PFTS和OBS的比较分析

为了适应三网合一（电视网、电话交换网和计算机网络）的发展，本文提出了一种新的基于DWDM的交换技术，称为物理帧时机交换技术（Physical Frame Timeslot Switching，PFTS）。在PFTS交换技术中，一个固定长度的物理帧的传输时间称为一个时隙（time-slot），多个时隙复用到一个波长信道中，PFTS提供了QoS保证机制，将用户数据的传输平面降到单物理层。本文通过S仿真分析将PFTS和光突发交换（Optic Burst Switching，OBS）进行了对比，仿真结果表明对于有QoS保证的服务，PFTS在信道利用率上和交换粒度管理上明显优于OBS。     

一种新的网络业务流的多重分形小波模型

针对当前Internet上日益复杂的网络业务流和视频流,文章提出了一种新的多重分形小波模型．与普通的多重分形小波模型(Multifractal Wavelet Model,MWM)不同的是,该文提出的新模型在各个时间尺度上对小波系数都依据源数据尺度系数的边缘分布作了修正,这样确保新模型能在不同的时间尺度上拟合源数据的分布．决定网络业务流的排队分析特性的是一个关键时间尺度(Critical Time Scale,CTS),CTS是随着缓冲区的容量和节点传输速率的变化而变化的,该文提出的模型能描述几乎各个时间尺度的业务流特性,因此能适应各种不同情况的缓冲区的排队分析．同时,新模型也继承了传统MWM的一些优良特性,比如能描述业务流的多重分形特征以及能确保最终结果始终是非负等等．最后通过对视频业务流和网络业务流的仿真实验与排队分析验证了该模型的有效性．     

光突发交换网络中支持服务质量的一种新方案

提出了光突发交换网络支持服务质量的一种新方案.在此方案中,核心节点根据到达的数据突发的优先级别,将每一出口链路的数据信道进行分组.每一组别的数据信道数主要取决于相应优先级别的数据流量.通常情况下,属于某优先级别的数据突发会被调度在相应组别的数据信道上.在高优先级别的数据突发未能预留在其相应组别的数据信道上时,可尝试为其在低组别的数据信道上预留,甚至抢占低组别内已经被预留的信道;低优先级别的数据突发不能被预留在高组别的数据信道上.另外,也考察了抢占数据突发长度与被抢占数据突发长度之间的关系.     

c-HyLabs混合光交换网络上的多播机制研究

在WDM网络中有两种全光多播方式,一种是OCS（光电路交换）网络中基于光树的多播,另一种就是在OBS（光突发分组交换）网络中基于突发分组的多播。这两种方式都有各自的优缺点。在分析这两种交换技术优缺点的同时,提出了一种采用混合交换技术的新型光交换网络（c-HyLabs）,并提出了在此网络上实现光多播的机制。通过OPNET的仿真表明,该混合光交换网络在相同条件下其延时及丢包率等性能均优于OBS网络多播。     

一种改进的光突发交换数据包竞争解决算法

光突发交换技术是近年出现的一种新型交换技术,偏射路由在解决突发数据包竞争具有自己独特的优点.对光突发竞争机制进行了分析比较,针对目前数据包竞争算法存在的问题,研究一种改进的偏射路由算法和实现机制,相比未改进的算法,模拟仿真结果表明在业务流量负栽增加的情况下具有更好的性能.     

光突发交换网络中的重调度算法

介绍了光突发交换（OBS）网络,在现有算法LAUC_VF的基础上提出了一种重调度算法,即LAUC_VF_RESCHEDULE算法,它的主要思想是：对新到达的突发运用LAUC_VF算法调度不成功时,将已经调度成功的突发从原有信道Ⅰ重新调度到另一数据信道J上,并保持该突发的到达时刻和结束时刻不变,从而将新到达的突发调度到数据信道Ⅰ上。仿真结果表明在大多数情况下该重调度算法相对于LAUC_VF算法对网络性能的改善是比较大的。     

OBS网络中多重主动重调度算法

信道调度算法是光突发交换（OBS）网络的关键技术之一。在主动重调度算法的基础上,提出了一种新的多重主动重调度算法,通过搜索并重调度数据信道上所有能进行重调度的突发,使多个突发重调度后产生的间隔尽量小,从而降低突发丢失率。     

光突发交换中路由技术的研究

光突发交换网络中路由的实现是网络生存性和健壮性的一个保证。文章提出了一种光突发交换网络路由技术的新方案,将免疫遗传算法这种仿生物体的智能算法,应用到光突发交换网络路由算法中,保证群体多样性,控制收敛方向。仿真结果表明,该方案可以降低OBS网络中的数据丢失率。     

光突发交换中路由技术的研究

光突发交换网络中路由的实现是网络生存性和健壮性的一个保证。文章提出了一种光突发交换网络路由技术的新方案,将免疫遗传算法这种仿生物体的智能算法,应用到光突发交换网络路由算法中,保证群体多样性,控制收敛方向。仿真结果表明,该方案可以降低OBS网络中的数据丢失率。     

光突发交换网络在网络仿真工具OPNET下的实现

本文分析了光突发交换网络本身的特点,讨论了网络仿真工具OPNET的使用方法。本文实现了在OPNET仿真环境下的光突发交换的程序设计,并在OPNET环境下仿真了光突发交换网络的网络层性能。仿真结果和分析结果验证了该程序的可靠性和可行性。     

基于Gamma分布和小波的城域网流量仿真模型

针对网络仿真的需要,在对实际网络流量进行拟合的基础上,设计了基于Gamma分布和小波方法的流量仿真模型。对拟合效果的评估显示,该模型较好地刻画了网络流量的自相似特征,为网络流量仿真提供了一种有效的方法。     

一种网络流量预测的小波神经网络模型

结合小波变换和人工神经网络的优势,建立一种网络流量预测的小波神经网络模型。首先对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练。用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果。     

基于改进小波神经网络的网络流量预测研究

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对传统小波神经网络训练算法的不足,提出了自适应量子粒子优化算法——AQPSO,用于训练小波神经网络,优化网络参数,建立基于AQPSO算法优化的小波网络预测模型。实验结果表明,该模型对网络流量的短期预测是有效可行的,并具有良好的收敛性和稳定性。     

基于小波分析与神经网络结合的交通流短时预测

研究了热轧带钢自动厚度控制（AGC）的鲁棒控制问题．为了消除轧制过程中其它变量对厚度控制精度的影响，提出了一种基于H∞／H2的多变量约束控制策略．首先，采用高阶未建模扰动对控制输入传函的H∞范数作为鲁棒性能指标，张力与活套等约束量对输出评价信号传函的H2范数作为LQG性能指标，建立了受约束的厚度控制模型．其次，设计了H∞／H2状态反馈鲁棒控制器，把受约束的AGC控制转化为系统在模型摄动与外界扰动下满足一定性能指标的鲁棒控制问题．最后，仿真结果表明，所设计的H∞／H2控制器具有良好的鲁棒控制特性．     

基于小波分形自回归整合滑动平均模型的网络流量预测

研究表明Internet通信流量同时呈现长相关和短相关特性。为了精确捕捉上述通信流特性,提出一种基于小波分形自回归整合滑动平均(W-FARIMA)模型的预测方法。首先通过Haar小波的方法将原始数据分解为高频信号和低频信号,接着采用FARIMA模型对低频信号进行建模并预测序列,然后对高频信号采用加权一阶局域法进行预测,最后利用小波重构以合成数据。实验和数学分析的方法证实了该预测模型确实能够很好地进行网络流量的长期预测。     

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。     

基于小波包分析的网络流量随机模拟

提出基于小波包分析的网络流量随机模拟算法,通过应用小波包变换将实际测量的网络流量分解为2"个不同分量(n为分解的层数),再将这些分解长度相等的每个分量进行等分,进行这些等分分量的随机组合形成2"个分量,再重构,最后对模拟合成的网络流量进行自相似特性的分析.实验结果表明,用该方法模拟的网络流量具有较好的自相似性.     

小波与神经网络相结合的网络流量预测模型

针对网络流量序列的非线性和多时间尺度特性,提出了一种将小波变换与人工神经网络相结合进行网络流量预测的新模型.该模型吸取了小波变换的多分辨功能和人工神经网络的非线性逼近能力,对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,分别使用RBF神经网络和Elman神经网络进行预测,把两种预测的结果通过BP神经网络合成为最终预测结果.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

基于小波分解的网络流量时间序列建模与预测

提出一种基于小波分解的网络流量时间序列的分析和预测方法。将非平稳的网络流量时间序列通过小波分解成为多个平稳分量,采用自回归滑动平均方法分别对各平稳分量进行建模,将所有分量的模型进行组合,得到原始非平稳网络流量时间序列的预测模型。在仿真实验中,利用网络流量文库的时间序列数据建立了预测模型,并对其进行独立测试检验。仿真结果表明,本预测方法提高了网络流量时间序列的预测准确率,是一种有效、稳健的网络流量预测方法。