目前,关于在网计算的研究仍处于初级阶段,研究的焦点为如何利用可编程网络技术更好地支持各种在网计算应用,本文主要基于P4语言探索典型的在网计算应用,包括以下三个研究内容。当前人们对互联网服务快速响应内容请求提出了更高的要求,但服务器负载过大以及传输距离过远等因素使得内容请求响应时间难以满足人们的要求。使用内容缓存技术实现请求就近响应是减少内容请求响应时间的有效方法。内容分发网络(Content Delivery Network,CDN)通过在网络边缘部署缓存服务器实现内容缓存,没有真正实现内容的网内缓存。内容中心网络(Content Centric Network,CCN)使用路由器做高速网内缓存,但CCN是一个全新的网络架构,目前还没有成熟的硬件,因此距离部署落地还需要很长的时间。本文基于CCN网内缓存的思想,使用可编程交换机作为内容识别设备,通过可编程交换机与缓存服务器协同工作的方式实现网内缓存。为了选择合适的缓存节点放置位置,本文建立了基于最小跳数的MILP模型。仿真结果显示基于可编程交换机的内容缓存方法可以有效提高内容请求响应速度。对于数据量达到PB以及EB级别的机器学习任务,一般采用分布式训练的方法,即多个worker同时使用不同的数据集合进行训练,然后将训练出的参数发送到参数服务器进行聚合,更新模型参数后再返回给每个worker进行下一轮训练。在分布式机器训练场景下,参数服务器进行的计算任务很简单,但是worker和参数服务器间交互的数据量会非常大,网络性能成为分布式机器学习训练速度提升的瓶颈。本文在可编程交换机上对worker训练出的参数进行聚合,并使用重传机制解决参数数据包丢失的问题。仿真结果显示基于可编程交换机的机器学习参数聚合方法可以有效提高训练的速度。网络流量测量是指对网络中的流量信息进行统计,进而为路由规划、入侵检测以及故障分析等网络管理应用提供输入信息。Sketch是一种常用网络测量方法,它使用哈希函数将流ID哈希到数组内统计流出现频率。Sketch的实现需要能够快速地处理大量网络数据流,然而目前的软件实现方法运算过慢,无法满足线速处理网络数据流的要求。硬件实现方法必须使用价值高昂的专用硬件设备,并且灵活性较差。本文使用可编程交换机实现了Sketch,此实现方案足够灵活且可以实现流的线速测量。