TSN时间敏感流量带宽分配与优化

针对时间敏感网络(time-sensitive networking, TSN)中时间敏感流量的带宽分配,必须要根据流量传输的实时性需求,并考虑不同类型流量的占比,提供具体的优化策略和带宽分配结果。首先,基于网络演算方法,建立时敏流量带宽分配评估模型;然后,根据实时性需求构建带宽分配的约束条件,采用启发式方法,实施带宽分配的优化;最后,通过案例,验证带宽分配在不同链路负载率和流量占比下的变化趋势。实验结果表明,采用基于信用量的流量整形机制,当案例中A类型流量的带宽分配占比为70%时,可获得最佳带宽匹配效果,实现网络中所有流量端到端延迟和最小的流量传输。     

基于流量优化的可靠服务功能链部署方法

针对网络功能虚拟化环境中服务功能链部署的资源开销问题, 提出一种基于流量优化的可靠服务功能链部署方法。首先, 根据虚拟链路流量变化对虚拟网络功能进行聚合, 使带宽需求大的虚拟链路部署到底层网络后, 其流量变为服务器的内部流量。其次, 综合考虑可靠性、综合时延以及拓扑属性, 利用离差最大化的多指标决策算法对物理节点进行评价, 并使用链路约束降低流量的乒乓效应。最后, 采用k-最短路径算法将虚拟链路部署到满足带宽需求的物理链路上。仿真实验表明, 所提方法在保证服务功能链可靠性的基础上, 对长期收益开销比、映射成功率、端到端时延以及带宽开销有较大优化。     

加性噪声背景下基于ICA的线性系统辨识算法

在加性噪声背景下,将线性系统辨识问题纳入到独立分量分析(ICA)瞬时混合模型中,提出了一种新的结合ICA技术的线性系统辨识算法.该算法无需对噪声信号的统计特性进行任何先验假定,根据ICA模型中瞬时混合矩阵的先验知识,准确估计出系统输出的加性噪声,从观测数据减去该噪声后,利用最小二乘理论实现算法对未知系统的参数估计.仿真实验表明,该算法不仅有效地消除了一般算法对于噪声特性的限制,而且在低信噪比下仍能取得较为理想的辨识结果.     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

网络结点流量控制的非线性模型分析

针对网络中海量数据传输的网络拥塞控制问题,对网络流量稳定性控制的非线性模型进行了分析和模拟。结合网络中产生拥塞的原因(控制信息与数据沿同一链路传输且具有相同的时延,而每一个用户都试图最大限度地利用网络),给出了利用TurboC模拟不同带宽利用率、不同工具函数、不同经验因子情况下的网络传输情况。验证了模型的科学性、问题所在及建立脱离网络拓扑和网络协议的通用结点流量控制模型的可行性。     

一种基于半马尔可夫网络流量模型的延迟估计算法

提出一种基于半马尔可夫网络流量模型的延迟估计算法,用于估计传榆链路的延迟超过某个阈值的概率,该值可做为控制器设计及控制策略选择的依据.利用半马尔可夫理论对网络流量进行建模,建立了延迟与网络传输中的队列队长、及队长与网络流速率的函数关系,之后经过推导和有限分割,得出网络延迟概率计算公式,并分析了该算法的复杂度.在计算布朗运动积分时采用Itǒ积分实现.仿真证明该算法是有效、可行的.     

一种基于速率的提高网络公平性拥塞控制算法

针对无连接的UDP流量所导致的网络资源不公平使用的问题,从端到端策略、路由器控制两方面入手,提出了一种基于速率的实现网络公平性的拥塞控制机制RFCC.根据TCP速率响应函数,由发送方对UDP数据流的发送速率进行调整,路由器以ECN的方式将网络的早期拥塞反馈给发送方,并采用ERED算法,改善带宽受数据包大小影响的情况,接收方运用Markov链方式计算丢包事件率.仿真实验验证了RFCC流量与TCP流量能友好地共享瓶颈链路的带宽,提高了网络资源分配的公平性.     

基于线性最小均方误差估计的SAR图像降噪

针对合成孔径雷达(synthetic aperture radar, SAR)图像降噪过程中容易引起细节纹理信息损失的问题,该文结合SAR图像相干斑噪声的统计特性,提出了一种基于变换域系数线性最小均方误差(linear minimum mean-square error, LMMSE)估计的SAR图像降噪方法。首先通过SAR场景下的Kmeans聚类算法将相似图像块聚类;然后针对每一类相似图像块集合进行奇异值分解(singular value decomposition, SVD),得到同时包含图像块集合行列相关信息的含噪奇异值系数;为从含噪奇异值系数中更准确地估计出真实图像奇异值的系数,先通过加性独立信号噪声(additive signal-dependent noise, ASDN)模型将乘性噪声转化为加性噪声,再利用LMMSE准则对奇异值系数进行估计,最后将估计结果重构得到降噪后的图像块集合。实验结果表明,该方法充分利用相似图像块集合奇异值系数稀疏的特性,采用LMMSE准则估计奇异值系数,既保证了系数中噪声分量的去除又避免了图像纹理细节对应小系数的丢失,不仅去噪效果明显,同时能有效地保持图像纹理细节,具有良好的图像视觉效果。     

基于H∞控制方法的多链路网络拥塞控制

研究了一类基于主动队列管理(active queue management,AQM)路由器的多链路网络拥塞控制问题.用一个状态空间模型来描述多链路网络流量的动态特性,并将实际链路带宽相对于期望带宽的偏差作为干扰信号,从而用H_∞控制方法来解决网络拥塞问题.在链路带宽变化的情况下,通过丢包率来控制实际窗口大小及队列长度,使得实际窗口大小和队列长度达到期望值,从而达到降低网络拥塞的目的.最后通过两个仿真示例验证了方法的有效性.     

数据丢包的参数不确定下无人机滚动时域估计

针对网络中通信链路中断及系统参数不确定现象,研究了数据包丢失的参数不确定无人机系统状态估计问题,基于滚动时域估计理论和随机最小二乘理论,提出了一种分布式滚动时域估计算法。对于数据包丢失和参数不确定问题,采用已知概率的马尔可夫序列和系统矩阵扰动噪声进行建模。仿真结果表明,该算法的估计效果优于一种新的卡尔曼滤波算法。最后,研究分析了系统压缩量、数据包接收概率和时窗长度对所提算法估计性能的影响。在系统不确定性和丢包概率未知的情况下,适当增加时窗长度可以提高算法估计性能。     

OFDM协作网络中基于组合叠加导频的信道估计技术

针对三节点放大转发(amplify-and-forward, AF)的正交频分复用(orthogonal frequency division multiplexing, OFDM)协作中继网络,为了高效获取级联和单跳链路信道状态信息(channel state information, CSI),本文提出基于组合叠加导频的信道估计方案。新方案在源节点和中继节点分别将不同的导频叠加到发送数据上,目的节点利用源导频和中继导频分别完成级联(S→R→D)信道和单跳(R→D)信道的估计。为了消除叠加导频方案中信息符号对于各链路信道估计造成的严重干扰,源导频设计采用发端预处理的数据置零叠加导频(data nulling superimposed pilots, DNSP)方式,并提出了基于协作干扰消除(cooperative interference cancelation, CIC)的中继导频设计方案,新方案一方面借助直达(S→D)链路检测符号来消除中继数据对R→D信道估计的影响,另一方面利用迭代重构来弥补源节点数据失真和提高检测性能。仿真结果表明,新方案在避免训练导频占用带宽开销的同时能获得与传统频分复用(frequency division multiplexing, FDM)导频相近的性能。     

区分服务网络TCP流带宽的公平性

区分服务是IP网络中提供服务质量保证的一种方案。区分服务网络中，处于同一个带宽保证业务类中的多个TCP流由于各个流的特性差异，在实际获得带宽时存在公平性问题需要解决。基于网络仿真器NS2，我们研究了分组长度对TCP流带宽公平性的影响，提出了一种基于RED算法支持TCP流实现带宽公平分配的方法，并通过仿真实验分析了性能。     

基于行空间映射的连续中继网络预编码干扰消除方案

针对转发放大(amplify-and-forward,AF)模式下双路径连续中继(two-path successive relay,TPSR)存在的中继间干扰(inter-relay interference,IRI)问题,提出了新颖的基于行空间映射的中继干扰消除方案。新方案对源节点信号进行交替行空间预编码,从而将接收期望信号与IRI信号映射到不依赖信道的正交子空间,在未知信道下实现IRI和累计噪声的完美消除,从而消除非理想信道估计带来的剩余自干扰和累积噪声对TPSR性能的影响。在这基础上,推导不同信道估计误差下系统平均误比特率（bit error ratio,BER）的闭合表达式和近似表达式,并通过仿真验证理论推导的正确性。通过对比该方案与传统基于信道估计的干扰消除方案在不同估计误差下的检测性能,表明新方案能够完全消除IRI和累积噪声,有效提升连续中继网络性能。     

基于叠加扩频的无人机MIMO导频修正MLD抗干扰

针对无人机遥控链路常受干扰的影响导致性能下降甚至失锁,研究将多输入多输出(multiple input multiple output, MIMO)空时分组编码与直扩技术相结合实现对链路常见干扰抑制。提出叠加扩频的方法消除融合技术中存在的多址干扰、对抗窄带干扰并预防欺骗干扰;采用基于噪声子空间投影的简化最大似然译码(maximum likelihood decoding, MLD) 抑制自然以及强宽带噪声干扰,通过分析由信道估计误差引起的MLD扰动误差,并利用导频修正来降低信道估计误差对MLD性能影响。理论分析及仿真表明,该方案通信保密性好、鲁棒性强,能够实现对多种干扰的抑制,为未来无人机智能抗干扰的实现提供方案。     

基于模糊神经网络的实时路段行程时间估计

基于对我国城市交通流的物性分析 ,提出了一种基于模糊神经网络的实时路段行程时间估计模型 ,用于将来自于交通控制中心的实时交通数据转换成为能够反映路段实时运行状况的直观参数 :路段行程时间 ,从而为交通流诱导服务 .这种方法用具有更高智能的神经网络实现了对抽象模糊规则的自动纠错的记忆 ,符合人类认识的模式 ,能令人满意地表达经验知识 ,而且模糊输入输出关系具有了明确的表达能力 .     

高移动性Jakes信道的学习与估计

在高移动场景下, 信道具有快速时变性和非平稳特性, 对信道的准确估计提出了新的挑战。针对高移动性Jakes信道, 提出一种基于图像重建和恢复原理的信道学习估计网络。首先,根据Jakes信道矩阵中局部相关特性, 构建快速超分辨卷积神经网络提取信道特征, 并对信道插值完成信道图像建模。然后, 利用去噪神经网络降低信道噪音的影响, 进一步提高估计精度。最后,通过时域和频域的仿真测试, 所提方案估计性能优于传统算法。在与现有基于深度学习最新方法比较中, 所提方案也有性能优势, 并且收敛速度更快。     

基于支持向量机的有效带宽估计算法的研究

高性能网络设计的关键是对性能参数进行建模和估计的能力，通信业务在网络上传输时，其带宽要求与通信质量密切相关，合理分配带宽能很好提高网络性能，合理分配网络带宽的首要任务是能够根据网络信息的变化，预测带宽使用情况，为此，本文采用支持向量机（SVM）对网络业务流数据进行预测估计，通过训练样本，从而获得样本以外数据的分布规律，在此基础上，设计了一种网络传输有效带宽使用的估计算法，实验表明，该估计算法具有较高的训练效率和很高的估计精确度。     

注意力机制CNN的毫米波大规模MIMO系统信道估计算法

在室外光线追踪通信场景下,针对毫米波大规模多输入多输出(multiple input multiple output,MI-MO)信道具有稀疏特性、系统受噪声因素影响导致信道估计精度低的问题,提出一种基于图像去噪的注意力机制卷积神经网络信道估计方法.首先,设定参数产生模拟真实环境的数据集,将所产生的信道矩阵看作二维图像...