基于加权映射模型的主干网流量特性分析

网络测量表明,IP主干网上流量在次秒级的时间尺度下呈现出非平稳的泊松特性,而不是近10年大量研究的自相似现象。从分析因特网的结构出发,提出了一种加权映射模型来解释这种特性。该模型通过引入混沌变化因子和流量特征间的关系,对接入网中的具有自相似特性的流量进行了变换得到具有趋泊松性的流量。最后,通过在NS2上的仿真实验证实了该模型的合理性。     

包延迟测量中泊松采样低估效应的仿真研究

采样是网络测量的基础，泊松采样是一种无偏的采样方法的观点被人们普遍接受，也使其在主动测量领域得到了广泛应用。用户流包性能测量已成为主动测量领域的一个重要问题，然而泊松采样的无偏性仅针对网络状态，目前尚无研究工作研究其对于用户流的包性能的测量效果。利用真实的Internet流量数据进行了仿真试验。系统定量地研究了该问题得到如下结论：泊松采样系统低估了用户流包延迟性能；低估程度不受泊松采样频率的影响且随着网络链路利用率的升高而下降．定性分析和解释了泊松采样测量用户流包延迟性能时的低估现象。     

网络业务流的自相似性对网络性能的影响

传统马尔可夫排队模型的结果与实际的性能有很大的差异 ,其原因在于网络传输过程中存在自相似性 ,突发可能在所有时间级别发生 ,它所需的缓冲容量远远大于泊松分布到达的缓冲容量。揭示了网络自相似性的特性 ,分析了产生自相似性的原因 ,以及它对网络性能的影响 ,并给出了使用概率统计的方法 ,可以达到预测处理到达的业务流 ,提高网络的利用效率。     

A new cascading failure model with delay time in congested complex networks

Cascading failures often occur in congested complex networks. Cascading failures can be expressed as a three-phase process: generation, diffusion, and dissipation of congestion. Different from the betweenness centrality, a congestion function is proposed to represent the extent of congestion on a given node. Inspired by the restart process of a node, we introduce the concept of “delay time,” during which the overloaded node cannot receive or forward any traffic, so an intergradation between permanent removal and nonremoval is built and the flexibility of the presented model is demonstrated. Considering the connectivity of a network before and after cascading failures is not cracked because the overloaded node are not removed from network permanently in our model, a new evaluation function of network efficiency is also proposed to measure the damage caused by cascading failures. Finally, we investigate the effects of network structure and size, delay time, processing ability, and traffic generation speed on congestion propagation. Cascading processes composed of three phases and some factors affecting cascade propagation are uncovered as well.     

网络化服务组织的效率和福利改进分析

售后服务行业在我国东部一些大城市已经逐步向网络式组织转化,这种组织形式的业量具有不确定性特点,从学术界已有的研究中难以找到对这种组织形式经济学特性的深入研究.就其面对的市场特点建立了泊松流模型对网络化服务组织进行分析,得出网络化服务组织的效率改进主要体现在资产和管理的规模经济及不确定条件下的人员互补效应,后者是和不确定性相联系的一种规模经济.这种组织形式对所涉及各方均带来了有利的影响,是市场效率提高的表现.     

基于事件的交通拥堵模拟与消散策略研究

区域交通拥堵是通过排队链环逐级传播的,其结构类似于树结构分岔。如果不能实施及时有效的疏散控制策略,极有可能造成拥堵闭环。运用改进的中观交通仿真模型模拟基于事故的理想格子网络的交通拥堵形成和消散过程。依据交通拥堵传播的空间结构特征,利用禁止转弯(转弯禁限)与车辆途中更换路径的交通管制和诱导措施,首次提出了"树控制"策略缓解交通拥堵。仿真结果表明,合理应用提出的拥堵消散控制策略可以有效缓解交通拥堵的传播。     

Research on handover algorithm to reduce the blocking probability in LEO satellite network

1.INTRODUCTIONDue totheli mitation of economy andtechnology,theterrestrial networks can only cover some li mited ar-eas.With the increasing demands for real-ti me andinteractive multi media services and mobility,satellitecommunication networkis surely going to be the i m-portant component of the universal mobile telecom-munications system(UMTS)which has been charac-terized by global seamless coverage,mobility and highQoS.For its merits of low propagation delays andglobal seamless covera…     

改进点格自动机交通网络模型及交通系统自组织现象的研究

基于点格自动机的原理,提出一种比较切合实际的改进点格自动机交通网络模型。该模型把交通网络分为“道路”和“路口”。用队列来模拟“车流”,车辆密度分为三档。在此模型基础上,研究了不同情况下交通系统中的自组织现象。理论上分析了自组织形成的动态过程。并进行计算机仿真     

考虑OD需求变异的网络交通流演化模型

考虑到新进入网络的交通需求不了解路径的完备信息,可能随机地选择出行路径,提出一个改进的网络交通流演化模型,并分析了该模型及其不动点的一些特性. 该模型不动点不是传统意义下的用户均衡态或部分用户均衡态,它能更好地反映现实中交通流分配结果. 格子网络上完成的数值模拟结果表明,模型可用来近似刻画实现用户均衡态的过程, 模型中初始可行路径流量可以为零, 交通流能够收敛到不动点, 但可能存在多个不动点.     

基于神经网络的交通平衡求解算法

研究目标在于采用神经网络方法替代传统的交通分配方法。回顾了交通网络平衡条件下实现交通网络配流的解析方法，然后提出了采用人工神经网络模拟处于交通平衡状态的运输网络，进而替代传统的配流方法的思想。定义了交通流的平衡函数和交通流平衡态的概念，证明了用神经网络来识别交通流的平衡状态的可行性。提出采用反向传播神经网络来模拟交通平衡状态的原则和方法，并建立了训练神经网络的判据，提出了判断神经网络模型效果的评价方法。最后，通过实例证明了良好训练的神经网络可以替代传统的交通分配，而且，容易把交通管理策略考虑到分配的过程中．并且能够政善配流速度。     

Construction of continuous time Markovian arrival processes

Markovian arrival processes were introduced by Neuts in 1979 (Neuts 1979) and have been used extensively in the stochastic modeling of queueing, inventory, reliability, risk, and telecommunications systems. In this paper, we introduce a constructive approach to define continuous time Markovian arrival processes. The construction is based on Poisson processes, and is simple and intuitive. Such a construction makes it easy to interpret the parameters of Markovian arrival processes. The construction also makes it possible to establish rigorously basic equations, such as Kolmogorov differential equations, for Markovian arrival processes, using only elementary properties of exponential distributions and Poisson processes. In addition, the approach can be used to construct continuous time Markov chains with a finite number of states     

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。     

基于随机赋时Petri网的车辆交通系统建模与仿真

针对普通道口的车辆交通系统,将各道口描述为资源库所,车辆到达（离开）道口的事件描述为发生时间间隔服从泊松分布的赋时变迁,从而建立了该系统的随机赋时Petri网模型,并根据该模型开发了VB仿真系统平台,仿真实验显示该系统能够模拟道路口的车流动态过程,可以为交通调度算法提供了实验平台。     

城市道路网络多交叉路口交通信号实时优化控制模型与算法

城市道路各交叉口交通信号的实时管理和控制直接影响了整个城市的交通拥挤。以武汉市武昌区各主要交叉路口的交通信号控制问题为背景，构造了交通网络中以多交叉口滞留的车辆数最少为目标的优化模型，用遗传算法对其进行了仿真数据求解，得到了实时控制的配时方案，并与固定周期固定绿信比方案进行了比较，结果表明该模型和算法对交通信号实时控制是非常有效的。     

基于储备容量的交通网络潜在瓶颈路段识别

交通网络潜在瓶颈路段是随着需求变化将来可能会成为瓶颈的路段.准确识别出潜在瓶颈路段并进行优化管理,可以更好地适应未来交通需求的变化.基于交通网络储备容量模型,提出了交通网络潜在瓶颈路段识别方法,并设计了储备容量模型的求解算法.算例分析比较了现状需求和路网可容纳最大需求下的交通均衡流量模式.结果表明,不能简单地根据现状需求去推断潜在瓶颈路段,而论文提出的方法可以识别出路网达到最大需求时的潜在瓶颈路段.此外,利用交通网络储备容量模型设计了一种次要潜在瓶颈路段识别方法,次要潜在瓶颈路段是在优化潜在瓶颈路段之后随需求增长新出现的瓶颈路段.算例表明该识别方法具有一定的适用性.     

动态用户均衡配流模型的研究

提出一个动态用户均衡配流模型 ,它能够预测多 OD对交通网络中交通流的动态变化 ,利用最优控制理论得出该模型最优解的条件 ,并证明了该条件与动态用户均衡相一致 ,该模型可以调控交通网络中的交通流量 .     

最优信号控制条件下城市交通离散网络设计问题的备用能力模型

将备用能力的概念与城市交通离散网络设计问题结合在一起,一方面通过对路口的信号进行最佳设置使交通网络可以容纳最大的交通需求量;另一方面,通过在交通网络中添加新的路段来提高整个交通网络的通行能力.给出了最优信号控制条件下城市交通离散网络设计问题备用能力的优化模型及其启发式求解算法.最后,通过一个简单的算例,说明该算法是可行并且有效的.     

基于小波分析和SOM网络的交通事件检测算法

本文提出一种结合小波分析和SOM（自组织特征映射）神经网络的交通事件检测算法。论文首先利用小波分析检测交通流初始信号的奇异性．然后将小波系数作为SOM网络的输入．对信号奇异点进行分类,再根据分类标准判断交通流状态，并运用Matlab进行了仿真分析。结果表明提出的交通事件检测算法利用较少样本数据即可快速实现交通事件检测，具有潜在的应用价值。     

基于深度强化学习的网络路由优化方法

针对同一网络拓扑下不同网络负载的路由优化问题, 在深度强化学习方法的基础上, 提出了两种依据当前网络流量状态进行路由分配的优化方法。通过网络仿真系统与深度强化学习模型的迭代交互, 实现了对于流量关系分布的网络路由持续训练与优化。在利用深度确定性策略梯度(deep deterministec policy gradient, DDPG)算法解决路由优化问题上进行了提升和改进, 使得该优化方法更适合解决网络路由优化的问题。同时, 设计了一种全新的链路权重构造策略, 利用网络流量构造出用于神经网络输入状态元素, 通过对原始数据的预处理加强了神经网络的学习效率, 大大提升了训练模型的稳定性。并针对高纬度大规模网络的连续动作空间进行了动作空间离散化处理, 有效降低了其动作空间的复杂度, 加快了模型收敛速度。实验结果表明, 所提优化方法可以适应不断变化的流量和链路状态, 增强模型训练的稳定性并提升网络性能。     

基于模糊C均值聚类和神经网络的短时交通流预测方法

短时交通流预测是动态交通控制和诱导的前提。提出一种模糊C均值聚类和神经网络相结合的短时交通流预测方法。用同一组实测数据对比计算了该方法与BP神经网络预测方法、模糊神经网络预测方法分别得到的预测结果。计算结果表明：所提出的方法的预测准确性明显地高于其他两种方法。