificial bee colony algorithm （SIABC）.Firstly，according to the periodicity and predictability of link switching of low-orbit satellite nodes，it established a network partition model，and partitioned the satellite nodes of the SIN.On this basis，it established a regional node cooperative cache model，which made the satellite nodes in the entire network area selectively cache content of different popularity，and also took taking into account the cooperative caching of nodes in the area，so that cached the content with high popularity at the edge of the network.The simulation results show that，compared with the existing caching mechanism，the caching strategy can significantly improve the average cache hit rate of the content and significantly reduce the content access delay of users.

Key words：low-orbit satellite；network partition；cache；artificial bee colony algorithm

0 引言

隨著空間信息技術的高速發展，衛星在全球通信、氣象預測、災害監測和軍事應用等方面發揮著越來越重要的作用，以衛星網絡為核心的空間信息網絡平臺逐漸成為各國研究的重點戰略性工程［1］。但由于衛星通信距離遠，網絡拓撲動態變化，星地鏈路環境復雜，導致信息傳輸中存在著傳播時延大、誤碼率高、往返鏈路不對稱，以及間歇性連接等問題。隨著低軌衛星（low earth orbit，LEO）平臺和星載設備成本的不斷降低，節點存儲能力和計算能力的逐漸提升，數據緩存和計算處理成為衛星系統的重要任務。因此，設計空間信息網絡的緩存決策策略可有效提高衛星系統整體分發性能，降低數據傳輸時延。

近年來，信息中心網絡（information center network，ICN）由于其良好的數據轉發策略和用于內容分發的網絡內緩存機制，在地面網絡有著廣泛的應用［2］。為了提高緩存命中率，傳統的ICN緩存策略研究主要分為路徑緩存和非路徑緩存［3］。路徑緩存策略包括有LCE（leave copy everywhere）［4］、LCD（leave copy down）［5］等策略。LCE是在傳輸路徑的每個節點上分別緩存，從而導致緩存資源大量浪費。LCD是對LCE的改進，它是指僅在命中節點的下一跳復制內容副本，并把副本逐步帶到網絡邊緣，同樣會導致緩存冗余問題。文獻［6］提出了命名數據網網絡中基于緩存價值的緩存策略，該策略保證內容流行度和興趣源距離外，還充分考慮了內容塊大小和緩存類型等因素，從而可有效優化緩存空間，提升緩存的價值，但該策略并未考慮到節點協作緩存。可以發現，傳統的ICN緩存策略并不適用于衛星網絡。

隨著空間信息網絡中衛星節點的存儲能力和計算能力的提升，目前大量的工作集中在基于ICN架構的衛星—地面網絡的緩存策略上。文獻［7］在ICN衛星網絡中，提出一種名為SatCache的星上緩存策略，該策略充分利用衛星通信的廣播性質，通過估計衛星覆蓋用戶的內容偏好，將用戶感興趣的內容緩存在距離最近的衛星節點上，從而最大化緩存命中率。文獻［8］重點關注衛星輔助網絡應急場景下的緩存分配問題，研究表明通過引入具有緩存能力的ICN架構，有效地減小了端到端的傳輸時延。文獻［9］提出衛星網絡場景基于服務質量（quality of service，QoS）驅動的視頻流緩存布局優化問題，該問題充分考慮了所需的視頻流速率和用戶之間的社會關系，將緩存決策問題表示為優化問題，從而優化內容的獲取時延。文獻［10］提出在多層衛星網絡中部署網絡內緩存技術，并提出基于衛星緩存容量大小和內容流行度的概率緩存策略。文獻［7～10］未考慮到相鄰級節點間的協作關系，不利于緩存內容的多樣性，同時增加了求解過程的收斂時間。文獻［11］設計了一個由衛星和地面站組成的雙層緩存模型，該模型在衛星和地面站均部署了緩存服務器，將衛星和地面站之間的聯合緩存優化問題表述為非線性整數規劃問題，提出基于遺傳算法（genetic algorithm，GA）的緩存策略求解該問題，以最小化星地鏈路的帶寬消耗。文獻［12］在星地融合網絡場景下，針對星地兩層緩存分配問題，提出基于模擬退火算法（simulated annealing，SA）的優化緩存策略，該策略能達到最小化用戶平均時延的效果。但文獻［11，12］僅僅利用了單顆衛星的廣播優勢，并未考慮到多顆衛星節點的緩存內容協作，導致星上緩存資源浪費。文獻［13］將軟件定義網絡和信息中心網絡相結合，提出ContentSDSN架構，結合衛星節點對內容緩存的高敏感性，減小了用戶的內容獲取時延。文獻［14］基于衛星網絡的特性，提出一種基于虛擬位置的衛星節點靜態處理機制，基于此設計了分組概率緩存策略PBP，提高了節點的緩存命中率。文獻［15］提出一種回溯分區導向的路徑緩存機制，在該機制中，提出了一種基于回溯算法的節點選擇策略，旨在選擇出網絡中一組合適的中間節點緩存內容，可以有效減少不同用戶的數據訪問冗余傳輸，但并未考慮到分區后節點間的協作緩存及內容流行度。文獻［16］通過在衛星下行鏈路建立用戶社會關系來尋找能夠緩存請求內容的節點，并提出了一種基于貪婪策略的緩存決策算法來分配緩存，繼而設計了一種時間演化覆蓋集指示的網絡緩存機制，以實現低軌衛星網絡的文件分發，提出了一種新穎的事件更新圖來捕獲時域中的細粒度拓撲信息。

同時，上述研究也并未兼顧到衛星節點的高動態性，這會導致請求的傳輸路徑與數據包的回傳路徑不一致。衛星網絡的拓撲時刻都在發生變化，因此需要結合衛星節點的高動態性，研究空間信息網絡的緩存決策問題。本文依據網絡分簇思想首先建立了空間信息網絡分區模型，在此基礎上，建立節點協作緩存模型，并提出了一種基于人工蜂群算法的低軌衛星網絡的緩存決策策略。該算法針對空間信息網絡的拓撲，充分考慮到衛星節點的動態性，結合網絡分區模型，以最小化內容訪問時延為優化目標，選出適合的衛星節點緩存不同流行度的內容，從而降低內容獲取時延，提高緩存命中率。

1 系統模型

ICN衛星網絡的節點維護了三種數據結構，分別是內容緩存（content store，CS）、未決興趣表（pending interest table，PIT）和轉發信息表（forwarding information base，FIB），用于完成地面終端獲取星上資源的請求和數據回傳。地面用戶u1請求內容f1的過程如圖1所示。

當用戶u1請求內容f1時，首先將請求信息發送到為之提供通信服務的v1衛星。若衛星v1緩存有該內容，則直接返回；否則將按照PIT中的信息向網絡中的其他節點獲取內容，在其他節點中獲取到內容f1后返回，若網絡中衛星節點均未緩存該內容，則向server原始服務器請求，獲取到內容f1后返回。

1.1 網絡分區模型

由于空間網絡中的衛星節點運動具有周期性，所以將覆蓋某個區域的數顆衛星按照網絡分區算法劃做一個分區協作緩存內容，以減少衛星節點緩存資源浪費，分區中每顆節點緩存內容均不相同，各顆衛星均存在星間鏈路，此時既不影響用戶對內容的訪問，又降低對單顆衛星的緩存資源要求。空間信息網絡的拓撲結構實際上是一個以星間鏈路的長度為權值的無向圖，本文用G（V，E）來描述，V={v1，v2，…，vN}為N顆衛星的節點集合，表示網絡中的衛星節點；E表示節點間的星間鏈路。然而，當某一時刻衛星vi提供與地面用戶u的接入服務時，由于衛星節點的高動態性，下一時刻該節點可能不在用戶u的可視范圍內。所以，本文針對衛星運動的動態性和周期性，采用劃分時間片的方法，即把一個完整的衛星運動周期T離散為足夠小的時間間隔τ，拓撲在時間間隔τ內是保持穩定的，借助衛星的軌道參數計算各時間間隔τ內每個衛星的具體坐標，計算公式如下：

Xi=a［cos vi cos Ωi-sin vi sin Ωi cos ii］

Yi=a［cos vi sin Ωi-sin vi cos Ωi cos ii］

Zi=a［sin vi sin ii］

Ωi=Ωoi-ωo（t-t0）

vi=voi+no（t-t0）（1）

其中：Xi為第i顆衛星對應的直角坐標系的X軸坐標；Yi為第i顆衛星對應的直角坐標系的Y軸坐標；Zi為第i顆衛星對應的直角坐標系的Z軸坐標；a為衛星離地心的距離；vi為衛星對應的近地點幅角；Ωi為衛星對應的升交點赤經；voi為衛星初始的近地點幅角；Ωoi為衛星初始的升交點赤經；ii為軌道傾斜角；no為衛星公轉角速度；ωo為地球的自轉角速度。令t0=0表示初始時刻，通過改變t的值，計算出各衛星在不同時間間隔內的具體坐標。在已知各個時間間隔內衛星節點的具體坐標后，即可知道節點間的星間鏈路長度，為方便分析，本文中衛星網絡節點的拓撲結構生成采用可視即可連策略。對網絡中的拓撲進行分區，即將整個網絡拓撲劃分成多個不相交的區域，因此，對網絡拓撲進行分區可以被視為最小覆蓋成本的優化問題，其覆蓋代價可以表示［15］為

profit=argCmin∑i∈C∑j∈Ccost（i，j）（2）

CV（3）

cost（i，j）=d（i，j）/c+Ta（4）

d（i，j）=∑ri，j-1d（vi，vj）（5）

其中：C={C1，C2，…，Cn}表示衛星節點的分區，n為區域的最大編號；Cn={cn1，cn2，…，cnk}表示分區后衛星節點的集合，cnk為第n個分區的第k個衛星節點；V={v1，v2，…，vN}表示所有的衛星節點；d（i，j）是源節點vi和目的節點vj之間的歐氏距離；c為光速，Ta是為源節點vi到目的節點vj的處理時延；ri，j為源節點vi和目的節點vj之間的傳輸路徑上的所有節點。

通過Dijkstra最短路徑算法計算出衛星節點vi到vj之間傳輸路徑上的所有節點，即ri，j。通過下面的網絡分區算法得出某個時間間隔τ內的分區節點集合，優化得出對應的總覆蓋代價profit，該算法的步驟如下。

算法1 網絡分區算法

輸入：衛星節點總數N，衛星網絡節點分布狀態G（V，E）。

輸出：分區后的節點信息C。

初始化，依據可視即可連策略獲取拓撲結構

vi→vj

for 每個時間片

根據式（1）計算出該時間片內各衛星的位置坐標，得出對應的G（V，E）

for i≤N

Dijkstra（vj，G，V）→（profit，vi）

Cn∪cnk→Cn

while vj≠vi and 更新區域信息

Cn＼vj→Cn

Dijkstra（vj，G，V）→（profit，vi）

更新區域節點信息

end while

end for

return C

1.2 節點協作緩存

文獻［10，11］中僅考慮到單顆衛星的情況，并未考慮到多顆衛星節點間的協作緩存內容。協作緩存內容是指衛星節點按照一定的規則緩存請求內容。通過對協作緩存建模，從而將流行度較高的內容逐漸緩存在靠近用戶終端的衛星節點上，進而降低用戶的內容獲取時延。隨著各種視頻網站和自媒體平臺的興起，未來網絡中的流量主要是視頻數據。內容流行度可以表示用戶對內容的偏好程度，由用戶請求服從Zipf［17］分布模型可知，各內容的流行度分布可表示為

pm=（m+q）-zm/∑Mm=1（m+q）-zm（6）

其中：M為內容的總量；m為內容流行度的排名，m=1，2，…，M；q為平滑因子，用于調節內容流行度的大小；zm表示內容集合的集中程度，取值在［0.7，1.3］。

在星間網絡中的每個緩存節點上，設第l個內容的緩存狀態表示為fl，且fl∈{0，1}，表示內容l是否被節點緩存。整個網絡中的緩存內容集合為F={FC1，FC2，…，FCn}，FCn為每個區域中節點集合緩存的內容，每個區域中節點的緩存集合可表示為

FCn={Xcn1，Xcn2，…，Xcnk}（7）

Xcnk={fcnk，1，fcnk，2，…，fcnk，M}（8）

其中：Xcnk為第cnk個節點的緩存。

在建立區域內節點間協作緩存模型時，本文考慮了節點緩存容量和內容流行度的共同影響，進而提出協作參數反映節點的協作緩存。對于內容l的緩存，當區域內某一節點緩存內容l時，分區內其他節點緩存該內容的概率可表示為

hcnk+1，l=α1-（-1）fcnk，lhcnk，l=α1-hcnk，lfcnk，l=0

α1+hcnk，lfcnk，l=1（9）

其中：hcnk，l為Cn節點緩存內容l的概率；fcnk，l∈{0，1}表示節點cnk是否緩存了內容；α為兩個節點間的協作緩存程度，用內容流行度和節點的緩存容量來表示。

α=ω1pm+ω2BufCnk（10）

ω1+ω2=1（11）

其中：BufCnk為節點的緩存容量；ω1為內容流行度所占的權重，ω1為節點緩存容量所占的權重，在緩存中加入節點之間的協作關系，可以提高網絡緩存內容的多樣性。

1.3 優化目標函數

用戶u對內容l的獲取時延主要由星地傳輸時延tg，s和星間傳輸時延ts，d組成。星間傳輸時延ts，d為

ts，d=d（s，d）c（12）

其中：d（s，d）為接入節點和命中目的節點的傳輸路徑的星間鏈路長度之和。設地面用戶的數量為U，每個終端請求星上資源的獲取時延為t，則t可以表示為

min1U∑t（13）

在用戶請求星上內容的過程中，設地面用戶u每次請求1個內容，對內容l的請求為ru=［0，1，0，…，0］1×M，其中“1”表明其請求的目標內容，請求概率服從上式的Zipf分布。根據圖1中的內容請求傳輸路徑，用戶的請求首先到達為之提供服務的接入衛星，并在該衛星所屬區域搜索緩存中內容。設定ql，u為系統對該區域的搜索結果，其可表示為

ql，u" =‖ru *Xcnk" ‖cnk ∈Cn（14）

其中：cnk表示與用戶u相連接的編號為cnk的節點；*為Hadamard相乘；ql，u取值為1時，表示請求內容在該區域已經獲取到，ql，u取值為0時，表示該請求需要被發送到下一個區域進行搜索。

因此，在衛星網絡中由內容傳輸過程從產生的系統時延可分為兩種情況，分別是當前區域內衛星節點緩存了目標內容和所有衛星未緩存目標內容。若當前區域內衛星節點緩存了目標內容，則系統時延可表示為

ql，upm（tg，s+ts，d）（15）

若整個衛星網絡均未緩存目標內容，需要去源服務器獲取，此時經過兩次星地傳輸時延，則系統時延可表示為

（1-ql，u）pm（2tg，s+ts，d）（16）

因此，式（13）可重寫為

min1U（∑u∈U ∑i∈Nql，upm（tg，s+ts，d）+∑u∈U ∑i∈N（1-ql，u）pm（2tg，s+ts，d））（17）

約束條件為

hcnk+1，l=α1-（-1）cnk，lhcnk，l（18）

‖Fcnk‖≤Bufcnk（19）

fcnk，l∈{0，1}（20）

2 基于人工蜂群算法的緩存決策策略

在1.1節建立網絡分區模型將衛星網絡拓撲結構進行分區后，得到一組分區后的節點集合C={C1，C2，…，Cn}，Cn={cn1，cn2，…，cnk}。本章的問題旨在從內容集合中選擇出一組內容緩存在分區后的衛星節點上，同時考慮到衛星節點的存儲資源有限，緩存的內容也需要兼顧到內容的自身流行度和衛星容量的大小，使得衛星節點上緩存更多不同類別的內容，從而優化用戶的平均內容獲取時延，降低衛星存儲資源的冗余。

人工蜂群算法（artificial bee colony algorithm，ABC）［18，19］是通過模擬蜂群協同覓食行為的一種群智能優化算法。在自然界中，蜜蜂總能在各種環境中以最高的效率找到最優的蜜源，并能適應各種環境變化。ABC算法將蜜蜂分為雇傭蜂、觀察蜂和偵查蜂三種。整個蜂群的目標是尋找到最好的蜜源，在每一次的蜜源搜索過程中，整個蜂群分享找到的蜜源信息，雇傭蜂首先尋找新的蜜源，觀察蜂根據雇傭蜂分享的蜜源信息，尋找花蜜量最大的蜜源，而偵察蜂則是尋求新的蜜源，避免陷入局部最優。該算法可以很好地求出復雜問題的最優解，且收斂速度較快，故考慮將其用于空間信息網絡中緩存決策方案的求解中。本文提出了基于人工蜂群算法的空間信息網絡緩存決策策略，由前文提出的網絡分區模型得出一組節點集合，選擇出不同流行度的內容緩存在這些節點中，求解出分區節點中最優的緩存決策策略。

2.1 蜜源初始化階段

初始化階段包括初始化算法參數和初始化蜜源。本文使用F表示人工蜂群算法中的蜜源，每一個蜜源表示衛星網絡的緩存決策策略，蜜源初始化中，一個蜜源表示一個可行解。例如某個蜜源表示為F={FC1，FC2，…，FCn}，FCn={XCn1，XC2，…，XCnk}，其中：F表示整個網絡緩存內容集合；Xcnk表示第cnk個節點中緩存內容。nPop為蜜源的大小，在人工蜂群算法中，雇傭蜂和偵查蜂數量保持一致；nLooker為觀察蜂數量。蜜源實驗限制Limit內沒有更新蜜源，雇傭蜂轉換為偵查蜂，終止條件為達到最大迭代次數MaxIt。

2.2 雇傭蜂階段

雇傭蜂完成對蜜源的鄰域搜索，進而使用貪心算法獲取花蜜量更大的蜜源，將記錄下的蜜源位置和適應度值分享給觀察蜂，引導觀察蜂進一步搜索。然后計算每個蜜源Fi的適應度值fitnessi，并將其作為評判蜜源Fi優劣的標準。公式如下：

fitnessi=1U（∑u∈U ∑i∈Nql，upm（tg，s+ts，d）+

∑u∈U ∑i∈N（1-ql，u）pm（2tg，s+ts，d））（21）

每次迭代的過程中雇傭蜂都會在蜜源附近尋找新的可行解，而在本文中，在尋找新解的過程中交互分區后節點間的緩存內容信息，產生新解，具體公式如下：

Fβ={FC1，FC2，…，FCn}（22）

FβCn={XCn1 ，XC2，…，XCnk}（23）

Xβcnk={ fcnk，1，fcnk，2，…，fcnk，I}（24）

其中：Fβ表示鄰域內的新解；FβCn表示編號為Cn區域所緩存的內容集合。計算新蜜源的適應度fitnessβ，以決定是否取代舊的蜜源。

2.3 觀察蜂階段

通過雇傭蜂提供的蜜源信息，以及適應度值計算得到觀察蜂選擇可行解的概率，觀察蜂通過輪盤賭的策略去選擇觀察哪一只雇傭蜂。

ρi=fitnessi∑nPopk=1fitnessk（25）

適應度值越大，蜜源食物越多，觀察蜂選中該蜜源的概率也越大，觀察蜂在到達對應蜜源后通過式（22）～（24）搜索鄰域蜜源信息，計算其適應度fitnessi來確定是否保留新的蜜源。

2.4 偵察蜂階段

設置一個門限值Limit，當一個可行解的迭代次數超過Limit次仍未找到更好的蜜源，那么就認為解空間陷入局部最優，則舍棄該蜜源。當一個可行解F被舍棄后，其對應的雇傭蜂就會轉換成偵查蜂，并由式（22）～（24）產生一個新的蜜源代替它。

2.5 SIABC算法

本文基于人工蜂群算法，結合網絡分區模型對式（17）進行優化求解，提出了一個基于人工蜂群算法的空間信息網絡緩存決策策略。該算法在緩存節點集C以及衛星節點分布狀態G（V，E）已知的情況下，可以通過迭代找出最小化用戶平均內容獲取時延的緩存決策策略。

算法2 基于人工蜂群的衛星網絡緩存策略

輸入：衛星網絡的節點分布狀態G（V，E），節點的數量N，待緩存的衛星節點C。

輸出：衛星網絡的緩存決策策略F。

a）初始化：蜜源個數nPop，最大迭代次數MaxIt，門限值Limit，F1～FnPop，利用式（21）計算出每個蜜源的適應度值fitness1～fitnessnPop，更新迭代次數L1～LnPop=0

b）for迭代次數L ≤ MaxIt

c） for i=1：nPop

d）" 利用式（22）～（24）計算出Fi，進入雇傭蜂階段，進行貪婪選擇保存最優的F

e） end for

f） for i=1：nPop

g）" 利用式（25）求出ρi

h） end for

i） for i=1：nPop

j）" 觀察蜂根據ρi決定要觀察的對象F，i∈{1，2，…，nPop}

k）" 重復步驟c）～e）

l） end for

m） 判斷是否Lgt;Limit，若是，則利用式（22）～（24）生成新解Fi

n） 否則雇傭蜂轉成偵察蜂，更新fitnessi，Li=0

o） 保存當前循環的最優解

p）end for

q）返回F，fitnessmin

3 仿真及性能分析

3.1 平臺和仿真參數設置

為了驗證基于人工蜂群算法的衛星網絡緩存決策策略的有效性，本文利用MATLAB和STK軟件搭建了衛星網絡接入網的仿真環境。采用了具有66顆LEO的銥星星座（iridium constellation）。在本文的仿真實驗中，共有1 000個按照流行度進行編號的內容塊，每個內容塊的大小為1～10（chunk），每個衛星節點的緩存容量大小以內容塊的大小來衡量，每個節點中預先緩存了10～100個內容塊。地面的ICN終端設置為100個，仿真時間為10 min，每個ICN終端的請求速率為每秒發送100個內容塊興趣包，網絡中每個內容塊的被請求的概率服從Zipf分布。其具體參數如表1所示。

3.2 仿真結果分析

為驗證SIABC算法的性能，分別從不同網絡緩存容量下用戶的平均內容訪問時延、不同Zipf參數下用戶平均內容時延以及節點平均緩存命中率與LCE［4］、LCD［5］和TCSC［16］算法進行了比較。

1）節點緩存容量平均緩存命中率的影響

圖2是平均緩存命中率隨衛星緩存容量的變化。可以看出，當緩存容量逐漸增大時，所有緩存方法的平均緩存命中率都在增加，這是因為隨著緩存容量的增加，衛星節點中緩存內容的類別會更高，緩存多樣性提高，圖中可以看出增長的趨勢慢慢下降，這說明節點緩存空間的增大對提高平均緩存命中率是有限的。同時，本文提出的SIABC算法在命中率方面明顯優于其他算法，這是因為本文方法對節點進行了區域劃分，區域內節點協作緩存內容，有效降低了節點緩存的冗余度，節省了衛星節點的整體緩存空間，從而提高了節點平均緩存命中率。

2）Zipf分布參數對平均緩存命中率的影響

圖3是平均緩存命中率隨Zipf參數的變化。可以看出，隨著Zipf分布參數的逐漸增大，平均緩存命中率也將相應提高。這是因為流行度的分布會隨著Zipf參數的增大而越來越集合，用戶對高流行度的內容的請求次數越來越多，而節點也會隨之緩存更多的高流行度內容，平均緩存命中率也會隨著增加。實驗結果表明，本文的SIABC算法明顯優于其他算法。

3）衛星節點緩存容量對用戶內容獲取平均時延的影響

圖4是用戶內容獲取時延隨衛星節點容量的變化。可以看出，隨著衛星節點緩存容量的增加，LCE、LCD、TCSC和SIABC算法均呈現出平均時延下降的趨勢。這是因為隨著衛星節點緩存容量逐漸增大，衛星節點內緩存內容增多，衛星節點緩存內容滿足用戶偏好的程度增大，圖4中，LCE、LCD緩存策略對降低平均時延的效果較弱，這是因為緩存的隨機性會存儲重復內容。本文提出的SIABC算法與TCSC算法相比，用戶內容獲取平均時延最高可降低12.5%，原因是SIABC策略中考慮了區域內節點間的協作關系。

4）Zipf分布參數對用戶內容獲取平均時延的影響

圖5是Zipf分布參數對用戶內容獲取平均時延的影響。從圖中可以看出，通過增大Zipf分布參數z的值，四種緩存算法得到的用戶平均時延均呈下降趨勢，本文提出的緩存策略相對于TCSC算法的用戶時延最高可降低7.6%。這是因為隨著z的增大，用戶請求的內容相對較為固定，節點不會因為大量的請求和有限的緩存容量帶來頻繁的緩存內容替換。相較于其他策略，本文方案降低了用戶的平均內容獲取時延，將相對流行度較高的內容緩存在靠近地面用戶的衛星節點上，因此可以減少用戶獲取內容的路由跳數，降低平均時延，同時該策略又降低了緩存冗余，提出了網絡資源的利用率。

4 結束語

針對空間信息網絡拓撲的時變特性導致緩存位置改變的問題，基于星間鏈路切換的周期性和可預測性，提出網絡分區模型對空間信息網絡的節點進行分區。在此基礎上，以用戶的內容獲取時延為優化目標，同時兼顧到內容流行度和節點的緩存容量，基于人工蜂群算法求解最優化問題，使得流行度較高的內容緩存在靠近地面用戶的節衛星節點上，從而降低緩存冗余。與其他緩存策略的對比可以看出，本文算法能夠有效地提高平均緩存命中率，并降低用戶的內容獲取時延。下一步的工作是針對空間信息網絡拓撲動態性進行研究，建立動態資源圖模型，從而更好地表征網絡資源切換周期性，進一步研究動態的緩存決策策略。

參考文獻：

［1］易克初，李怡，孫晨華，等.衛星通信的近期發展與前景展望［J］.通信學報，2015，36（6）：157-172.（Yi Kechu，Li Yi，Sun Chenhua，et al.Recent development and its prospect of satellite communications［J］.Journal on Communications，2015，36（6）：157-172.）

［2］Kutscher D，Eum S，Pentikousis K，et al.Information-centric networking （ICN） research challenges，RFC7927［R］.［S.l.］：Internet Research Task Force，2016：1-38.

［3］段潔，邢媛，趙國鋒.信息中心網絡中緩存技術研究綜述［J］.計算機工程與應用，2018，54（2）：1-10.（Duan Jie，Xing Yuan，Zhao Guofeng.Survey for caching technologies in information centric networking［J］.Computer Engineering and Applications，2018，54（2）：1-10.）

［4］張國強，李楊，林濤，等.信息中心網絡中的內置緩存技術研究［J］.軟件學報，2014，25（1）：154-175.（Zhang Guoqiang，Li Yang，Lin Tao，et al.Survey of in-network caching techniques in information-centric networks［J］.Journal of Software，2014，25（1）：154-175.）

［5］Bernardini C，Silverston T，Festor O.A comparison of caching strategies for content centric networking［C］//Proc of IEEE Global Communications Conference.Piscataway，NJ：IEEE Press，2015：1-6.

［6］秦魯法，徐雅斌.一種命名數據網絡的緩存策略［J］.小型微型計算機系統，2022，43（2）：406-410.（Qin Lufa，Xu Yabin.Caching strategy of named data networking［J］.Journal of Chinese Compu-ter Systems，2022，43（2）：406-410.）

［7］D’Oro S，Galluccio L，Morabito G，et al.SatCache：a profile-aware caching strategy for information centric satellite networks［J］.IEEE Trans on Emerging Telecommunications Technologies，2014，25（4）：436-444.

［8］De Cola T，Gonzalez G.Applicability of ICN-based network architectures to satellite-assisted emergency communications［C］//Proc of IEEE Global Communications Conference.Piscataway，NJ：IEEE Press，2016：1-6.

［9］Zhong Guiting，Yan Jian，Kuang Linin.QoE-driven social aware ca-ching placement for terrestrial-satellite networks［J］.China Com-munications，2018，15（10）：60-72.

［10］徐冀，嵩天，楊雅婷，等.多層衛星網絡數據緩存技術研究［J］.載人航天，2019，25（4）：461-467.（Xu Ji，Song Tian，Yang Yating，et al.Research on data caching technology for multilayer satellite network［J］.Manned Space，2019，25（4）：461-467.）

［11］Wu Hao，Li Jian，Lu Hancheng，et al.A two-layer caching model for content delivery services in satellite-terrestrial networks［C］//Proc of IEEE Global Communications Conference.Piscataway，NJ：IEEE Press，2016：1-6.

［12］Feng Yuanxin，Wang Weidong，Liu Shuaijun，et al.Research on coo-perative caching strategy in 5G-satellite backhaul network［C］//Proc of International Conference on Space Information Network.Berlin：Springer，2017：236-248.

［13］Liu Zhiguo，Zhu Jie，Pan Chengsheng，et al.Satellite network architecture design based on SDN and ICN technology［C］//Proc of the 8th International Conference on Electronics Information and Emergency Communication.Piscataway，NJ：IEEE Press，2018：124-131.

［14］石懷峰，王成功，蔡睿妍，等.天地一體化智能網絡節點靜態處理與緩存策略［J］.計算機工程，2021，47（1）：30-36.（Shi Huaifeng，Wang Chenggong，Cai Ruiyan，et al.Node static processing and caching strategy in space-ground integrated intelligent network［J］.Computer Engineering，2021，47（1）：30-36.）

［15］Li Yue，Zhang Qinyu，Yuan Peng，et al.A back-tracing partition based on-path caching distribution strategy over integrated LEO satellite and terrestrial networks［C］//Proc of the 10th International Conference on Wireless Communications and Signal Processing.Piscataway，NJ：IEEE Press，2018：1-6.

［16］Yang Zhihua，Li Yue，Yuan Peng，et al.TCSC：a novel file distribution strategy in integrated LEO satellite-terrestrial networks［J］.IEEE Trans on Vehicular Technology，2020，69（5）：5426-5441.

［17］霍如，劉江，黃韜，等.基于相關性概率的信息中心網絡協作緩存策略［J］.北京郵電大學學報，2015，38（1）：16-20.（Huo Ru，Liu Jiang，Huang Tao，et al.Cooperative caching strategy based on correlation probability in information centric networking［J］.Journal of Beijing University of Posts and Telecom，2015，38（1）：16-20.）

［18］霍鳳財，杜穎，劉洋.人工蜂群算法及其應用[J].吉林大學學報：信息科學版，2016，34（4）：468-476.（Huo Fengcai，Du Ying，Liu Yang.Artificial bee colony algorithm and its application［J］.Journal of Jilin University：Information Science Edition，2016，34（4）：468-476.）

［19］Wang Jichao，Li Qing，Cui Jiarui，et al.An improved artificial bee co-lony algorithm：particle bee colony［J］.Chinese Journal of Engineering，2018，40（7）：871-881.