变长分组变公平调度的算法与实现

提出并实现了一种应用于路由器的公平排队算法－补偿型轮询调度算法。该算法在逐包调度的基础上采用补偿措施,在处理一个包仅需O（1）的运算量条件下,获得了输出带宽的近似公平共享。性能分析表明,该算法能够有效地实现公平调度,阻止个别违约用户过度占用输出带宽。该算法应用于国家863计划重大课题核心路由器－OmniRouter880的研制中,样机验收测试结果表明,补偿型轮询调度算法具有良好的性能。     

基于主题和物理位置相近原则的层次化对等语义覆盖网络结构

对等语义覆盖网络构建主要采用索引和超级节点的方法,不可避免地存在瓶颈问题,同时忽略了覆盖网络与实际网络拓扑一致性问题对语义覆盖网络性能的重要影响。该文提出的对等语义覆盖网络结构TPPH充分结合了结构化P2P网络高效的定位和非结构化P2P网络的复杂检索功能,采用分布式哈希表机制将相同主题节点组织成主题区域,在同一主题区域内通过物理位置相近原则进行群的划分,从而在物理网络拓扑基础上建立语义P2P覆盖网络结构。性能分析和仿真实验表明,该结构显著提高了查全率并缩短了平均查询时延,是一种支持复杂查询、高性能的语义覆盖网络结构。     

一种分段式高速IP路由查找方法

本文提出了一种改进的分段式高速IP路由查表方法。若采用50ns的动态存储器,该方法可以在小于100ns内完成一次最长匹配路由查找并且具有快速的路由表项更新功能,对设计高速骨干路由器的线速查表引擎具有指导意义和实用价值。     

一种基于大小流区分计数的公平抽样算法

针对一种草图指导公平抽样(SGS)算法对小流估计误差大的问题,该文提出一种基于大小流区分计数的包公平抽样算法(DCMFS),并给出哈希冲突对SGS算法估计误差影响的定量分析结果。DCMFS采用大小流区分计数器,对小流采用逐流精确计数,对大流采用哈希计数。理论分析及实际的数据仿真结果均表明,DCMFS算法对小流能够实现逐流精确统计,对大流的估计标准差接近公平抽样估计标准差理论值上限。算法采用不等长位宽计数器结构,保证其空间复杂度较SGS和自适应非线性抽样方法(ANLS)没有增加;引入计数器置换使得算法时间复杂度略有提高,但仍能满足10 Gbps线速处理要求。     

一种基于Bloom filter的高速浮动关键词匹配算法

目前浮动关键词模式匹配算法的性能是IP包内容检测及过滤系统的瓶颈.而现有的浮动关键词匹配模式算法存在吞吐率低或支持的关键词数量少的问题.为了解决这些问题,文中提出了一种基于Bloom filter的改进算法.对某些短模式,采用部分无状态过滤思想,使该算法具有快速、可升级、大规模、易实现的特点.仿真试验表明:只要模式出现概率小于0.01,系统吞吐率至少可以实现9Gbps的匹配速率.     

负载均衡自路由交换结构

为下一代网络提供服务质量保证的业务,提出了一种新颖的两级负载均衡多路径自路由交换结构.该结构的两级都使用一种多路径自路由结构.第一级通过简单的算法和少量缓存将输入端到达的数据流量均匀地派送到本级各输出端.第二级则通过自路由的方式将数据分组转发到其最终目的端口.数学分析和仿真证明,在理论研究常见的可容许(admissible)流量条件,该结构可以得到100%的吞吐率;在实际的统计可容许(statistical admissible)流量条件下,通过并行叠加机制可以得到100%的吞吐率.与其他结构相比,该结构无排队时延和抖动,硬件复杂性和传输时延也明显减小.     

可重构柔性网络体系研究

下一代网络应该是一个可以满足用户个性化需求的网络,可重构技术在满足系统对环境和应用对象变化的适应性要求方面有着很好的表现,因此将可重构技术引入网络体系设计,提出了可重构柔性网络的概念,给出了可重构柔性网络参考模型,并进行形式化描述。最后,介绍了可重构柔性网络的应用前景及优势。     

移动IPv6协议的同时移动问题研究

移动IPv6协议中两台正在通信的移动主机同时发生移动时,它们之间传递的报文尤其是协议报文可能发生丢失。该文分析了同时移动可能产生的丢包过程和现有的改进方案,并在已有技术的基础上提出了一种基于家乡代理多重绑定的解决方案,仿真结果证明该方案能够较好地解决同时移动问题。     

一种位宽可配置的对角交叉校验码算法

局部总线标准SPI-4.2已经成为在物理层设备和链路层设备之间进行分组或信元传输的最通用的接口标准.详细介绍了SPI4.2标准中对角交叉校验的工作原理、设计思想和电路结构,并详细讨论了一种可扩展为16X(X≥1)数据宽度的适合硬件FPGA实现的DIP-4码算法,该算法在实际应用中功能正确且实现简单方便.     

一种分层组合的半监督近邻传播聚类算法

 针对近邻传播(AP)聚类算法的计算复杂度和准确性,该文提出一种分层组合的半监督近邻传播聚类算法(SAP-SC)。算法引入“分层聚类”的思想,将一次AP聚类过程等分成若干层聚类,使得处理过程简单、易于实现;每层只关注聚类“困难”的数据点,并通过构造“成对点约束”和使用“子簇标签映射”进行半监督学习;基于“组合提升”的方法将各层聚类结果加权叠加,从而提升了算法的准确性能。理论分析和实验结果表明：算法在聚类准确性和计算复杂度方面有了较大改进。