RED队列稳态误差分析

主动队列管理在保证较高吞吐量的同时，通过在交换节点上主动丢弃数据包来控制队列长度，从而实现对端到端的延时和抖动的控制．RED算法是目前应用最为广泛的主动队列管理(AQM)算法．RED算法以平均队列长度作为衡量网络拥塞的指标，其参数设置对算法性能有较大影响．利用现代控制工程理论，将RED算法看做一种单位反馈控制系统，并将期望队列长度作为系统输入，将瞬时队列长度作为输出，对该系统的稳态误差进行了分析．实验结果表明在稳定状态下，RED队列的波动受分组丢弃概率函数的斜率影响．在稳定条件边界附近，系统的稳态误差急剧增加．     

基于数字化图书馆综合业务流的网络控制方法

针对数字图书馆网络的服务质量控制问题,提出了RED阈值动态调整的自适应机制,缓解了RED的参数的敏感性,增强了RED自适应性、鲁棒性,实现了一种基于RED的AQM新策略――Adaptive Threshold RED（ATRED）。为了更好的分析ATRED的控制性能,在不同的网络环境下ATRED与RED和GENTLE RED的控制性能进行了比较,使用NS-2进行仿真,仿真结果表明,自适应性增强的ATRED算法对队列的控制更为有效,队列的振荡相对较小,能为用户提供更为稳定可靠的服务质量。     

一种链路负载自适应的主动队列管理算法

随机早检测(random early detection,简称RED)是IETF推荐部署的主动队列管理(active queue management,简称AQM)算法.RED存在参数难以配置、无法得到与流量无关的平均队长等问题.ARED(adaptive RED)是RED的自适应版本,它根据平均队长动态调节最大标记概率参数,从而得到稳定的平均队长.但ARED没有克服瞬时队列长度振荡问题,且在动态流量环境下性能明显降低.分析了ARED性能问题的原因,并提出了一种链路负载自适应的主动队列管理算法LARED(load adaptiveRED).LARED具有两个特点:自适应链路负载、快速响应队长变化.分析和仿真实验表明,与ARED等其他AQM算法相比,LARED在保持高链路利用率和低时延的同时可以得到稳定的瞬时队长,并且具有良好的响应性和鲁棒性.     

一种改进的RED主动队列管理算法

主动队列管理（Active Queue Management, AQM）算法是网络拥塞控制中非常重要的研究领域之一。为了使RED算法丢包概率的计算更加平滑,本文在RED-r的基础上对其丢包概率的计算进行了改进,提出了一个名为IMRED-r的新算法,采用分段二次圆函数计算丢包概率,实现了动态网络环境中队列长度的稳定,并且减少了参数的设置。基于NS2的仿真结果表明,IMRED-r算法在复杂的网络环境里具有更好的鲁棒性和稳定性,比RED、RED-r主动队列管理算法优越。     

基于主动队列管理的集群计算负载平衡系统

在分析了分组到达率和服务率的关系及主动队列管理AQM（Active Queue Management）的Balanced RED算法的基础上,提出了一个计算连接权重的动态分配算法“基于AQM加权时序动态法”（Weighted Opportunity Dynamic Algorithm based on AQM）,它具有对终端用户透明、能自动找出最佳服务器来处理请求的特点,从而实现集群计算服务器的负载平衡。另外据此算法设计并实现了一个支持服务器集群的动态负载平衡原型系统,实验结果表明该算法在负载平衡的效能上有明显的提高。     

随机早期检测算法的改进算法——基于输入补偿的比例微分控制算法

IP层实现的主动队列管理（AQM）方案已经成为目前拥塞控制算法研究中的热点。文中使用拥塞控制理论对AQM的唯一候选算法，即随机早期检测（RED）算法进行了分析，并对RED存在的缺陷作出了改进，提出了RED改进算法——基于输入补偿的比例微分（IC—PD）控制算法。仿真结果验证了改进算法的有效性和改进效果。     

基于模糊推理的鲁棒主动队列管理算法

基于常规控制理论的主动队列管理(AQM)算法在复杂动态网络环境下对参数变化比较敏感,难以保证队列稳定性且缺乏鲁棒性。针对上述问题提出基于队列长度和链路速率相对变化率的模糊AQM算法,以队列长度与期望队列长度以及链路速率与链路容量的相对误差量作为网络拥塞指示,采用模糊推理得出中间节点的丢包概率。仿真实验表明,该算法具有良好的队列稳定性和较小的队列延时,对网络的非线性和负载波动等不确定因素具有鲁棒性。     

基于Dahlin算法的主动队列管理控制机制研究

主动队列管理 (AQM)是网络中间节点通过一定的分组丢弃策略来达到较低排队时延和较高吞吐量的一种机制。已有多种AQM算法被提出，但绝大多数没有考虑较大的RTT(往返时间)对算法性能的影响。该文针对大RTT的网络环境，实现了一种基于控制理论中Dahlin算法的AQM机制并分析了系统的稳定性和参数选择的准则。仿真实验结果表明，该算法在RTT较大的情况下稳定性、响应速度和鲁棒性都优于随机早期检测(RED)算法和比例－积分(PI)算法。     

基于神经元自适应变结构控制的主动队列管理算法

针对网络TCP模型的非线性以及回路延时和负载波动等不确定性因素,提出一种基于神经元自适应变结构控制(VSC)的主动队列管理(AQM)算法。通过非线性变结构控制以保证路由器队列响应的快速性和鲁棒性;同时考虑到滑模控制中存在的抖振会引起队列波动和控制精度降低等问题,引入神经元在线调整控制器参数以减弱抖振,从而减小队列延时和模型不确定性的影响,提高AQM系统的鲁棒性和性能。最后通过NS-2仿真实验验证了算法的有效性。     

模糊自适应算法在网络主动队列管理中的研究

为了改善由于RED算法控制的主动队列管理策略(AQM)系统引起网络响应时间过长,许多文献提出了基于P/PI控制器的AQM策略。但是,由于网络具有非线性特点,论文设计了一种模糊自适应PID控制器的主动队列管理系统,根据队列长度和队列长度变化通过模糊控制规则在线调整PID控制器参数,并用Matlab进行了仿真,验证了当网络出现突发分组时,该算法能够较快的使分组稳定在队列阀值附近,同时不产生队列震荡。     

参数自适应的随机早期检测算法

主动队列管理(AQM)算法是最近网络拥塞控制研究的重点,随机早期检测(RED)算法作为 AQM 算法的代表受到广泛的关注.分析了随机早期检测算法的原理和局限性,针对 RED 算法参数配置困难的问题,提出了一种参数自适应的随机早期检测算法.该算法能够根据网络负荷的变化动态的调节 RED 算法的参数,从而能够在突发业务下对拥塞做出及时有效的反应.通过仿真表明该算法能够有效地降低丢包率,降低数据包排队延时,提高了 RED 算法的网络适应性.     

自适应的PIP主动队列管理机制

近年来AQM的研究者提出了多种主动队列管理机制,包括RED,PI,REM,AVQ,PD,SMVS,PIP等,它们之间的主要区别在于丢弃概率的计算方法不同,其中基于反馈校正的PIP是综合性能更为突出的一种算法,但是遗憾的是其参数不能实现自动配置 .结合单神经元自适应PID控制器,为PIP算法建立了自适应的模型,提出一种参数自适应的PIP算法 .通过NS2仿真实验,验证了该算法能提高链路利用率和降低报文丢失率,有效缓解了根据特定网络条件配置算法参数的问题 .结合PI,REM,AVQ,PD等AQM算法,讨论了该自适应模型在其他AQM机制中的推广 .     

基于区分服务的主动队列管理算法研究

分析了几种主动队列管理算法。RIO算法是用于支持区分服务确保转发逐跳行为的主动队列管理算法,它是对RED算法的简单扩充,但是该算法的性能对配置参数敏感。PI算法是基于控制论的主动队列管理算法,具有队列长度抖动小的特点。PIP算法是PI算法的改进,比PI算法具有更快的收敛速度。为了更好地满足AF PHB的要求,基于PIP算法,结合三色标记器的功能,提出一个新的主动队列管理算法PIPGYR（PIP with Green ＆ Yellow ＆ Red）。通过仿真验证,该算法队列长度抖动小,同时能够保护高优先级分组。     

适用于异质网络的RED算法的改进与分析

设计、分析和评价主动队列管理(AQM)算法成为近来网络拥塞问题研究的一个热点.随机提前探测(RED)算法作为AQM算法的典型代表,得到了较为广泛的应用.为了提高它的稳定性和公平性相继又开发出了ARED(adaptive RED),GRED(gentle RED),FRED(flow RED)和wRED(weighted RED)等多种改进算法.在分析了RED算法及3种变种算法的基础上,比较了它们的优缺点,给出了适用于不同性质网络连接点处的WRED改进算法,用仿真试验证明了WRED改进算法在处理异质网络拥塞问题方面具有优势.     

PIPIO：一个新的面向区分服务确保转发的主动队列管理算法

RIO是用于支持区分服务确保转发逐跳行为的主动队列管理算法，该算法是对RED算法的简单扩充。由于RED算法的性能对配置参数敏感，因此基于RED算法的RIO算法必然具有配置参数敏感的特点。PI算法是基于控制论的主动队列管理算法，具有队列长度抖动小的特点。PIP算法是PI算法的改进，比PI具有更快的收敛速度。本文基于PIP算法设计了一个新的主动队列管理算法PIPIO。该算法队列长度抖动小，同时能保护高优先级报文。     

基于拥塞控制的AQM算法研究

在对网络拥塞控制进行分析的基础上,介绍了AQM(Active Queue Management)算法的特点及网络流量特征对AQM算法的影响。根据AQM算法的发展概况,将AQM算法中的DropTail算法、RED(Random Early Detection)算法、Adaptive RED算法、PI算法、REM(Random Early Marking)算法和AVQ(Adaptive Virtual Queue)算法进行了比较评价。并对AQM算法的反馈方式及AQM算法的控制理论进行了较为详细的分析与探讨。     

Active queue management via event-driven feedback control

Active queue management (AQM) is investigated to avoid incipient congestion in gateways to complement congestion control run by the transport layer protocol such as the TCP. Most existing work on AQM can be categorized as (1) ad-hoc event-driven control and (2) time-driven feedback control approaches based on control theory. Ad hoc event-driven approaches for congestion control, such as RED (random early detection), lack a mathematical model. Thus, it is hard to analyze their dynamics and tune the parameters. Time-driven control theoretic approaches based on solid mathematical models have drawbacks too. As they sample the queue length and run AQM algorithm at every fixed time interval, they may not be adaptive enough to an abrupt load surge. Further, they can be executed unnecessarily often under light loads due to the time-driven nature. To seamlessly integrate the advantages of both event-driven and control-theoretic time-driven approaches, we present an event-driven feedback control approach based on formal control theory. As our approach is based on a mathematical model, its performance is more analyzable and predictable than ad hoc event-driven approaches are. Also, it is more reactive to dynamic load changes due to its event-driven nature. Our simulation results show that our event-driven controller effectively maintains the queue length around the specified set-point. It achieves shorter E2E (end-to-end) delays and smaller E2E delay fluctuations than several existing AQM approaches, which are ad hoc event-driven and based on time-driven control theory, while achieving almost the same E2E delays and E2E delay fluctuations as the two other advanced control theoretic AQM approaches. Further, our AQM algorithm is invoked much less frequently than the tested baselines.     

主动队列管理的约束H_∞状态反馈控制方法

考虑Internet网络的时滞、物理量变化复杂、物理约束等因素,将主动队列管理问题(AQM)描述为约束系统的干扰抑制问题,运用约束H1控制理论设计AQM鲁棒控制器.首先将时变且不可准确测量的可用链路容量建模为已知名义常值加上未知时变干扰;同时考虑网络中存在的物理约束,利用双椭圆域方法将时域硬约束转化为一组LMI约束;最后通过求解LMI约束的优化问题得到状态反馈增益,解决网络拥塞控制系统的干扰抑制问题.同时与随机早期检测(RED)和PI算法的仿真结果比较显示,约束H1状态反馈控制器降低了链路容量的不确定性对系统动态特性的影响,提高了AQM算法的鲁棒性.     

自适应PI主动队列管理算法

主动队列管理是一个非常活跃的研究领域,相对于丢尾算法,AQM(active queue management)能够提供更短的平均队列延迟和更高的带宽利用率.虽然PI(proporrional integral)主动队列管理算法的性能优于RED(random early detection)算法,但是PI算法的收敛速度比较慢.以PI算法为基础提出了一种自适应PI算法API(adaptive proportional integral).API通过实时测量链路的报文丢失率,获得当前的负载信息,然后动态设置PI算法中的有关参数.通过ns-2模拟表明,相对于PI及其改进算法PIP(proportional integral based series compensation and position feedback compensation),API具有更快的收敛速度和更小的队列抖动.