信息中心网络(ICN)是一种革命性的网络架构,数据中心网络(Named Data Networking,NDN)作为其重要代表,将内容作为中心,以名字进行路由,最重要的是增加了网内缓存的功能,这是提高网络性能的重要设计。为了解决目前网内缓存存在的诸多问题,本文提出了一种新颖的基于深度学习的缓存策略。论文工作取得的主要成果有以下几个方面,首先,通过分析数据(特别是物联网场景中的感知数据)的特点,推导出了用户请求数据的规律,进而发现了其与网内缓存之间的关系;其次,基于数据特点与数据命名的简单唯一特性,设计了一种新的兴趣包/数据包命名方式,将数据特点结合到名字中,为后续的缓存替换算法预测数据流行度提供了强大的特征支持,并且根据新的命名方式进行路由决策;然后,以基于深度学习的流行度建模方法作为算法的核心,根据数据流行度的排名进行缓存决策,设计了两级缓存,并加入了预取决策,根据预测的未来流行度的排名在数据流行前将数据缓存到节点中;最后,在命名数据网络转发守护进程(NFD)中设计了网络拓扑,对论文设计的缓存策略进行了部署和验证。结果表明,本文提出的基于深度学习的缓存策略,能够准确的预测流行度的变化趋势,极大的提高了命中率,减少了网络时延,并且突破了传统缓存替换算法的瓶颈。