CCN - Content Centric Networking 内容中心网络
CNN - Convolutional Neural Networks 卷积神经网络
ICN工作原理简单介绍：
当我们想要获取某项信息时，我们所获得的信息并不一定是信息所在的服务器传输过来的，而是由最近节点中缓存传输过来的。
CCN是研究最多的ICN的一种具体实现。
在CCN中主要有两种数据包：内容请求包（interest packet）和内容数据包（data packet）
在CCN中，通过对内容的标识来确定内容，类似于IP地址前缀，例如"/aaa.cn/video/wigeta.mpg”，其中aaa.cn是全网可识别名称，video是内容类型，wigeta.mpg是内容名称。
请求数据包用于发送对内容的请求，接收到该请求的节点如果能够满足该请求就通过内容数据包来发送响应数据。
CCN节点模型：
CCN节点承担数据包的存储，转发和路由任务。典型的CCN节点主要包含内容存储器（CS）content store，待定请求表（PIT）pending interest table，前向转发表（FIB）forwarding information base。
CS（content store）：类似于IP路由器的缓存，但是每次通信后不会清空缓存的内容，可以将该内容用于下次通信，这是CCN非常关键的理念，可以帮助减少内容下载时间和网络带宽占用。
PIT（pending interest table）：用于记录经过的请求信息，依次实现所请求的内容顺利地传回请求节点。内容数据包按照PIT提示，一步步转发回内容请求者，当内容传回，该条目从PIT删除。
FIB（forwarding information base）：将请求数据包发往目的端，可以同时向多个方向转发请求。
CNN转发机制：
1.接收到请求数据包，首先匹配内容缓存，如果有相关内容，直接发送，否则在PIT中查询。
2.如果PIT有相关的条目，添加请求端口到列表中，在这一过程中，将请求数据包截留是为了防止同样的数据的重复请求。当有内容数据包回应时，将此内容发送给所有请求数据的端口。
3.若PIT中没有相关内容条目，则查询FIB。按照FIB的指示将该数据包转发到下一CCN节点。
CNN的优势：
安全性。CNN网络不存在数据通道的安全，因为数据没有固定的通道，可以从任意缓存处取得。
性能。CNN在动态内容，点对点通信上具有和IP网络相当的性能。并具有比IP更高的灵活性，安全性和鲁棒性。
流量调节。CNN具有自然的流量调节能力，在数据转发时，可以根据链路状况，选择转发策略，从而均衡整个网络流量。
----------------------------------
卷积神经网络简介（Convolutional Neural Networks，简称CNN）
卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。 K.Fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。随后，更多的科研工作者对该网络进行了改进。其中，具有代表性的研究成果是Alexander和Taylor提出的“改进认知机”，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。
一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。