基于ART1用户聚类的Web预取模型研究

传统的Web预取机制所采用的预测算法主要针对用户个人预取,随着用户数量激增会加重网络负载,降低网络资源利用率。针对这一问题,在综合分析经典ART1神经网络模型和预取系统的基础上,提出一种基于用户聚类的UCPM模型预取新方法。首先,基于改进的ART1算法对用户访问序列特征向量进行聚类,挖掘兴趣相似的用户集合;然后,针对自底向上权重最大值所关联用户群的兴趣进行预取;最后,在Web预取系统上验证该方法的有效性及可靠性。实验结果表明,UCPM模型表现出较好的聚类效果,同时应用在预取系统保持了较高的预测准确率,降低了延迟比和流量开销比。

命名数据网络中的改进待定请求表设计

文章提出一种基于紧凑存储表示和边缘路由器过滤的PIT设计方法,该方法通过软件实现,并通过仿真实验衡量了指纹冲突率和更新延时。研究表明该方法显著降低了核心路由器PIT的存储要求。