一种改进的主动队列管理算法

主动队列管理是实现网络拥塞控制的重要技术,但是多数主动队列管理算法如随机早期检(RED)都存在对参数依赖性强的问题。针对RED算法中平均队列长度不能完全反映网络拥塞状况的问题,该文结合平均队列长度和网络的负载,提出一种改进的RED算法。该算法能根据网络负载的变化,自适应地调整丢包的概率,使它更符合网络的实际状况。通过仿真进行了性能分析,证明了算法的有效性。     

一种基于TTL的主动队列管理算法

文章提出了一种新颖的主动队列管理算法TRED——基于TTL(TimetoLive)的ECN及BECN的综合。ECN和BECN在指示拥塞的过程中各有优缺点,二者的综合可望提高拥塞指示的效率。TTL是在网络上传输的分组必需的属性,且每一次转发都要经过检测,以决定该分组的处理方式——转发或丢弃。通过对TTL的判断来决定网络拥塞指示的方式——ECN或BECN。该机制可利用ECN及BECN的优势,同时不会对反向链路造成很大的压力。仿真结果显示算法在队列长度以及吞吐量方面都取得了不错的效果。     

一种基于gCHOKe公平性的主动队列管理算法

文中主要研究了主动队列管理（ AQM）的公平性算法。利用gCHOKe的多次击中能近似识别并惩罚非响应流,提高gCHOKe击中的有效性以及惩罚非响应流的力度,是提高算法公平性的关键因素。在gCHOKe算法的基础上提出了一种基于预处理的pgCHOKe（preprocess based-gCHOKe）公平性算法,通过对数据流进行预处理筛选后再进行gCHOKe击中,提高了击中的有效性。仿真实验表明pgCHOKe相比RED、gCHOKe和BLUE,可以获得更低的UDP吞吐量,是有效的、公平的。     

一种适于Internet拥塞控制的自校正队列管理算法

1.引言近年来,随着计算机和网络技术的迅猛发展以及多媒体应用的急剧增加,人们对Internet的服务质量提出了更高的要求。虽然目前TCP所采用的基于窗口的端到端拥塞控制机制对Internet的鲁棒性起到了关键性的作用。但传统的去尾(drop-tail)先进先出(FIFO)的队列管理方式,不可避免地会导致过高的传输延迟和延迟抖动。为适应越来越多的实体媒体传输的要求,人们开始研究更为有效的队列管理算法,从而使网络在采用TCP拥塞控制算法的基础上,实现效率最高并尽可能减小路由器中的平均队列长度,即主动队列管理技     

一种新的主动队列管理算法

提出一种新的主动队列管理（AQM）算法。本算法以V. Misra的TCP流量随机微分方程模型为基础,在计入窗口限制的约束条件下,由局部线性化方法导出本文主动队列管理模型的传递函数,并以其作为受控对象,利用比例积分微分（PID）调节器控制该传递函数输出与理想队列长度之差。仿真分析表明,本算法性能优于RED和ARED算法。     

一种精确度加强的主动队列管理算法PEBLUE

主动队列管理是IP拥塞控制的一种重要机制，BLUE算法作为一种典型的主动队列管理算法，使用丢包和连接空闲；件来控制拥塞，但是其性能还不稳定．本文对BI。UE算法进行了改进，提出了一种精确度加强的主动队列管理算法—PE-BLUE（Precision Enhanced BLUE），它能自适应地调整其参数．仿真表明PEBLUE能够进一步提高对队列的控制精确度，改善BLUE算法的性能．     

一种基于组合型模糊控制的主动队列管理算法

计算机网络具有的复杂性和动态特性使传统控制理论难以进行主动队列管理（Active Queue Management, AQM）算法的设计和分析．本文在模糊集合和模糊系统理论的基础上设计了一个主动队列管理算法CF（Combination Fuzzy control）．其中模糊控制器I根据瞬时队列的长度和变化值计算控制量;模糊控制器II根据系统负载因子计算控制增益．通过选择模糊控制器参数,模糊控制系统与使用PI（Proportional Integral）控制器的系统具有相同的局部稳定性．最后通过仿真对CF、PI和单模糊控制器的性能进行了比较．     

一种改进的主动队列管理算法

从是否维护数据流状态信息的角度出发,提出一种改进的主动队列管理算法——SF-AQM。SF-AQM算法只维护发送速率大的数据流状态信息以降低路由器的开销,通过比较不同数据流的包到达时间间隔衡量流到达速率,识别出非适应性数据流,提高算法公平性,并使队列长度控制在目标值附近,保证算法稳定性。仿真结果表明,SF-AQM算法具有较好的公平性和稳定性,且对抑制网络拥塞有明显效果。     

一种基于自相似流量速率估计的主动队列管理算法

通过分析当前较常用的流量速率估计算法指数加权滑动平均算法的优缺点,结合自相似流量的特点,提出一种新的速率估计算法PLMA.基于PLMA算法,设计了一种鲁棒性较强的主动队列管理机制,以估计速率作为标记概率的决定因子之一,增强了主动队列管理机制对网络拥塞状况的反应灵敏度.该机制能够快速响应流量变化,同时保持队列稳定性.仿真结果表明该算法优于RED及尾丢弃算法.     

一种改进的RED主动队列管理算法

主动队列管理(ActiveQueueManagement,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,文中在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。     

基于快速分数阶傅氏变换的DDoS攻击检测

针对传统检测方法存在精度低、训练复杂度高、适应性差的问题,提出了基于快速分数阶Fourier变换估计Hurst指数的DDoS攻击检测方法。利用DDoS攻击对网络流量自相似性的影响,通过监测Hurst指数变化阈值判断是否存在DDoS攻击。在DARPA2000数据集和不同强度TFN2K攻击流量数据集上进行了DDoS攻击检测实验,实验结果表明,基于FFrFT的DDoS攻击检测方法有效,相比于常用的小波方法,该方法计算复杂度低,实现简单,Hurst指数估计精度更高,能够检测强度较弱的DDoS攻击,可有效降低漏报、误报率。     

基于Hurst参数评估的网络异常检测方法的研究

真实的网络流量普遍存在统计上的自相似性,因此传统的基于泊松过程和马尔科夫模型等已不能反映实际测量的流量.针对传统检测方法存在的问题,将基于Hurst参数评估应用到DoS攻击检测中,由H参数变化来检测DoS攻击.通过分析DARPA 1998入侵检测数据表明,基于该法的Hurst参数评估能够检测到DoS攻击,此法比传统的基于特征匹配的网络流量异常检测法在检测精度上有较大提高.     

基于FBM模型的多媒体通信流特性分析

提出分形布朗运动(FBM)模型,将其应用于多媒体通信流特性分析。通过NS仿真实验得到有线网络和动态无线网络下的多媒体通信流,研究2种通信流的自相关系数、概率特性和突发性,结果证明典型的FBM模型无法全面刻画多媒体通信流。     

基于小波技术的网络流量分析与刻画

大量研究结果表明实际网络流量具有明显的尺度特性,在大尺度上表现出自相似,在小尺度上表现出多重分形。多重分形为刻画流量在小尺度上的奇异性提供了良好的数学框架,而小波变换对具有长程依赖性的流量起到了去相关的作用,因此有必要利用小波技术来研究多重分形。为了能全面有效地刻画现代网络特征,利用小波技术对实际流量进行分析,首先判断流量的全局特性与局部特性,然后对流量进行不同分组,分别采取组内打乱和组间打乱顺序的方法,深入探讨影响多重分形的因素,最后发现均值和方差对多重分形有较大影响。     

基于mallat算法的自相似网络流量随机建模

传统的网络流量自相似模型均从分形函数入手，计算复杂。文中应用小波变换对流量序列样本进行mallat多分辨分析，并重构各层数据，再随机拆分组合所得重构序列来进行仿真。所生成的仿真流量符合聚合方差估计，具有较好的自相似性。     

一种IPv6环境下DDoS实时检测方法

DDoS攻击是当今网络包括下一代网络IPv6中最严重的威胁之一,提出一种基于流量自相似的IPv6的实时检测方法。分别采用改进的WinPcap实现流数据的实时捕获和监测,和将Whittle ML方法首次应用于DDoS攻击检测。针对Hurst估值方法的选择和引入DDoS攻击流的网络进行对比仿真实验,结果表明:Hurst估值相对误差,Whittle ML方法比小波变换减少0.07%;检测到攻击的误差只有0.042%,准确性达99.6%;增强了DDoS攻击检测的成功率和敏感度。     

遗传算法中的自相似现象

遗传算法(GA)的执行过程可看作复杂自适应系统的演化过程,以GA运行过程中输出的适应值序列为研究对象,通过功率谱和重标定域两种方法发现GA的输出序列存在自相似行为,研究表明,算法执行过程中最优解的输出与Hurst指数的变动密切相关,算法在全局搜索阶段呈现明显的自相似性,而在到达最优值附近则呈现明显的白噪声特征,这一发现为深刻理解GA运行机理和优化GA设计带来了新的思路。     

基于Hurst指数方差分析的DDoS攻击检测方法

研究分布式拒绝服务(DDoS)攻击对网络自相似性的影响,提出一种通过计算Hurst指数方差检测DDoS攻击的方法,通过使用MIT的林肯实验室数据进行试验,得出DDoS攻击的判决条件。实验表明,该方法能检测DDoS攻击引起的Hurst指数方差的变化,其检测率比传统的特征匹配方法高出8%,误报率比自相似性检测方法低了3%。     

基于提升框架的赫斯特指数自适应估计方法

对局域网和广域网上大量突发网络流量的分析结果表明,网络流量普遍存在着自相似性和长相关性,其中赫斯特指数是表征网络流量突发性的重要参数。以小波提升框架为基础,结合相关系数分析法,给出了自适应的赫斯特指数估计方法,与传统的小波估计法相比,该法执行原位计算,使计算复杂性减少了约一半,同时该方法在一般意义上是无偏的。分形高斯噪声和真实突发网络数据的仿真结果均表明,自适应方法比传统估计方法具有更高的估计精度,能够自适应地选择最优尺度区间,因此可望应用于高速网络的网络管理和实时控制。