Perpustakaan Digital ITB

Pertumbuhan pesat penggunaan Internet mendorong penyedia layanan untuk mengantisipasi lonjakan permintaan, demi menjaga mutu layanan (Quality of Service/QoS) yang andal. Arsitektur Internet saat ini yang masih bergantung pada komunikasi end-to-end dan arsitektur host-sentris menghadapi keterbatasan dalam merespons kompleksitas jaringan modern. Salah satu tantangan utama adalah meningkatnya permintaan terhadap konten yang sama dari banyak pengguna, yang menyebabkan lonjakan beban lalu lintas. Untuk mengatasi hal tersebut, Named Data Networking (NDN) hadir sebagai paradigma Internet berbasis konten yang memungkinkan pengambilan dan penyimpanan data secara adaptif melalui mekanisme caching di dalam jaringan. Tiga pendekatan utama diintegrasikan dalam penelitian ini: pengambilan keputusan multi-kriteria (Multi-Criteria Decision-Making/MCDM), keberpusatan / sentralitas jaringan, dan pembelajaran mesin (Machine Learning/ML). Tiga algoritma caching dikembangkan: C3CPS, CacheCraft, dan Light-C3CPS. C3CPS mengoptimalkan kebijakan penyimpanan menggunakan MCDM berbasis metode CRITIC dan CoCoSo, mempertimbangkan topologi jaringan, kapasitas cache, dan popularitas konten. Hasil simulasi menunjukkan bahwa C3CPS mampu meningkatkan Cache Hit Ratio (CHR), menurunkan latensi, dan memperpendek Path Stretch dibanding metode konvensional. CacheCraft memfokuskan pada alokasi kapasitas penyimpanan berbasis metrik keberpusatan/sentralitas PageRank untuk mengidentifikasi node strategis. Pendekatan ini menghasilkan peningkatan CHR sebesar 7,8% dan penurunan latensi rata-rata hingga 5,6 ms dibanding pendekatan tradisional. Untuk mengatasi keterbatasan data sintetis dalam simulasi, dikembangkan Light-C3CPS sebagai perluasan dari C3CPS dengan integrasi model pembelajaran mesin (XGBoost). Light-C3CPS memindahkan proses prediksi popularitas konten ke level producer, yang memungkinkan pengurangan beban router NDN serta peningkatan efisiensi distribusi konten berskala besar. Ketiga algoritma diuji menggunakan simulator Icarus pada topologi realistis (GEANT, TISCALI, GARR, PALAPA RING) dengan jejak permintaan data nyata. Evaluasi menggunakan metrik CHR, latensi, Path Stretch, dan Link Load menunjukkan bahwa algoritma yang diusulkan memberikan peningkatan CHR sebesar 15–50%, penurunan latensi 5–28%, pengurangan Path Stretch 4,8–7,1%, serta pengurangan Link Load hingga 42,2% dibanding baseline seperti LCE, LCD, dan ProbCache. Penelitian ini memberikan kontribusi nyata dalam pengembangan strategi caching cerdas berbasis data nyata untuk NDN. Integrasi pengambilan keputusan multikriteria, analisis sentralitas jaringan, dan pembelajaran mesin terbukti mampu menciptakan strategi caching yang lebih adaptif, efisien, dan scalable untuk berbagai skenario jaringan modern seperti Internet of Things (IoT) dan layanan multimedia.