一种改进的主动队列管理拥塞控制算法

对基于流的GREEN算法进行了NS-2仿真实验研究，改进算法GREEN＋通过引进参数K（t），在出现短连接流和低带宽流时，能有效地利用链路带宽，取得较高的公平性，同时保持高的链路利用率、低的报文丢失率、短的队列长度．还使用IP优先级域作为一个便利，实现了嵌入式RTT估计．     

一种新的主动队列管理拥塞控制策略

通过对主动队列管理非线性模型进行线性化处理，并在此基础上采用延时反馈系统控制理论，提出了一种基于延时反馈的AQM策略，评估分析了该策略的稳定性和网络性能的优化。仿真结果表明，这种新的拥塞控制策略对抑制网络拥塞有明显效果，能够显著提高网络性能。     

一种基于改进的模糊Smith控制主动队列管理算法

针对网络中传输延时给拥塞控制带来不利影响,而现有算法过于依赖精确模型的弱点,提出将模糊控制与改进的Smith预估补偿相结合的设计用于与TCP连接的主动队列管理算法.通过改进的Smith预估补偿器对时延进行预估补偿,使得对TCP的拥塞控制更加及时;而模糊控制器无需被控对象的精确数学模型即能实现良好的控制,可以克服Smith预估补偿依赖精确模型的缺点.两者的结合对于时滞网络的控制可以达到优势互补的作用.最后通过仿真验证了方法的有效性.     

一种基于积分分离的内模PID主动队列管理算法

针对PI主动队列管理算法存在调节时间长和鲁棒性差的缺点,提出了一种基于积分分离的内模PID主动队列管理算法(IMC PD-PID)。其突出特点是控制器参数整定方便,由于采用了积分分离的方法,使其既保持了积分作用,又减小了超调量。仿真结果表明:该算法较PI算法有更小的超调量,队列收敛速度明显加快。     

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CGA算法的主动队列管理新策略

基于流体流理论的网络简化模型,将NSGA-Ⅱ与PGA相结合的复合遗传优化算法应用于PID控制器参数优化,提出了一种多目标PID优化设计方法--在满足系统鲁棒性的前提下,以超调量、上升时间和调整时间最小作为多目标优化的子目标,并用复合遗传算法对其求解.该算法求得的Pareto最优解分布均匀,收敛性和鲁棒性好,根据网络主动队列管理控制系统的要求在解集中选择满意解.仿真结果表明,在大时滞和突发业务流的冲击两种情况下,该方法设计的控制器的动静态性能优于GA、SPSO、QDPSO算法的优化结果.     

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．     

基于自适应全局滑模控制的主动队列管理算法

针对TCP网络的拥塞控制问题,采用滑模控制理论提出了一种新的主动队列管理算法。考虑到UDP流干扰的情况,设计了基于自适应全局滑模控制的主动队列管理算法。该算法保证网络系统在整个控制过程中的鲁棒性,并且使用RBF神经网络作为自适应律来消除UDP流干扰对系统的影响。仿真结果表明该算法可以使队列长度快速收敛到设定值,同时维持较小的队列振荡,优于传统的PI控制和滑模控制。     

基于拥塞通知速率的主动队列算法及仿真

随机早期确定(random early detectim,RED)算法是网络拥塞控制策略中基于网络节点的一种主动管理队列技术.就该算法的缺点-滞后效应进行了研究和探讨,并提出了一种基于分组丢失和链路使用历史的解决办法,使得RED的滞后效应得到克服,最后并用NS进行了仿真研究.并就仿真方法进行了探讨.对RED和blue算法用NS就队列长度、平均队列长度、吞吐量等进行了对比分析.     

时滞TCP网络滑模预测主动队列管理算法

针对Internet网络系统中存在的网络拥塞问题,提出了一种离散滑模预测主动队列管理(AQM)控制算法。基于离散化TCP动态拥塞窗口模型,设计了具有时滞补偿的滑模预测算法(SMPC);利用当前及过去时刻的系统信息预测网络未来动态,对滑动模态进行实时校正,确保队列快速平稳的到达期望值;基于Lyapunov方法证明了闭环时滞系统渐近稳定的充分条件。以单瓶颈网络系统为对象的仿真结果表明:所设计的滑模预测AQM算法具有很强的稳定性和鲁棒性,控制性能优于PI、RED和SMC等算法;克服了时变长时延等网络不确定因素的影响,有效避免了网络拥塞的发生。     

基于GPC的主动队列管理算法稳定性分析

根据主动队列管理算法中TCP拥塞窗口的流体流模型,给出了离散模型和广义预测控制(GPC)算法的表达式;得出了路由器输出队列长度与参考队列长度的闭环传递函数;证明了GPC控制器在满足特定控制参数的条件下,无论网络参数如何变化,闭环系统都是稳定的;并通过仿真验证了其正确性.     

一种改进的核心无状态公平队列调度算法的研究

在核心无状态公平队列调度(CSFQ)算法的基础上,针对其实际实现公平性方面的不足,提出了一种改进的MCSFQ算法。在链路产生拥塞的时候,根据队列长度的变化情况,对公平共享速率进行不同程度的调整,以使得公平共享速率的取值更加合理。仿真实验证明,该算法在保持了CSFQ算法的优点基础上,更进一步地改善了在不同数据流间带宽分配的公平性。     

主动队列管理算法中拥塞等级的探讨

IBLUE算法是一种主动队列管理算法,它使用数据包在路由器排队队列中的延迟时间和平均队列长度来控制网络拥塞,通过对不同拥塞等级的探讨,进一步完善了该算法的理论基础。     

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.     

基于反步设计法的非线性主动队列管理算法

针对网络拥塞问题提出了一种非线性主动队列管理(AQM)算法,设计了一种标注概率可以保证网络的最大传输速率和最小队列长度。通过比较引理和反步设计法设计了非线性输出反馈控制算法,并提出了控制参数的取值范围。在考虑实际网络中往返时间(RTT)与队列长度的函数关系的基础上提出了基于变RTT的非线性网络模型,并设计了新的TCP窗口大小观测器,证明了当标注概率取值范围为0~1时,TCP窗口观测误差渐近地收敛到0。仿真表明,该文基于反步设计法的非线性AQM算法在变化的网络环境下具有较好的鲁棒稳定性,实验中的链路利用率为95.41%,丢包率为0.287%。     

主动队列管理中的PID型神经网络控制

研究动态网络中间节点的拥塞控制. 提出一种PID型神经网络的主动队列管理(AQM)算法,给出基于BP学习规则的网络参数自调整规律,根据Lyapunov定理证明了系统的稳定性. 基于NS$-2平台的仿真结果表明,该算法适应瞬息万变的网络环境,系统稳态误差和响应速度等指标优于PID算法.     

优化PI控制的自适应主动队列管理算法

主动队列管理算法是解决网络拥塞问题的研究热点,在分析基于控制论的PI主动队列管理算法存在缺陷的基础上,提出了具有自适应特性的ONPI算法,该算法通过引入新的参数设置办法来改善网络的性能。经仿真软件ns2实验证明,新算法能快速地收敛队列、保证队列的稳定性和自适应性。     

一种基于速率自适应的改进RED算法

提出了一种利用业务流速率与平均队列长度相结合的指示拥塞程度和计算丢弃概率的RARED（rate automophism RED）算法，用NS2仿真软件验证其有效性，试验结果表明，RARED算法在吞吐率和减少丢包率方面表现优于RED、FRED算法，在端到端的延时方面也表现了较高的稳定性，因而在综合性能上优于RED、FRED算法。