一种基于神经元强化学习的网络拥塞控制方法

提出了一种基于神经元强化学习(Neuron-based Reinforcement Learning,NRL)的自适应AQM算法,采用链路速率和队列长度作为拥塞指示,可根据网络环境的变化在线自动调整神经元参数,从而保持良好的队列长度稳定性和对网络负载波动的鲁棒性.该算法结构简单、易于实现,且不依赖对象的模型.仿真结果表明,该算法尤其适合于解决复杂不确定性网络的拥塞控制问题,并具有更好的队列稳定性和鲁棒性.     

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SVM整定PID控制参数的网络拥塞控制AQM算法

针对PID主动队列管理(AQM)中参数自整定、无法适应复杂的非线性网络环境等缺点,提出一种基于最小二乘支持向量机(LS-SVM)与PID控制相结合的智能AQM算法——LSPID算法。仿真实验表明,LSPID算法具有更好的收敛性,能将队列长度更加快速地收敛到期望值附件,在动态拓扑、链路容量变化、有突发流的网络环境中能很好地保持稳定性和鲁棒性,其控制效果比专家智能PID和神经网络PID主动队列管理算法都更优越。     

基于灰色预测可变裕度PID网络自适应算法

为了综合控制拥塞链路的队列长度,提高AQM系统对动态网络环境的自适应能力,提出了一种基于灰色预测和考虑可变裕度PID控制的自适应TCP网络主动队列管理。首先,建立相角和幅值裕度与网络参数相关的PID自适应主动队列(TCP/AQM)控制论模型,该模型可以根据网络参数的变化而动态改变控制参数,以提高AQM网络动态自适应能力,及系统的鲁棒性;其次,将灰色预测引入该模型,实现路由器队列长度的超前预测,补偿带有PID反馈模块的AQM算法给队列造成的时滞影响。与其他算法的仿真结果相比较,该设计算法能够使信息流在较短的时间内稳定在期望队列长度阈值附近。     

一种基于流量速率和队长的AQM算法

本文设计了一种基于准确预测链路拥塞状态从而进行拥塞控制的AQM算法.算法以控制队列稳定和加快响应速度为主要目标,是一种将流量速率和队列长度相结合的AQM算法.     

稳定裕度与网络特征参数无关的AQM算法

针对现有基于控制论的主动队列管理(AQM)算法的不足,设计一种稳定裕度与网络特征参数(往返时延、通过瓶颈链路的TCP连接数、瓶颈链路的容量)无关的基于PI控制器的AQM算法GPM-PI。该算法响应速度快、计算开销小,能用于大时滞网络环境,抗干扰能力强(对TCP短流和UDP流有良好的控制能力),鲁棒性好,能更好地适应Internet环境下的主动队列管理。     

不确定时滞TCP 网络中基于T-S 模型的滑模AQM算法

针对传输控制协议(TCP)网络中的拥塞控制问题,基于T-S模糊模型,提出一种滑模主动队列管理(AQM)算法.考虑到TCP网络中存在的不确定和时变时滞因素,对非线性TCP网络进行了T-S模糊模型的建模.利用LMI设计了一个渐近稳定的滑模面,并提出一种能更好抑制抖振现象的到达条件,基于该到达条件设计的控制器能有效地抑制路由器中队列长度的振荡.大量仿真结果表明,所提出的算法比普通滑模AQM算法具有更好的稳定性和鲁棒性.     

基于再励学习的主动队列管理算法

从最优决策的角度出发,将人工智能中的再励学习方法引入主动队列管理的研究中,提出了一种基于再励学习的主动队列管理算法RLGD(reinforcement learning gradient-descent).RLGD以速率匹配和队列稳定为优化目标,根据网络状态自适应地调节更新步长,使得队列长度能够很快收敛到目标值,并且抖动很小.此外,RLGD不需要知道源端的速率调整算法,因而具有很好的可扩展性.通过不同网络环境下的仿真显示,RLGD与REM,PI等AQM算法相比,具有更好的性能和鲁棒性.     

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．     

几种主动队列管理算法的仿真及性能评估

采用仿真分析的方法,系统地研究了当前提出的用于Internet路由器缓冲管理的一系列主动队列管理(AQM)算法的性能。根据AQM的设计原理,将当前的AQM算法划分为3类：基于队列长度,基于网络负载和同时基于队列长度和网络负载的AQM算法。仿真研究和分析表明,现有的AQM算法不能适应网络流量的动态变化。     

LRED: A Robust and Responsive AQM Algorithm Using Packet Loss Ratio Measurement

Active queue management (AQM) is an effective means to enhance congestion control, and to achieve trade-off between link utilization and delay. The de facto standard, random early detection (RED), and many of its variants employ queue length as a congestion indicator to trigger packet dropping. Despite their simplicity, these approaches often suffer from unstable behaviors in a dynamic network. Adaptive parameter settings, though might solve the problem, remain difficult in such a complex system. Recent proposals based on analytical TCP control and AQM models suggest the use of both queue length and traffic input rate as congestion indicators, which effectively enhances stability. Their response time generally increases however, leading to frequent buffer overflow and emptiness. In this paper, we propose a novel AQM algorithm that achieves fast response time and yet good robustness. The algorithm, called Loss Ratio-based RED (LRED), measures the latest packet loss ratio, and uses it as a complement to queue length for adaptively adjusting the packet drop probability. We develop an analytical model for LRED, which demonstrates that LRED is responsive even if the number of TCP flows and their persisting times vary significantly. It also provides a general guideline for the parameter settings in LRED. The performance of LRED is further examined under various simulated network environments, and compared to existing AQM algorithms. Our simulation results show that, with comparable complexities, LRED achieves shorter response time and higher robustness. More importantly, it trades off the goodput with queue length better than existing algorithms, enabling flexible system configurations     

基于Smith的自适应模糊网络拥塞控制算法

针对网络拥塞控制系统中因网络时滞对主动队列管理算法产生的不利影响, 提出了一种基于Smith预估的自适应模糊主动队列管理算法。该算法将Smith预估控制与自适应模糊控制相结合, 利用Smith预估器补偿网络时滞, 同时运用模糊控制在一定程度上克服了传统Smith预估器对模型结构与参数的精确性过于敏感、鲁棒性差等缺点。仿真结果表明, 该方法可以使队列长度快速收敛到设定值, 同时维持较小的队列振荡, 尤其是在网络条件变化的情况下, 该算法优于传统PI控制、模糊控制和传统的滑模控制。     

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．     

基于速率和队长的大时滞网络AQM算法

针对网络拥塞控制系统在大时滞网络中产生的不利影响,提出一种基于速率和队长的大时滞网络AQM算法。该算法采用缓冲区队列长度和包到达速率作为网络拥塞的判别依据,在结合Smith预估的模糊PID控制方法中加入速率控制项。仿真表明该算法在大时滞和网络动态变化的环境中拥塞响应较快、收敛时间短,并能较好地将队列长度稳定到期望值附近,提高缓冲区的利用率。     

On the use of a full information feedback to stabilize RED

RED and most of its family algorithms use only the average queue length as a congestion meter. Since the average queue length considers only long-term behavior of the queue, these algorithms fail to see instantaneous changes of the queue length and hence their reaction to the congestion is not fast enough. In other words the feedback generated by using only the average queue length does not reflect the network congestion precisely and hence leads to a poor performance and stability. This paper solves this problem by designing a RED-based active queue management (AQM) algorithm, called FUF-RED that provides a Full Information Feedback. This algorithm not only considers the average queue length but also it takes into account growth rate of the instantaneous queue length to calculate its congestion feedback. The proposed algorithm is supported by a theoretical stability analysis which gives those feedback gains that guarantees the network stability. Extensive packet level simulations, done by using ns-2 simulator, show that the proposed algorithm outperforms existing AQM algorithms in terms of stability, average queue length, number of dropped packets and bottleneck utilization.     

Congestion control algorithm in large-delay uncertain networks

Based on Smith-fuzzy controller, a new active queue management （AQM） algorithm adaptable to the large-delay uncertain networks is presented. It can compensate the negative impact on the queue stability caused by the large delay, and it also maintains strong robustness under the condition of dynamic network fluid. Its stability is proven through Lyapunov method. Simulation results demonstrated that this method enables the queue length to converge at a preset value quickly and keeps the queue oscillation small, the simulation results also show that the scheme is very robust to disturbance under various network conditions and large delay and, in particular, the algorithm proposed outperforms the conventional PI control and fuzzy control when the network parameters and network delay change.     

一种基于双模控制的主动队列管理新算法

随机指数标记算法(REM)是一种有效的主动队列管理算法,但由于TCP/IP网络流量模型呈现非线性特性,故而其控制效果不佳,存在队列稳定性差,对动态流量响应慢等问题.为了解决上述问题,提出了基于双模控制的主动队列管理算法(Fuzzy-REM).算法采用分段控制策略,在瞬时队列偏差大于阈值时,采用模糊控制,反之采用REM控制,从而将模糊控制的快速响应和REM稳态性能好的优点结合起来.NS2中的仿真实验表明,相对于REM算法,Fuzzy-REM提高了队列稳定性,加快了收敛速度,增强了算法对网络环境变化的适应性.