基于拥塞预测门限的主动队列管理算法

为解决Drop Tail网关在拥塞后性能剧烈下降的问题,使新算法能简单地实现,并能根据网络状况变化自适应调整参数,提出了一种带显式拥塞指示(ECN)的主动队列管理(AQM)算法——带宽-延时积队列(BDPQ).该算法通过监视瓶颈网关中的缓存队列长度来判断拥塞状况,以带宽-延时积作为拥塞预测门限,如果缓存队列超过该门限,则根据显式拥塞指示策略标记离开队列的分组来向源TCP通知拥塞.仿真结果表明,该算法具有高的链路利用率、较低的平均队列和丢失率,以及较好的公平性能.     

基于二次型优化的神经元PID无线拥塞算法研究

神经元PID算法能较好地控制瓶颈节点的队列长度,但当网络环境发生较大变化时,其控制效果往往难以保证.根据Ad Hoc网络环境参量时变的特点,推导了无线TCP/AQM离散模型,在神经元算法的加权系数中引入二次型性能指标,设计了一种基于二次型性能指标的神经元PID的AQM.仿真结果表明:在动态拓扑、突发流及链路容量变化的Ad Hoc网络中,该改进算法优于PI算法.     

基于拥塞预测门限的主动队列管理新算法-BDPQ

提出了一种带显示拥塞指示的AQM(Active Queue Management, 主动队列管理)算法BDPQ(Bandwidth-Delay Product Queue),该算法通过监视瓶颈网关中的缓存队列长度来判断拥塞状况,算法中引入BDP (Bandwidth-Delay Product, 带宽-延时积)作为拥塞预测门限,如果缓存队列超过该门限,则采用ECN(Explicit Congestion Notification,显示拥塞指示)标记离开队列的分组来向源TCP通知拥塞.通过在ns-2中仿真显示,该算法具有高链路利用率、较低的平均队列、低丢失率和较好的公平性能.     

基于反向传播神经网络的Ad Hoc网络PID拥塞控制

为了改进比例积分微分(PID)控制在Ad Hoc网络主动队列管理(AQM)中的动态性能,优化PID控制参数的整定,该文提出了一种基于反向传播神经网络的PID拥塞控制AQM方案。该文将Ad Hoc网络的分组丢弃分为拥塞丢弃和无线丢弃,考虑分组的到达与丢失为流体,推导了拥塞窗口和队列长度的随机微分关系,通过小扰动线性化理论,获得Ad Hoc网络AQM拥塞控制模型。根据该模型,设计了基于反向传播神经网络(BPNN)的PID队列控制器,该算法可以根据网络状况对控制器PID系数进行自适应的调整。MATLAB和网络模拟器(NS)仿真表明,在突发流、链路容量及时延时变的Ad Hoc网络中,新算法在收敛速度和队列抖动上优于PID。     

几种典型主动队列管理(AQM)算法

网络拥塞控制按照不同的标准可以分为不同的控制机制和相应的拥塞控制策略.主动队列管理(AQM)算法是一种运行于网络中心节点的积极的闭环控制的链路算法.RED(随机早期丢弃)算法是IEIF推荐的主动队列管理算法的唯一侯选算法,然而算法在响应速度、稳定性等方面仍有缺陷.阐述了当前拥塞控制算法和几种典型的主动队列管理AQM算法,分析总结原始的RED算法的不足.     

控制理论在主动队列管理中的应用

拥塞控制中作用于网络中间节点的主动队列管理策略(AQM)是解决IP网络拥塞问题和保证QoS的重要途径.运用控制理论,首先对TCP拥塞控制机制建模,在此基础上运用经典控制理论对主动队列管理各种策略进行分析,着重对AQM的唯一候选算法———随机早期检测(RED)算法进行分析与探讨,给出针对AQM策略的比例及比例积分控制器设计.针对网络本身是一个复杂、时变与不确定性的系统,智能控制理论更适合这类对象分析,为此,引入的智能控制理论采用模糊控制和神经网络控制对AQM策略进行研究和分析.     

RED算法的改进及其性能分析

随机早期检测(RED)算法作为主动队列管理(AQM)中有效的实现算法,其性能研究近来已成为网络研究的一个热点。介绍了原始RED算法,并在此基础上对该算法进行了改进,仿真结果和实验数据表明,改进算法能显著地降低丢包率,提高网络的链路利用率。     

RED算法的改进及其性能分析

随机早期检测（RED）算法作为主动队列管理（AQM）中有效的实现算法，其性能研究近来已成为网络研究 的一个热点。介绍了原始RED算法，并在此基础上对该算法进行了改进，仿真结果和实验数据表明，改进算法能 显著地降低丢包率，提高网络的链路利用率。     

一种基于模糊排队论的网络拥塞控制算法

在分析和比较现有的主动队列管理(AQM)的网络拥塞控制算法基础上,将模糊控制理论与排队论相结合,提出了一种适合于动态控制队列长度的拥塞控制算法。该算法根据路由器中队列长度的变化情况,对源端数据包的丢弃概率进行模糊控制,从而避免网络拥塞,提高路由器处理的实时性。通过matlab仿真,验证了此算法能够减小排队的延时、提高带宽利用率以及稳定队列的长度。     

基于内模补偿的网络拥塞控制新算法:IC-AQM

已有的AQM算法都没有充分考虑到长时滞对算法性能的影响，该文利用频率域模型降价拟合方式建立了TCP流量控制中主动队列管理AQM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时滞补偿AQM算法（IC—AQM），克服了长时滞给对队列稳定造成的不利影响，仿真结果表明，这种新算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。     

一种具有带宽公平性的动态队列管理算法

RED动态队列管理算法用于网络节点以避免拥塞产生，同时保证较高的链路利用率，但在某些情况下，RED算法不能避免网络带宽被一些数据流量很大的连接大量占用，从而导致连接间的带宽分配不公平，提出了一种能有效保障各连接间带宽公平性的改进算法，即BF－RED算法，并且分析了该算法的性能。     

优化理论在TCP拥塞控制中的应用

在互联网中，一个好的速率分配算法必须公平的反映用户的效用．基于TCPvegas版本，使用优化理论解决网络中的一组对偶问题——用户效用值最大和链路拥塞值最小，实现网络带宽的合理分配，避免网络拥塞的出现．仿真实验证实了新算法使得平均队列长度、瓶颈链路吞吐量两个指标优于TCPvegas．     

计算机网络中面向拥塞控制的一种模糊流量控制机制

未来的计算机网络将是一种能够提供多种不同服务,支持多种不同应用需求,有着集成服务支持能力的高速分组交换网络。为充分提高该类网络性能,设计一个高效的流量控制机制是关键问题。为此,本文以ATM网络中的相关研究为背景,提出了一种基于模糊逻辑的显式速率（ER）控制机制。通过管理交换机缓冲区瞬时队列长度及其变化率,并利用一组语言规则,该机制计算出交换机可支持的流量速率。仿真结果表明该机制是稳定的、鲁棒的;它能有效地避免网络拥塞并具有更高的链路带宽利用率。     

一种改善与TCP Reno兼容性的TCP Vegas改进算法

在分析TCP Vegas及其相关改进算法优缺点的基础上,针对TCP Vegas在与TCP Reno共享带宽时存在不兼容的问题,基于TCP Vegas-A算法,引入相对队列时延的拥塞状态判断方法,提出了一种Vegas改进算法TCP Vegas-A+.新算法将路由器缓存占用量和相对队列时延相结合,把网络状态进一步细分成拥塞增加和拥塞减轻状态,以更准确地判断网络拥塞情况、适时合理地调整拥塞窗口.分阶段对各算法的拥塞窗口大小、所传输的分组数进行数学计算,分析Vegas-A+连接与Reno连接的兼容性,并与Vegas+连接与Reno连接的兼容性进行比较,同时利用仿真实验进行验证.数学分析和仿真结果表明,Vegas-A+算法能更准确判断网络状态,改善了与TCP Reno的兼容性,能和TCP Reno较公平地竞争带宽.     

基于边际效应全局最优的队列控制方法

为了解决网络节点在进行数据传输过程中的冲突拥塞,针对队列控制方法存在的问题,提出了一种基于经济学中边际效应全局最优的队列管理机制.在这种机制中会兼顾数据流之间的公平性和优先级,在二者中寻找到最佳的平衡点.通过在合理的范围内设定不同业务用户的满意度和结点提供的带宽之间存在边际效应,平衡公平性和优先级之间的矛盾,达到使全局满意度最高的带宽分配方案.实验结果表明,提出的分配带宽的方案能使全局满意度达到最大值.     

一种无线传感器网络跨层拥塞控制算法

在无线传感器网络中节点级拥塞和链路级拥塞同时发生的情况下,引入滑模变结构机制,提出相应的拥塞控制算法.链路级拥塞采取节点输出流量最小的数据包优先进行传输的原则;节点级拥塞利用主动队列管理方法实现拥塞控制.所设计的控制器实现了MAC层和传输层同时进行拥塞控制的目的,使整个网络中的节点根据局部的拥塞状态调整数据发送速率,同时自适应地分配MAC信道,利用Lyapunov函数证明了算法的有效性.仿真结果表明该算法有效缓解拥塞的发生,大大降低排队时间.     

基于混合神经网络的主动队列管理算法

针对高速互联网中拥塞控制的问题，在主动队列管理算法模型基础上，提出了一种基于混合pi-sigma神经网络的动态管理机制．其模型可以方便地在线修正前提参数（隶属函数）和结论参数，适合网络系统拥塞预测和控制．仿真表明，该算法能够保证缓存器中队列长度的稳定性，而且在网络突发流量较大时，在短时间间隔内可以使流量的抖动变得平缓，对网络动态的、不精确的、突发性的环境具有较强的自适应能力．     

时滞TCP网络的自适应滑模控制

针对具有输入时滞和状态时滞的TCP网络的拥塞控制问题,提出了一种基于自适应滑模控制的主动队列管理算法。通过引入一个特殊变换将原时滞系统转化为无时滞系统,从而消除时滞带来的影响。考虑到网络系统不确定性上界很难获得,提出了一种自适应律以适应系统的不确定的上界,并根据此自适应律设计了一个滑模控制器,所设计的控制器不仅可以使队列长度快速收敛到设定值,而且维持较小的队列振荡。仿真结果表明,该算法可以获得良好的暂态和稳态响应,该方法优于传统的PI控制和滑模控制。     

基于改进单神经元梯度学习的无线网络主动队列管理

考虑传统网络拥塞控制忽略了网络拥塞的持续状态, 引入将数据包到达链路速率作为控制器输入的方案, 得到一种改进单神经元梯度学习(improves single neuron gradient learning, ISNGL)的主动队列管理算法. ISNGL 算法采用梯度学习动态调整网络参数, 并在此基础上对收敛速度和稳定性加以改进, 提出带有位移参数的新激活函数和带有权值调整的动量项的改进方法, 最后通过 NS2 网络仿真软件在无线网络的拓扑模型上进行仿真分析, 结果表明 ISNGL 算法在无线网络环境下拥有良好的拥塞控制能力.