一种新的网络拥塞控制算法:API-V

针对PI控制器响应速度的不足,提出一种自适应网络动态变化的主动队列管理算法：API-V控制器．在PI控制器的基础上,根据瞬时队列长度增加速度控制,根据实时测量链路的数据包丢失率获得当前的负载信息,动态调整PI算法中的有关参数．理论分析和仿真结果表明,相对于PI控制器及其改进算法,API-V控制器具有更快的响应速度、收敛速度和更小的队列抖动,并且提高了缓冲区的利用率．     

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.     

网络拥塞控制的滑模控制策略

针对动态网络的拥塞问题,对TCP网络的动态不确定性进行定量分析,探讨了网络参数的摄动范围,给出TCP网络的不确定线性化系统模型。在此基础上,设计了一种基于滑模控制的主动队列管理算法,并分别在Matlab和NS2两种仿真平台上验证了算法的有效性,实验结果表明队列长度可以很好地稳定在期望值附近。     

基于拥塞控制的AQM算法研究

在对网络拥塞控制进行分析的基础上,介绍了AQM(Active Queue Management)算法的特点及网络流量特征对AQM算法的影响。根据AQM算法的发展概况,将AQM算法中的DropTail算法、RED(Random Early Detection)算法、Adaptive RED算法、PI算法、REM(Random Early Marking)算法和AVQ(Adaptive Virtual Queue)算法进行了比较评价。并对AQM算法的反馈方式及AQM算法的控制理论进行了较为详细的分析与探讨。     

基于拥塞控制的AQM算法研究

在对网络拥塞控制进行分析的基础上，介绍了AQM（Active Queue Management）算法的特点及网络流量特征对AQM算法的影响。根据AQM算法的发展概况，将AQM算法中的Drop Tail算法、RED（Random Early Detection）算法、Adaptive RED算法、PI算法、REM（Random Early Marking）算法和AVQ（Adaptive Virtual Queue）算法进行了比较评价。并对AQM算法的反馈方式及AQM算法的控制理论进行了较为详细的分析与探讨。     

基于主动网络的拥塞控制策略

本文讨论了拥塞发生的原因,建立主动网络拥塞控制的模型,提出一种基于主动网络的拥塞控制策略。通过模型分析,本文所提出的主动网络拥塞控制策略能够较快的对拥塞做出反应,及时调整发送速率,达到缓解拥塞状况的目的。     

NARED:一种非线性自适应RED拥塞控制机制

分析了RED及其改进算法的原理和局限性，提出了一种非线性自适应RED拥塞控制机制．该算法利用一个高阶分组丢弃函数，在下限阈值附近以较低的概率标记丢弃分组，在上限阚值附近迅速提高分组的标记丢弃概率；其参数Pmax可依据平均队列和瞬时队列长度自适应调整，避免了静态参数设置的约束，并实现了从部分到全部标记丢弃分组的平滑化．实验仿真结果表明该算法有效提高了缓存区利用率，避免了缓存区的溢出，提高了网络的稳定性与可靠性．     

基于闭环的网络拥塞控制策略研究

本文从拥塞控制的概念,拥塞控制策略和拥塞预防的方法等几个方面对计算机网络的拥塞控制进行了概述,着重阐述了闭环控制策略。     

控制API

“云计算、移动化的广泛应用和其他先进技术给应用开发和部署带来了根本性变化。应用程序不弭是独市的、托管在单一平台上,而是可以由内部元件或提供商构建的元件进行快速绀装。     

DiffServ网络的拥塞控制策略

本文首先分析了区分服务网络体系结构模型,然后讨论了基于队列长度的各种拥塞控制算法,并分析了一种新的主动队列管理算法BLUE,同时为区分服务网络的拥塞控制指出了进一步研究的方向,即:在DiffServ域的入口和出口节点之间增加控制分组,并选择合适的QoS参数来标记控制分组.     

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。     

基于限速的Ad hoc网络混合流拥塞控制研究

主动队列管理(AQM)的基础是TCP反馈机制,所以AQM在处理UDP与TCP混合流时无法控制UDP流量,导致非视频流影响视频UDP的传输质量。根据TCP拥塞窗口特性和混合流排队机制,推导了Ad hoc网络TCP/UDP的AQM模型,据此提出了一种基于UDP限速的PI主动队列管理算法。限速算法根据实际流速与设定流速之差,标记非视频UDP分组优先级并按从低到高的顺序丢弃分组。NS仿真表明,与PI控制相比,新算法实现了非视频UDP的流量控制,提高了视频传输质量0.98dB的峰值信噪比。     

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。     

基于时滞补偿的网络拥塞控制策略*

中间节点上的主动队列管理策略在保证较高吞吐量的基础上能有效控制队列长度和端到端时延,利用频率域模型降阶拟合方式建立了TCP流量控制中主动队列管理系统的等效模型,应用控制理论中的内模补偿原理设计鲁棒的延时补偿主动队列管理控制算法,克服了大时滞给对队列稳定造成的不利影响.仿真结果表明,该补偿方法在长时滞小期望队列综合性能明显优于已有的RED,REM,PI等算法,链路利用率大大提高.     

一种网络拥塞的反步控制算法

针对Internet网络拥塞控制中的TCP动态非线性流体模型,提出用于网络主动队列管理（AQM）的拥塞控制算法,设计用于估计未知状态的状态观测器,采用反步法技术和Lyapunov直接方法,通过输出反馈实现闭环系统的渐近稳定。仿真实验结果表明,基于反步法的AQM控制算法调整时间小、丢包率低、链路利用率高。     

异构网络中基于MPTCP的协作拥塞控制方案

提出了一种基于MPTCP的协作拥塞控制方案。在拥塞避免阶段,该方案首次以马尔科夫链模型为基础,对异构网络中各条路径上未被确认的数据包个数进行预测,进而计算出各条路径所能承载的最大数据量。若网络拥塞窗口值大于各条路径所能承载的最大数据量中最小值的2倍,则启动协作拥塞控制机制。在协作拥塞控制机制下,根据AIMD算法的加性增加准则调整拥塞窗口,若网络拥塞窗口值大于各条路径所能承载数据量之和,则结束协作拥塞控制机制,执行传统的TCP慢启动算法。为了提高慢启动阶段的带宽利用率,对TCPW(TCP Westwood)带宽估计算法进行改进,使路径可用带宽的估计更准确,从而提高慢启动阈值设置的合理性。仿真结果表明,在保证异构网络负载均衡及单条TCP流公平性的前提下,该方案能够增加成功传输数据包的数量。     

一种结合DWT和FARIMA的网络拥塞控制机制

针对自相似流量具有的长相关和突发性特征,结合离散小波变换(DWT)和时间序列分析中的FARIMA过程,提出构建一种混合的网络流量预测模型来对网络行为的发展趋势进行分析和预测,并以预测结果辅助AQM的REM显式拥塞标记,从而提高流量控制的动态性以实现对传统网络协议策略的优化.实验表明该方案可有效改善协议性能,具有良好的稳定性和低丢失率特征.     

API与网络安全漏洞

API是各种网络应用的基础,应用程序通过使用API函数来实现各种各样的功能。本文从四个方面探讨了API如何对网络系统安全产生影响,导致安全漏洞的出现,并列举了典型的实例。最后对如何安全有效的使用API提出了三点建议,帮助人们开发安全的应用软件,有针对性的减少漏洞的产生。     

基于模糊逻辑的高速网络自适应拥塞控制研究

基于模糊逻辑 ,利用自适应拥塞控制机制来预测高速网络 (如Internet中 )的拥塞问题 .把路由器的缓冲系统看作一个非线性离散动态系统 ,利用基于模糊逻辑的控制器来预测源端发送速率的确切值以防止拥塞的发生 .通过对参数向量的调节来估计无法预测的和具有统计波动性的网络通信量 ,并利用Lyapunov分析方法来验证闭环系统的稳定性 .最后 ,以一个仿真例子说明了所提出方法的有效性 .