基于模糊理论的主动队列管理算法——FBLUE

针对BLUE算法的队列长度增减迅猛、吞吐量波动大的缺陷,文中提出了一种改进算法——FBLUE。该算法在原有BLUE算法的基础上增加了门限机制,根据模糊理论使用平均队列长度来动态地调整丢包概率的变化步长。ns2仿真实验结果表明,FBLUE算法保持了BLUE算法丢包率低的优点,并在队列长度、带宽利用率上明显优于BLUE算法。     

基于动态阈值的拥塞控制算法研究

针对主动队列管理算法BLUE缺乏早期拥塞检测机制及其在参数设置方面存在不足, 提出了一种基于动态阈值的拥塞控制算法。算法从系统资源分配角度出发, 对缓冲资源进行合理有效分配, 根据缓冲空间的利用情况预测网络拥塞并动态调整控制阈值, 及时准确地调整丢包率。NS仿真实验表明, 该算法能有效减少BLUE算法存在的队列溢出或空闲, 能有效保持队列长度稳定, 提高链路利用率。     

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．     

一种基于速率的BLUE改进方法

连接数量的显著变化会使得BLUE队列管理机制的参数失效并导致队列在丢包和空队列之间波动。分析和实验表明BLUE对于动态网络环境的适应性仍然存在不足之处。为了解决这一问题，通过引进自适应思想提出了一种改进方法。其主要思想就是依据数据包的到达速率自适应地调整其标记概率。大量仿真实验表明所提出的方法能够明显增强BLUE在动态网络环境下的鲁棒性。和BLUE相比，它在提高链路利用率的同时可以降低丢包率。     

一种精确度加强的主动队列管理算法BLUE+

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事件来控制拥塞,但是其性能还不稳定。对BLUE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BLUE+,并将其应用于区分服务(DiffServ)模型。仿真表明BLUE+能够进一步提高对队列的控制精确度,改善BLUE算法的性能,并且能有效地支持区分服务。     

主动管理队列算法的研究

主动式队列管理技术作为端到端拥塞控制的增强机制,通过在网络中间节点有目的地丢弃分组来维持较小的队列长度和较高的链路利用率。通过对RED,ARED,BLUE和RLGD几种主动式队列管理算法的比较和分析,寻找出已有的主动式队列管理算法的不足,进而在人工智能理论的基础上,提出了一种新型的基于BP神经网络的主动式队列管理算法;给出了基于BP神经网络的主动式队列管理算法的设计思想和设计步骤,并对基于BP神经网络的主动式队列管理算法的收敛性进行了证明。     

非线性自适应拥塞控制算法研究

研究丢弃概率的变化率与队列长度稳定性间的关系,分析ARED算法及REM算法的丢弃概率计算函数,采用非线性化函数计算丢弃概率,提出一种非线性自适应拥塞控制算法(NLACCA),根据队列长度与目标队列长度中值的偏离程度动态地调整丢弃概率的变化率,从而减小队列长度波动,提高算法稳定性。在NS-2上进行的大量实验结果表明,该算法具有队列长度抖动性小、平均时延低、丢包数少等特点。     

一种支持优先级标记处理的主动队列管理机制

随着Internet流量的日益增加,依赖平均队列长度管理拥塞控制的RED(random early detection)队列管理算法有其内在的缺点,即使结合IETF(Internet engineering task force)明确的拥塞通知ECN(explicit congestion notification)也不能有效地阻止包丢失.在分析比较RED算法和BLUE算法的基础上,提出了一种加强的主动队列管理机制--EBLUE(enhanced BLUE),然后结合EBLUE研究了TCP的拥塞控制机制,     

一种基于负载和队列的模糊主动队列管理算法

针对目前已有的模糊主动队列管理算法(AQM)大多只考虑队列长度及其变化率作为模糊输入,很少同时考虑包到达速率的影响,结合队列长度和包到达速率,提出一种更为有效的模糊主动队列管理算法(FQL-AQM)。FQL-AQM以瞬时队列长度和网络平均负载因子作为模糊输入来调整包丢弃概率,并采用参数自校正技术,将队列长度维持在期望的队列水平上、包到达速率维持在队列服务速率附近,使算法对网络状态的变化具有很好的适应能力,从而提高网络的鲁棒性。仿真结果表明,FQL-AQM算法具有比FQ-AQM算法更快的响应速度、更高的链路利用率和更好的队列稳定性,从而减少了分组延时抖动和分组丢弃率。     

基于NS2的Blue算法的分析与改进

本文主要介绍了如何在网络仿真工具NS2中扩展队列算法以及如何利用NS2中自带的工具进行数据分析,并利用NS2对主动队列算法BLUE进行了分析并将它与RED算法进行了比较,指出其不足之处并提出了改进方案。     

一种新的被动队列管理算法

针对因网络拥塞而产生的丢包问题,基于弃头方式提出了一种新的被动队列管理算法(Drop Front n based on Wavelet and Shuffled frog leaping,DFWS)。该算法首先利用小波变换对实际流量的长相关特性进行刻画,并利用混合蛙跳方法获取网络队长,同时结合弃头方式提出丢包策略和丢包概率。最后,以实际数据进行仿真实验,深入研究了网络队长、丢包数量和服务率之间的关系。结果发现,与其他算法相比,DFWS具有较好的适应性。     

基于ARED的主动队列管理改进算法

随机早期检测（Random Early Detection,RED）是IETF推荐部署的主动队列管理（Active Queue Management,AQM）算法。 RED存在参数难以配置、无法适应动态网络环境的缺点。 ARED（ Adaptive RED）是RED的自适应版本,通过平均队列长度来动态调整最大丢弃概率,从而达到稳定平均队列长度的目的,但是存在瞬时队列长度振荡的问题。文中研究了拥塞控制中的主动队列管理,对ARED算法进行了改进,优化丢弃概率计算函数,提出TTS-ARED算法,实现在动态网络环境下队列长度的稳定以及丢包率降低。 NS2的仿真结果表明,TTS-ARED算法显著地降低了丢包率,队列长度稳定性比ARED算法更优越。     

一种自适应主动队列管理算法ABlue

Blue是一种典型的主动管理算法,但其队列和延时波动较大,尤其在连接数较大或连接数突然发生变化时容易造成队列溢出或空闲。为此,提出一种自适应主动队列管理算法——ABlue,利用平均队列长度预测拥塞,根据网络流量的变化动态计算标记概率,从而保持队列稳定、减小延时抖动并降低丢包率。仿真实验结果表明,相比Blue算法,ABlue算法具有较低的丢包率和较高的带宽利用率。     

主动队列管理中RQC控制器的设计

基于网络中输入输出速率和队列长度均可帮助决定更精确丢弃概率的思想,提出了根据输入输出速率和队列长度决定包的丢弃标注概率的AQM算法,即RQC算法．通过仿真将该算法与RED和PI算法进行比较,说明了RQC控制算法的优点．     

一种改进的自适应随机早期检测算法

为了进一步减小Adaptive RED算法中队列长度的波动性,在对丢弃概率的变化率与队列长度稳定性的关系进行研究后,对Adaptive RED算法的丢弃概率计算函数进行了非线性化,使得算法能够根据平均队列长度与目标队列长度区间中值的偏离程度动态地改变丢弃概率的变化率,减小了队列长度的波动,进而提高算法的稳定性。     

基于S排队的被动队列管理算法

为了解决网络拥塞问题,基于“弃头”方式建立了一种新的被动队列管理算法（DFSQ）。该算法首先利用S排队推导网络队长的数学表达式,并提出丢包概率和丢包策略。同时,通过仿真实验深入研究了影响网络队长的关键因素,并将DFSQ与随机早期检测算法(RED)、“弃尾”算法进行对比分析,结果表明DFSQ算法性能更优。