SDN中基于KMOBPSO的高可靠性控制器部署算法

针对SDN中控制器系统的单节点故障问题,兼顾系统成本和系统时延,应用N+1冗余备份模型来提高SDN控制器部署的可靠性,并将其抽象为多目标优化问题.同时,提出了一种融合K-means聚类算法和遗传算子的多目标二进制粒子群算法——KMOBPSO算法,以求解SDN控制器高可靠性部署问题的解.仿真结果表明,所提算法具有求解精度高、分布均匀、沿Pareto前沿面覆盖广的特点,能够显著提高SDN中控制器部署的可靠性.     

基于容量的相对最小影响资源分配算法

在对现有的波长资源分配算法进行了研究和分析的基础上,提出了一种基于容量的相对最小影响波长资源分配算法.该算法通过定义基于容量的影响因子,分析受当前波长分配影响之后各路径在各波长上的可用信道数,更为精确地描述了当前分配波长对于受影响路径的路径容量产生的影响.仿真结果表明,新的算法降低了网络阻塞率,提高了网络资源利用率.     

区分业务的混合网络资源优化方法

为了实现混合网络资源的最大利用,以IP/GMPLS over WDM网络为例,提出了一种区分业务的混合网络资源优化方法.该方法通过不给多跳低等级业务提供光路级保护,以及当承载LSP业务的工作光路故障无关的情况下保护光路共享波长资源的方式,有效降低了光路的建立数以及所需的波长数,在最大程度上提高了网络资源的利用率,降低了网络的整体开销.最后建立了整数线性规划模型,并通过该模型验证了方法的有效性.     

基于链路故障的MANET本地修复技术

针对已有移动自组网本地修复技术的不足,以AODV路由协议的本地修复技术为基础,考虑网络节点状态的变化,提出一种基于链路故障的本地修复技术,对链路故障进行分类,对不同类型的故障采取不同的修复方法。仿真结果表明,改进的本地修复技术可以有效减少路由建立时间并控制分组开销,提高了网络性能。     

多域光网络控制平面互通技术的解决方案

为了提供跨越多域的动态的端到端的业务,对多域光网络控制平面的互通技术进行了研究。根据国际标准化组织的研究,分析了多域光网络控制平面互通技术的研究现状,并介绍了多域光网络的控制平面的分类方法及控制平面互通的需求分析。最后结合控制平面互通的需求分析,给出了几种互通技术的解决方案。分析结果表明,这些方案可以实现不同网络域的控制平面的互通操作。     

一种基于故障的ATM over SDH网的生存性机制

本文在充分分析了ATM over SDH网在生存性方面所面临的各种问题的基础上，结合ATM over SDH网特有的网络结构，在这种多层网的恢复方案中，针对网状网结构提出了一种基于故障的生成性机制，即在不同的故障情况下采取不同的恢复／保护措施，从而满足网络对生存性的要求。     

基于多业务QoS服务的拓扑控制算法研究

随着无线网络技术的不断发展,无线Ad hoc网络中,快速变化的网络拓扑影响着网络的性能。因此,在实现网络能量优化的前提下,如何提供有效的QoS服务来满足多业务要求是无线Ad hoc网络所必须面对的问题。针对此问题,提出了一种基于多业务需求的拓扑控制的方法,该方法考虑业务QoS指标的同时引入跨层的设计思想,实现了跨层的功率控制,减少了网络中节点的能量消耗,延长了网络的生命周期。     

基于预处理共轭梯度法的低复杂度信号检测算法

大规模多输入多输出系统中,最小均方误差信号检测算法是近似最优的,但由于其涉及矩阵求逆,计算复杂度随着天线数量增加呈指数增长.提出了低复杂度的预处理共轭梯度信号检测算法,该算法通过预处理技术降低矩阵条件数,从而加快共轭梯度信号检测算法的收敛速度.仿真结果显示,该算法在小数量的迭代中能够达到和最小均方误差检测算法相似的误码率,算法复杂度下降了一个数量级.相比直接用共轭梯度法,能够更快收敛到最佳值.     

基于移动预测的MESH网络稳定性算法研究

随着无线MESH网络技术的不断发展,客户端型MESH网络中,节点移动产生的网络拓扑变化问题影响着路由选择.因此,在考虑网络节点移动的前提下,如何选择稳定性路由是必须面对的问题.针对此问题,提出了一种基于移动预测的稳定性路由选择方法.该方法预测链路生存时间的同时,研究分析了平均传递时延和加权稳定度对网络稳定性的影响.所提方法明显优于传统路由选择的效果,能够提高路径稳定度,延长路径生存时间,实现稳定的路由选择.     

基于k-近邻域中心偏移的鲁棒性异常检测算法

针对大多数基于距离和密度的异常检测算法敏感于近邻参数k的问题,提出了一种鲁棒性异常检测标准——k-近邻域中心偏移异常因子(COOF).数据结点的k-近邻域中心位置会随着近邻参数k的变化而发生迁移,鉴于异常结点要比正常结点对k-近邻域中心位置偏移量的影响更大,通过累加因递增k而产生的偏移量来表征数据结点的异常程度,并在COOF基础上实现了鲁棒性的异常检测算法.通过综合数据和真实数据的实验仿真可知,COOF不仅对近邻参数k具有鲁棒性,而且相比基于距离的k最近邻算法、基于局部距离的异常因子和基于密度的局部异常因子具有更稳定且更准确的异常检测性能.