TCP拥塞控制算法

针对广泛应用的TCP Reno慢启动算法与拥塞避免算法的问题,在研究分析TCP Reno拥塞控制算法的基础上,提出一种新的拥塞控制算法——在慢启动阶段采用线性增长算法,而在拥塞避免阶段采用基于拥塞窗口的对数增长算法,从而一定程度上解决了TCPReno慢启动不公平问题与拥塞避免阶段拥塞窗口增长过于激进的问题。通过NS仿真实验说明了新算法的可行性,并对其吞吐量、公平性、友好性进行评估,仿真结果表明了该改进的TCP拥塞控制算法的有效性。     

改进的网络拥塞控制策略算法研究

研究网络拥塞优化控制问题.针对网络承载量的不断增加,使得网络传输效率降低.传统网络拥塞控制算法要求系统根据无线网络的容量实时编号,动态调整TCP拥塞窗口的大小,难于建立准确的数学模型,从而导致网络带宽利用率低,网络拥塞严重.为了降低网络拥塞的概率,提出了一种改进的无线TCP拥塞控制算法.算法主要是集中解决在TCP拥塞窗口的大小调整问题上,首先利用BP神经网络对参数进行训练,有效地解决了TCP拥塞窗口大小的调整,从而实现了拥塞避免、快速重传和快速恢复机制,改善网络性能.实验结果表明改进的算法提高了网络平均吞吐量,带宽利用率更高,有效避免了网络拥塞.     

基于遗传算法的模糊迭代学习控制算法

为了提高被控系统的控制精度及加快迭代域内的收敛速度,提出一种基于遗传算法的模糊PD型迭代学习控制算法。该算法通过模糊TSK模型设计迭代学习控制器,TSK模型中THEN部分的未知参数由遗传算法离线计算确定,进而产生合理的迭代学习律。针对被控系统,设计相应的迭代学习控制算法进行仿真分析,并与传统PD型迭代学习控制算法、模糊PID迭代学习控制算法相比较,进而将该算法用于双关节机械手进行仿真研究,仿真结果表明该算法的有效性。     

一种基于博弈的拥塞控制改进算法G-Vegas

随着互联网的发展,网络拥塞问题越来越严重,如何改进现有的拥塞控制算法成为一个重要课题。为了解决网络拥塞问题,目前已有很多拥塞控制算法,大体可分为端到端的拥塞控制和基于网络的拥塞控制,本文主要关注基于端到端的拥塞控制。在众多的TCP拥塞控制算法中,Vegas算法以其主动避免拥塞的思想,具有较好的效果。但是,Vegas与目前主流的Reno算法兼容性差,存在带宽被挤占的问题。本文分析了拥塞问题的多重原因,并从博弈的角度分析了Vegas的缺点,提出了一种改进的拥塞控制算法G-Vegas。通过在NS2平台仿真,验证了算法的有效性。     

改进的PID型迭代学习控制器设计

为了提高PID型控制器的性能,针对当前网络拥塞控制存在的不足:网络拥塞不能建立精确的数学模型,当前的控制方法也没有取得很好地控制效果,尝试将迭代学习控制应用于网络拥塞控制器的设计,即提出一种改进的PID型迭代学习控制的设计.仿真和实验结果表明,采用上述的PID型控制器,被控系统可以获得较佳的动态响应.     

基于禁忌遗传优化的网络拥塞控制算法

为解决网络拥塞问题,提出一种基于禁忌遗传优化的网络拥塞控制算法TSGA。该算法将禁忌搜索和遗传算法相结合,以网络资源消耗最小化和网络负载均衡分布为目标,建立多约束QoS路由优化数学模型。仿真实验结果证明,该算法可实现网络拥塞控制,有效提高网络性能。     

LEO卫星网络中一种改进的Vegas算法

针对SCPS-TP(Space Communications Protocol Standards Transport Protocol)协议的Vegas算法在LEO (Low Earth Orbit)卫星网络中吞吐量下降的问题,提出了一种自适应Vegas-AD(Adaptive)拥塞控制算法。该算法在分析Vegas的基础上,细化往返时延RTT的计算方法,使其能够更加精确地调整拥塞窗口;优化拥塞窗口的增长策略,提高了拥塞避免阶段的带宽竞争力;同时,提出基于网络拥塞程度的自适应窗口调整因子。仿真结果表明,Vegas-AD算法的带宽竞争力明显高于Vegas,并且该算法能较大幅度地提高网络吞吐量。     

无线Mesh网络中基于路由信息的拥塞控制策略研究

针对无线Mesh网络的网络特性,分析了无线Mesh网络的拥塞控制策略,对无线Mesh网络的拥塞程度进行分级,并提出了一种无线Mesh网络的拥塞控制算法——RICC算法.该算法主要通过移动节点不同的拥塞程度发送不同的拥塞通告消息,收到拥塞通告消息的移动节点动态地调整发送数据的速率以达到拥塞控制的目的,并通过仿真验证了该算法可提高无线Mesh网络性能.     

拥塞窗口自适应的TCP拥塞避免算法

针对TCP Reno拥塞避免阶段拥塞窗口增长不够平滑的缺陷,在研究分析TCP Reno拥塞控制算法的基础上,提出一种基于拥塞窗口自适应调整增长因子的拥塞避免新算法——在拥塞避免阶段采用压缩特性的对数增长因子函数。在网络情况良好阶段,该因子增长速率大,以充分利用网络资源;而在逼近网络拥塞阶段,该因子以较小的速率增长,以避免过激的拥塞丢包。数学分析说明了新算法的可行性,并通过NS仿真对其吞吐量、公平性、友好性进行评估。仿真结果表明该改进的TCP拥塞避免算法的有效性。     

基于Fuzzy丢包区分的TCP自适应拥塞控制算法

针对在有线/无线的异构网络中,传统有线环境下的传输控制协议(TCP)把所有丢包简单地归因于网络拥塞,严重影响了混合网络环境下的TCP传输性能的问题,提出了一种新的基于模糊理论的自适应控制算法。该算法选取了新的网络参数,运用Fuzzy方法对网络状态进行综合评价,并基于反馈理论的方法建立了新的自适应控制模型,即对评价结果集进行加权求和,得出网络性能指数,将其作为输入因子进入下一次计算过程,并调整各参数权重。仿真表明,该算法能够较好反映混合网络的真实拥塞状况,具有较好的网络适应性,比当前主要TCP算法具有更好的拥塞控制效果。该算法对在多参数,使用模糊方法背景下,混合网络拥塞及其自适应控制研究进行了新的探索。     

基于排队论模型的网络拥塞率研究

分析了目前拥塞控制存在的问题,以排队论模型为基础对网络拥塞率进行了研究,从一个路由器的角度出发研究网络拥塞问题,提出了基本模型,给出了求解瞬时拥塞率的算法,并得到了稳态拥塞率的解析表达式.通过数值结果指出,路由器缓存的适当增加可以降低拥塞率,但过渡增加反而会增加拥塞率;增加路由器的CPU处理速度可以降低拥塞率.     

基于跨层设计的认知无线Mesh网络拥塞反馈研究

在认知无线Mesh网络中,由于信道状态变化导致的链路负载差异,网络拥塞成为影响认知无线Mesh网络系统性能的重要因素。针对这一问题,提出了基于最大最小公平策略的拥塞反馈算法。该算法通过综合分析基于随机搜索-遗传算法的多速率编解码调制、多重数据流的信道分配机制,以及优化的路由选择三种机制的网络资源分配约束条件,来构建跨层模型,计算网络拥塞。同时,通过拥塞值反馈,实现对物理层、链路层和网络层的联合跨层优化,最大程度避免网络拥塞。仿真结果表明,该算法在网络发生拥塞时收敛更快,能够有效避免拥塞,均衡负载,并能提升网络吞吐量。     

用于Ad Hoc网络的自适应多速率多播拥塞控制策略

多播提高了链路的传输效率,但易于造成网络拥塞.因此,在网络中实施多播拥塞控制至关重要.然而,由于AdHoc网络的两个本质特点,为Internet设计的多播拥塞控制不适合AdHoc网络:(1)无线多跳连接引起了信息流之间在时间域和空间域的竞争;(2)节点频繁移动导致了网络状态不断变化.首先提出了链路干扰集的概念来描述信息流竞争的特点,将网络状态不变的小时间段内的多速率多播拥塞控制问题表达成一个非线性优化问题,联合运用罚函数法和次梯度法获得此问题的优化解,相应地提出了一种有效的分布式迭代算法.在此算法基础上,针对网络状态的时变性,设计了一种基于状态检测和滚动优化的自适应多速率多播拥塞控制策略——AC2M2.仿真结果表明,分布式算法能够快速收敛到最优解;AC2M2(adaptive congestion control strategy for multirate multicast sessions)策略对网络状态的变化具有较好的自适应能力,所获得的网络性能比TCP-Reno要优越得多.     

基于Additive2multipl icative 模糊 神经网的ATM 网络拥塞控制

考虑了模糊神经网络的学习功能，提出利用Additive-multiplicative模糊神经网络(AMFNN)对ATM网络进行拥塞控制的方案．在拥塞控制过程中，利用AMFNN模糊神经网络预测下一个将要到达流的特征，结合当前缓冲区的队列信息预测网络是否发生拥塞．一旦预测出将有拥塞发生，控制器则向源端反馈拥塞控制信息，信源根据拥塞信息适当降低传输速率，从而避免了拥塞的发生．仿真结果表明，该方法可改善网络对拥塞的实时处理能力，提高网络资源的利用率．     

各种网络拥塞控制机制的实现及比较

随着网络应用的迅猛发展,网络拥塞成为一个不可避免的问题,拥塞控制已经成为当前网络研究的重点。为了使网络得到充分的利用,研究者提出了多种拥塞控制机制,并且得到不断的改进。该文通过比较各种典型控制算法的优缺点,来对网络拥塞控制机制作个综合阐述。     

基于深度强化学习的无线自组网拥塞控制性能提升方法

针对现有传统拥塞控制算法难以适应高度动态变化的无线自组网链路环境的问题,提出了一种基于深度强化学习的拥塞控制性能提升方法Enhanced-CC（Enhanced Congestion Control）。通过利用传统拥塞控制算法对拥塞窗口进行初步探测,在此基础上,利用深度强化技术学习链路实时最佳拥塞窗口区间,在传统拥塞控制算法计算的拥塞窗口过大或过小时,对拥塞窗口进行调整,从而使发送速率能够与高度动态变化的链路带宽相匹配,提升传统拥塞控制算法的传输性能。实验结果表明Enhanced-CC能够大幅度提升BBR、CUBIC、Westwood、Reno等传统拥塞控制算法的性能,同时也优于PCC、PCC Vivace等完全基于学习的拥塞控制算法以及Orca、DeepCC等结合深度强化学习与传统拥塞控制算法方案的性能。     

A Class of Cross‐Layer Optimization Design for Congestion and Energy Efficiency with Compressed Sensing in Wireless Sensing Networks

In wireless sensor networks (WSNs), the congestion problem not only causes packet loss, but also leads to an increase in delays and energy consumption. The actual performance of wireless sensor networks (WSNs) can be severely influenced by the quality of the communication channel and the bit in transmission. In this paper, the distributed protocols, which attain global optimum control for signals by the compressed sensing technique and achieve fair channel allocation by the scheduling algorithm, are proposed for WSNs. We take into account the congestion problem by robust optimization with congestion ratio for two classic aspects in energy limited WSNs: minimum transmission rate and maximum transmitted information. To achieve the goal, three protocols are developed. In the first protocol, the desired control input is designed based on the compressed sensing technique. A minimal bit of signal is provided to reduce the transmission flow for the congestion model. The second protocol is resource allocation. The resources can be allocated increasingly to the channel in order to avoid more severe congestion. This can also avoid conservative reduction of resource allocation for eliminating congestion. Channel selection abides by the fair resource allocation principle. The above protocols separately are implemented through a congestion ratio at network layer, transport layer, and MAC layer. Simulation results demonstrate that the proposed algorithm effectively relieves congestion, and achieves higher throughput and lower energy consumption.     

基于差分服务的贪婪流问题解决算法

贪婪流问题是网络拥塞控制范畴的问题，泛指不遵从标准TCP拥塞控制机制的流。贪婪流给网络带来不公平性。提出了一种新的甄别算法，通过对目标流发送窗口随分组丢弃变化关系的分析，对不合规范的流进行检测。算法采用定长列表结构，具有实现简单、扩展性强的特点，提出了一种基于差分服务模式的体系结构，对传统Internet服务哲学进行了扩展，从根本上支持新型流式应用，实现了端到端的流量监管功能。     

基于队列长度和速率的拥塞控制神经网络方法

文中研究了网络拥塞控制问题。PID控制器是实现网络拥塞控制非常有效的方法,能够实现对网络的主动队列管理。文中根据队列长度和变化速率,利用神经网络实现传统的比例微分积分器（PID）功能,从而提出了基于队列长度和速率的拥塞控制神经网络方法（RSPID）。该方法利用神经网络的加权动量梯度学习算法,自动调节控制参数,克服了传统PID控制方法由于控制器参数固定带来的适应性和稳定性问题。仿真结果表明,RSPID算法的鲁棒性和队列长度性能要优于PID算法。