随着物联网的飞速发展,传统的服务定义逐渐发生变化。在物联网新场景下,传感器设备、智能穿戴设备以及智能手持设备时刻都在产生服务,传统的集中式采集-处理-发布方案会引起服务延时、服务器的计算存储压力骤增等诸多问题。为此,构建分布式服务发现框架对物联网的发展有着重要意义。由于传统的IP网络是基于点到点连接的通信方案,在以服务为中心的场景中通信效率较低。为此,本文提出采用以内容为中心的新一代网络架构命名数据网络(Named Data Networking,NDN)作为分布式服务发现框架的网络架构,并重点研究高效的服务查找效率算法以及服务缓存管理方案。本文充分利用网络节点的计算能力,创新性地提出以强化学习为基础的NDN转发策略算法。利用Q-Learning算法,当兴趣包到达节点后,节点可以选择最优的下一跳节点转发,从而提高兴趣包的转发效率。每次转发会获得新反馈,从而学习新的经验,使网络具有较高的自适应特性。此外,为了减少Q-Learning算法中反馈包的额外消耗,本文将学习反馈数据融合到数据包中进行传输,从而降低单独发送反馈包的开销。本文通过ndnSIM实现了基于Q-Learning算法的转发策略,并设计仿真场景和泛洪策略和最优路由转发策略进行详细对比,验证了本文设计的转发策略的高效性和自适应特性。现有的NDN缓存管理方案并没有考虑到物联网场景下节点能耗、数据实时性等特性,因此,本文充分考虑了节点剩余能量、剩余空间、数据实时性以及数据流行度等因素,设计了基于决策树模型的新型缓存管理方案。本文在ndnSIM中实现了设计方案,和传统的缓存一切方案以及概率缓存方案进行了性能对比,验证了本文设计的方案的优越性。为了验证分布式服务发现架构的可行性,本文实现了基于无线收发模块、微型处理器和智能设备的分布式服务发现验证系统。通过设计并实现服务实例,本文验证了分布式服务发现系统的可行性,为后续研究提供验证平台。综上所述,本文研究服务发现中的计算通信关键技术,创新性地提出利用新一代网络NDN来搭建分布式服务发现架构的思路。本文重点研究使用机器学习来提高服务查找和服务缓存管理效率的方法,是对新领域的探索,具有较为重要的学术意义。此外,本文实现的分布式服务发现架构验证系统不仅为学术研究提供了验证平台,还具有较高的实用价值和商用价值。