بهینه‌سازی poolcache با استفاده از الگوریتم کشینگ تطبیقی مبتنی بر تحلیل پویا در شبکه‌های مبتنی بر نام داده (ndn)

در سال های اخیر،شبکه های نام محورndn به عنوان یکی از معماری های آینده نگر در حوزه شبکه های رایانه ای مطرح شده اند که تمرکز آن ها بر دسترسی به محتوا به جای آدرس مقصد است .در چنین ساختاری،مدیریت کارآمد حافظه کش اهمیت حیاتی در بهبود کارایی،کاهش تاخیر و توزیع بهینه داده ها دارد.الگوریتمpoolcache یکی از روش های موثر در مدیریت کش است، اما به دلیل استفاده از آستانه تصمیم گیری ثابت، توانایی انطباق با تغییرات پویا در نرخ درخواست محتوا را ندارد . در این پژوهش، نسخه بهینه سازی شده ای از poolcache با عنوان الگوریتم کشینگ تطبیقی مبتنی بر تحلیل پویا ارایه میشود که با بهره گیری از مکانیزم پنجره لغزان و آستانه پویا ،نرخ درخواست محتوا را در بازه های زمانی متغیر تحلیل کرده و تصمیم گیری در مورد نگهداری یا حذف داده را به صورت تطبیقی انجام میدهد.روش پیشنهادی با ترکیب دو پارامتر تازگی داده و میانگین نرخ درخواست، رفتار کش را با تغییرات ترافیک هماهنگ می سازد.

optimization of poolcache using an adaptive caching algorithm based on dynamic analysis in named data networking(ndn)

in recent years, named data networking (ndn) has emerged as one of the forward-looking architectures in computer networks, shifting the focus from destination addresses to content retrieval. in such a structure, efficient cache management plays a vital role in improving performance, reducing latency, and enabling optimal data distribution. poolcache is one of the effective approaches to cache management; however, due to its use of a fixed decision threshold, it lacks the ability to adapt to dynamic changes in content request rates. in this study, an optimized version of poolcache—referred to as the adaptive caching algorithm based on dynamic analysis—is proposed. by employing a sliding-window mechanism and a dynamic threshold, the algorithm analyzes content request rates over variable time intervals and adaptively decides whether to retain or evict cached data. the proposed method aligns cache behavior with traffic fluctuations by combining two parameters: data freshness and the average request rate.