DiffServ模型中的多级主动缓冲管理算法

根据DiffServ模型实现的需要，在分析现有缓冲管理算法的基础上，提出了QPRED和VPRED多级主动缓冲管理算法，这两种算法在分组分类的粒度上提供了分级的缓冲管理能力，并将每一类分组的缓冲状态（缓冲字节数或缓冲平均队列长度）引入到了分组丢弃概率的计算中，同时结合优先级因子实现了类和类之间在优先级意义上的公平性，与现有的缓冲管理算法相比，QPRED和VPRED多级主动缓冲管理算法更适合于DiffServ模型的要求。     

QPRED:一种公平多级主动缓冲管理算法

DiffServ模型是当前实现IP QoS的体系结构之一,在其实现中,缓冲管理技术是很重要的一个方面．根据：DiffServ模型实现的需要,在分析现有缓冲管理算法的基础上,提出了QPRED多级主动缓冲管理算法,这种算法在分组分类的粒度上提供了分级的缓冲管理能力,并将每一类分组的缓冲状态引入到了分组丢弃概率的计算中,同时结合优先级因子实现了类和类之间在优先级意义上的公平性．通过分析和仿真,证明了QPRED算法的性能．与现有的缓冲管理算法相比,QPRED多级主动缓冲管理算法更适合于DiffServ模型的要求．     

优化的R-树缓冲管理算法

在分析Ｒ－枝操作特性和ＬＲＵ算法的基础上,提出了一种新的基于ＬＲＵ的Ｒ－树缓冲管理算法ＰＩＮ－ＬＲＵ。该算法对Ｒ－树访问路径上的节点进行标记,动态地在缓冲区中将访问路径上的节点加“钉”和释放“钉”,从而尽可能减少不必要的内－外存数据交换,提高Ｒ－树缓冲管理的效率,实验表明,ＰＩＮ－ＬＲＵ算法在磁盘Ｉ／Ｏ和页面访问命中率等方面均优于ＬＲＵ算法。     

高速网络主动队列管理算法

在高速网络中,HRED算法使高速TCP流、普通TCP流和UDP流实现公平共享带宽。HRED利用RED队列的包丢失历史来识别高带宽流,通过对高带宽流进行惩罚,使低带宽流获取更多的带宽。HRED具有良好的扩展性,不需要保持每一流的状态信息。基于NS2的模拟实验证实,HRED可以在高速网络中实现更好的RTT公平性,有效地解决了适应流和非适应流共享带宽的问题。     

基于模型算法控制的主动队列管理算法

通过深入分析TCP/AQM系统的动态特性,提出一个新的预测模型。基于该模型,结合模型算法控制(MAC)提出一种新的主动队列管理算法(MACAQM),并给出了MACAQM的详细设计过程和参数选取的原则。大量不同网络环境的仿真实验表明了MACAQM算法的有效性。与PI, RaQ和REM等算法相比较, MACAQM具有收敛速度快、队列抖动小的优点。同时, MACAQM的采样间隔相对较大,算法实现简单,所以计算量较小,占用的路由器资源也较少。     

使用简单缓冲管理和选择性丢弃增加ATM／B—ISDN的吞吐量的算法

首先介绍了ＡＲＱ这两种差错控制策略的基本思想,然后从ＡＴＭ网络通信的性质和特点出发,提出ＦＥＣ策略能更好地适应目前日益广泛的多媒体应用,并介绍了一种提高ＦＥＣ性能的守门员加看门人算法。     

一种DiffServ模型的主动队列管理算法FPRIO

面向QoS的DiffServ模型,在改进RIO-C算法的基础上,提出了一种新的主动队列管理算法——FPRIO。通过理论分析和仿真实验验证,证明该算法是一种适合于DiffServ模型的主动队列管理算法。     

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。     

抗DDoS 攻击的主动队列管理算法

提出一种能够在DDoS(distributed denial-of-service)攻击下保证现有正常网络流量的弹性随机公平蓝色(resilient stochastic fair blue,简称RSFB)算法.RSFB算法根据数据流标记概率来识别良性数据流,并将识别出的良性数据流记录更新到一个良性数据流队列(benign flow queue,简称BFQ)中.算法再根据BFQ中的良性数据流记录来保证良性数据流数据包的顺利传输.通过开展一系列实验,评估对比了RSFB算法和几个著名主动队列管理(active queue management,简称AQM)算法的抗DDoS攻击性能.实验结果表明,RSFB算法具有如下优点:1)具有高度的健壮性;2)能够在发生DDoS攻击时有效保证现有正常TCP数据流的吞吐率;3)抗DDoS攻击性能明显优于现有的主动队列管理算法.     

HCHOKe：改进的公平主动队列管理算法

HCHOKe算法控制和惩罚网络中的非适应流,保护适应流稳定地分享网络带宽。HCHOKe结合CHOKe击中思想,利用拥塞程度自适应取包,提出一种丢包策略。在网络仿真器NS-2上对HCHOKe等其他主流相关算法进行分析,结果显示HCHOKe在维护网络带宽的公平分配上性能优于CHOKe等其他几种算法。     

Z缓冲消隐算法的改进

Z缓冲算法是一种比较简单的消隐算法,Z缓冲区的大小与屏幕的视图区大小相关,一般情况下设置成视图区的大小,因此该算法只适用于固定大小投影,即通用性差,另外当图形较小时又浪费空间.本算法通过动态生成相应Z缓存,从而适用于任何大小的图形,即通用性强,同时减小内存.     

基于轮转算法的缓冲交叉开关调度算法的设计与实现

研究了一种低复杂度、高性能的交换机调度算法——轮转(Round Robin)调度算法及其硬件实现,它是基于缓冲交叉开关交换结构的。缓冲交叉开关交换结构相比于无缓冲的交叉开关交换结构,仅需要简单的调度算法对输入VOQ队列和交叉点缓存输出分别进行调度,这大大简化了调度算法硬件实现的复杂程度,减小了系统延迟。因此,结合轮转算法和缓冲交叉开关交换结构各自的优点,可以设计出高性能的交换机。     

基于划分的数据仓库查询归并缓冲算法

在数据仓库中存在着大量的数据。联机分析处理包含着对大量数据的复杂的查询过程。在对这些数据的存储与查询中都遇到了许多困难。解决这一问题的有效办法就是先将数据划分成便于处理的数据块,再分别对每个数据块进行处理,最后将个数据块的处理结果归并在一起。对几种常用的归并算法进行了比较,并讨论了归并中的缓冲区分配问题。     

主动队列管理算法比较研究

本文对FRED、CHOKe、CSFQ、AFD等几个主动队列管理算法进行了对比研究，并且结合实验结果对算法中存在的问题及其原因进行了深入的分析，并对算法的改进提出了一些建议，希望能为今后的工作提供一定的支持。     

鲁棒的主动队列管理新算法

作为对终端系统上拥塞控制的一种补充，中间节点上的主动队列管理（AQM）策略在保证较高吞吐量的基础上有效地控制队列长度，从而实现了控制端到端的时延，保证QoS的目的，随机早期检测（RED）及其派生算法虽可以实现AQM的技术目标，但算法的设计要么是依赖于直觉的，要么将网络视为不变定常系统，使得最终形成的算法在稳定性和鲁棒性方面存在不少问题，在该文的研究中，作者将TCP的流量控制过程等效为二阶线性时变系统，采用滑膜变结构这种不敏感控制对象参数和负载扰动的控制器设计方法，设计出一种新的AQM算法，仿真试验表明它的稳态和瞬态性能都优于与它具有相同实现复杂度的RED和PI算法，并且在负载扰动和参数变化时具有很强的鲁棒性。     

无线传感器网络节点的公平缓冲队列管理

在无线传感器网络中,存在拥塞的现象,而拥塞造成的延迟或报文丢弃在某些关键应用中是不允许发生的。从节点缓冲管理的角度,分析了基于优先级的VPRED缓冲管理算法,经过计算简化,应用到无线传感器节点的缓冲队列管理中,保证了关键数据较少丢包的传输。     

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。     

虚地址空间基于文件的操作系统中的主动网络

首先介绍了主动网络及其实现原理,然后讨论了在虚地址空间基于文件的操作系统中,计算机存储系统层次性和网络互连的关系,同时讨论了跨域调用和文件操作的关系,最后研究了虚地址空间基于文件的操作系统中主动网络的实现原理,分析了该主动网络具有的优点和存在的问题。     

神经网络主动学习的进化算法

1 引言近年来,神经网络的研究取得了很大进展,特别是,为了克服传统的BP学习算法的缺陷,即学习速度慢和人为给定的拓扑结构对特定学习任务的不适应性,而发展的自适应神经网络的增长策略,它通过不断地增长隐节点或子网来满足给定学习任务的复杂性要求。这种神经网络的增长算法不仅克服了人为指定的拓扑结构的困难,而且由于其结构过程所固有的模块化训练特性,也缓解了传统的BP算法训练速度慢的突出问题。由于神经网络训练程度很难把握,许多算法往往过分强调训练结果而牺牲泛化结果,致使网络的过拟合问题严重。为了克服过拟合问题,研究者们采用了多网络合作模型,由于多个网络的平均效应,可以避免单个     

鱼群主动轮廓模型算法

经典主动轮廓模型在图像分割中,存在分割结果与初始状态有关和容易陷入局部极小值的问题。为了解决上述两个问题,可以通过将主动轮廓模型的多阶段决策问题与鱼群算法的决策过程相结合,提出鱼群主动轮廓算法。由主动轮廓模型的特点构建了主动轮廓模型相对应的鱼群算法,把主动轮廓模型图像分割的问题转化成最优能量函数值的搜索问题,为获取精确的图像轮廓提供了新方法。实验结果表明此方法能在任意初始化曲线下有效地分割出图像。通过数学证明和实验结果可以知道鱼群主动轮廓算法具有良好的全局收敛性,避免了主动轮廓模型原来采用了变分法优化而难以达到全局最优,甚至难于达到局部最优的现象。