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Smith预估器的主动队列管理(AQM)拥塞控制算法

有效的拥塞控制机制是保证Internet稳定运行的关键因素之一,网络拥塞控制系统本质上是一个时滞系统,传输时延是网络拥塞控制必须考虑的一个重要因素.本文应用Smith预估控制原理,在进行适当模型拟合处理的基础上,提出了一种基于Smith预估器的主动队列管理(AQM)算法(AQMAlgorithmbasedonsmithpredictor算法,简称Smith-PI),新算法结构简单,易于配置,具有良好的鲁棒性和网络控制性能,同时克服了大时滞给队列稳定性造成的不利影响。通过仿真表明,采用Smith-PI算法,对于限制系统振荡超调量的作用非常明显,同时能使网络具有更快的响应速度及更平稳的队列,而当网络时延增大时,算法能使网络的动态性能依然保持良好,使得缓存队列迅速收敛到稳定值。     

基于模糊调节滑模面的TCP拥塞控制算法研究

基于模糊自适应滑模控制提出了一种拥塞控制算法。该算法通过模糊调节滑模表面使队列跟踪性能得到改善,对于网络模型的不确定性、网络参数的时变性以及非TCP适应流所引起的网络抖动该算法具有很强的鲁棒性。仿真结果表明该方法可以使队列长度快速收敛到设定值,同时使队列震荡最小,结果也表明在网络条件变化的情况下,该算法优于模糊控制和变结构控制。     

大时滞网络中的自适应拥塞控制算法

根据内模控制器(IMC)的设计方法,设计出适合于大时滞网络,具有时滞补偿能力的主动队列管理(AQM)控制器。为了使控制器适合网络的动态变化,再使其系数根据网络的变化自适应地做出相应的修正。最后通过NS-2仿真,验证了该算法的可靠性。     

互联网拥塞控制算法研究

随着Internet的迅速发展,网络规模、用户数量及业务量呈现爆炸式增长,由此引发的网络拥塞已经成为制约网络发展和应用的瓶颈问题。有效解决拥塞对于提高网络性能具有重要意义,如何更好的预防和控制拥塞成为近年来网络研究领域的重要问题。该文介绍了现有的拥塞控制算法,并分析了进一步的研究方向。     

模糊理论在网络AQM中的应用研究

拥塞控制中作用于网络中间节点的主动队列管理策略能有效解决网络拥塞问题。本文引入了模糊理论对AQM进行研究和分析,基于模糊系统设计方法,给出了一个简单的应用实例以说明模糊理论在AQM中的优势,介绍了模糊理论在AQM中的几种典型应用。     

IP网络中拥塞控制算法研究

影响网络QoS的因素很多,但最基本、最核心的是拥塞控制。通过对拥塞控制算法和拥塞控制机制的研究,分析了拥塞控制领域国内外研究的热点及方法。指出了大多数方法的不足之处,并提出了一个将动态流感知技术、网络测量技术和模糊控制技术引入拥塞控制机制的研究方向。     

基于观测器的网络拥塞控制算法

针对动态网络的拥塞问题,设计一种基于观测器的鲁棒主动队列管理控制算法。该算法保证输入受限情况下时变时滞不确定网络系统的渐近稳定。通过Lyapunov稳定性分析,利用线性矩阵不等式技术研究基于观测器的鲁棒控制器的存在条件以及设计方法。仿真结果表明,该算法可以使路由器中的队列长度快速收敛到目标值,同时保持较小的队列振荡。特别在网络条件变化及出现突发流的情况下,该控制器仍能具有良好的鲁棒特性。     

一种改进ARED拥塞控制算法的实现

随着互联网的迅速发展,无论是网民人数还是上网设备数都呈现高速增长的态势。虽然带宽等互联网基础资源相比二十年前有了质的飞跃,但是由于网络规模的增加还是带来了一系列的问题,其中网络拥塞是比较典型的一个。RED作为路由器主动队列管理策略中的重要算法已经在网络拥塞控制方面起到了很好的效果,成为IETF RFC2309建议的唯一候选算法。与队尾丢弃算法DropTail相比,RED算法具有网络链路利用率较高、吞吐量较大、网络时延和丢包率较小的优点,但其存在参数配置无法适应网络动态变化的缺陷,因而改进的ARED算法增加了自适应的功能,但也存在瞬时队列长度振荡等稳定性问题。对此,研究了RED及ARED拥塞控制算法,并提出了一种改进算法QARED,希望通过优化最大丢包概率计算函数来达到提高平均队列长度稳定性以及降低丢包率的目的。     

Ad-hoc网络PSD拥塞控制算法

神经元PID算法能较好地控制队列长度,但其神经元增益对被控对象的状态较为敏感,基于试凑和经验的设定往往使控制效果难以保证。基于TCP拥塞窗口加法增大、乘法减小原则和排队机制,推导出拥塞窗口与丢弃概率、队列长度的微分方程,再对方程进行线性化,获得Ad-hoc网络TCP/AQM控制系统模型。基于该模型,将递推计算修正功能引入神经元PID,设计了一种神经元自适应PSD的AQM。该算法可以在线调整神经元增益。NS仿真表明,在无线分组丢失、突发流及链路容量变化的Ad-hoc网络中,PSD队列管理性能优于神经元PID。     

基于源端控制规律的主动队列管理算法

将TCP源端的拥塞控制规律引入路由器端的拥塞控制问题,提出一种高性能的主动队列管理算法ERFU,综合考虑路由器输入流的流量速率与内部负载程度,无需设置多样的参数,直接依据TCP源端的拥塞控制规律,更新数据包的丢弃(标记)概率,具有较低的算法需求和优越的算法性能。通过仿真与ERED相比较,证明ERFU在随机流、突发流2种网络状况下均具有更优良的性能。     

一种快速维持队列稳定的BLUE改进算法

BLUE算法在TCP连接数发生突变时会导致队列长度的剧烈波动。针对该现象,提出一种能快速维持队列稳定的BLUE改进算法——FSBLUE。该算法根据网络参数调整标记丢弃概率的调整步长,并通过概率估计加快算法的反应时间。仿真结果表明,FSBLUE算法在维持队列稳定性方面明显优于BLUE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。     

一种基于速率的公平队列管理算法

针对主动队列管理算法普遍存在的公平性问题,提出基于速率的公平队列管理算法RFED。该算法根据分组的到达速率调节丢包率,将队列的到达速率控制在链路的服务速率下,根据非响应流UDP数据包空间分布特点,对非响应流实施有效的惩罚,以保证不同数据流之间的公平。NS仿真实验表明,该算法在公平性、稳定性等方面效果良好,无需进行复杂的参数配置,容易在现有网络中实施。     

非线性高阶RED拥塞控制算法

针对随机早期检测(RED)算法在网络拥塞不严重的时候丢包率相对较大,而在较严重的时候丢包率相对较小的问题,提出了一种非线性高阶RED拥塞控制算法,目的在于提高算法对网络拥塞的调节能力。该算法建立了一个高阶分组丢弃函数模型,在最小门限值附近丢包率缓慢增长,在最大门限值附近丢包率快速增长,有效地控制了平均队列长度。NS2仿真实验验证了改进算法可有效地提高网络性能。     

具有输入和状态延时网络系统的鲁棒拥塞控制

研究基于状态空间的主动队列管理算法,以状态变量的形式描述具有状态延时和输入延时的TCP／AQM模型,设计基于观测器的状态反馈控制器,观测器在线测量控制器的输出。应用线性矩阵不等式和Lyapunov—Krasovskii定理,给出AQM控制器的控制率和不依赖于延时的稳定条件。NS2仿真表明该控制算法在延时变化和突发业务流情况下,能够快速收敛于期望队列长度,动静态性能优于已有的P1控制算法。     

基于模糊推理的鲁棒主动队列管理算法

基于常规控制理论的主动队列管理(AQM)算法在复杂动态网络环境下对参数变化比较敏感,难以保证队列稳定性且缺乏鲁棒性。针对上述问题提出基于队列长度和链路速率相对变化率的模糊AQM算法,以队列长度与期望队列长度以及链路速率与链路容量的相对误差量作为网络拥塞指示,采用模糊推理得出中间节点的丢包概率。仿真实验表明,该算法具有良好的队列稳定性和较小的队列延时,对网络的非线性和负载波动等不确定因素具有鲁棒性。     

基于QPID-AVQ的组播拥塞控制机制

针对现有多媒体组播拥塞控制协议的不足,提出基于QPID虚拟队列管理的组播拥塞控制机制QPID-MCC。QPID-MCC在瓶颈路由器中采用QPID-AVQ队列管理策略,结合显式拥塞指示(ECN),按照一定的概率标记新到分组。接收端依据标记概率计算期望的TCP友好速率。发送端依据接收端的反馈信息并结合多媒体的最小带宽需求调整发送速率。仿真结果表明,QPID-MCC具有平滑稳定的发送速率、较好的公平性和较快的拥塞响应速度,并能满足最小带宽要求,保证多媒体业务的服务质量。     

基于精确模型的网络拥塞控制算法

针对基于流体流理论提出的网络模型在推导过程中的一些近似使得该模型对网络行为描述的不精确问题，提出了网络流量的精确模型，并且基于该模型把一种新的PID及类PID设计方法用于主动队列管理(AQM)控制器的设计，利用约束化的数值优化方法寻找控制器参数。理论分析和仿真实验表明，该控制算法的综合性能优于PI算法。