结合果蝇优化算法的PI主动队列管理方法

为解决PI(Proportional Integral)算法收敛速度慢的问题,结合果蝇优化算法提出一种新的PI主动队列管理算法(PIFF).阐述PI主动队列管理机制及丢包率计算方法,结合队长和到达速率定义丢包策略,利用果蝇优化算法刻画了数据包瞬时状态.通过NS2和Matlab进行仿真实验,深入分析了影响该算法的关键因素,对比研究了该算法与其它算法之间的性能状况.研究结果表明:在长期TCP会话数下PIFF能够减少数据包排队时延,有效缓解网络拥塞.     

基于元胞蚁群的主动队列管理算法研究

针对网络拥塞现象,基于弃头方式提出了一种新的主动队列管理算法.该算法首先利用元胞蚁群建立了实际网络队长最大值的计算方法,同时通过判断网络队长与阈值的关系,采取从队列头部丢弃N个数据包的方法.最后,以长相关数据进行仿真实验,对比分析了DFCA与RED、DROP-TAIL之间的优劣,结果表明该算法具有较好的适应性.     

基于元胞遗传方法的主动队列管理算法研究

为了解决网络拥塞现象,基于CHOKe方法建立了一种新的主动队列管理算法New-SCHOKe。该方法首先根据采样击中和队列击中定义了丢包策略和丢包概率,并且利用元胞遗传技术刻画了平均队列长度。同时,以实际数据进行仿真实验,对比分析了该算法与SCHOKe和CHOKe之间的性能,结果表明New-SCHOKe具有较好的适应性。     

基于模糊控制的主动队列管理算法

针对网络模型的不确定性和参数的时变性,该文提出了一种基于输入速率和队列长度变化的模糊控制主动队列管理算法.采用模糊控制方法,不依赖于网络的精确数学模型;考虑了负载因素和队列因素,加快了对拥塞的感知速度.仿真结果表明该算法能迅速地将队列长度收敛到目标队列长度附近,并且其丢弃概率小于随机早期检测算法以及PI控制算法.     

ABLUE—一种新的自适应主动队列管理方法

针对主动队列管理方法 BLUE存在队列抖动偏大的问题,提出一种新的自适应主动队列管理方法 (ABLUE).该方法通过考虑缓冲区长度和平均队列长度定义了丢包策略和丢包概率,利用菌群优化算法对平均队列长度模型进行求解.利用OPNET对ABLUE方法进行仿真实验,深入研究有效传输数据包个数、瞬时平均队列长度方差和缓冲区长度等因素之间的关系.研究结果表明:相对于与BLUE方法、RED方法,ABLUE方法具有较好的适应性.     

基于人工蜂群和小波变换的PID主动队列管理方法

针对日益严重的网络拥塞问题,基于PID控制器建立了一种新的主动队列管理方法(PID active queue management al-gorithm based-artificial bee colony and wavelet,PIDAW)。该方法首先利用小波技术对到达流量进行变换,并且采用人工蜂群算法来计算小波系数,同时通过重构方式获得实际队列长度,以此优化丢包概率。最后,以实际数据进行仿真实验,深入分析了该方法与PID、RED方法之间的性能,结果表明PIDAW具有较好的适应性。     

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。     

主动队列管理中PI控制的分析与改进

主动队列管理是一个控制过程,它由核心路由器通知TCP源端管理时延并对队列加以利用,是一个反馈控制问题。该文在TCP拥塞控制动态模型的基础上,分析了随机提前检测(RED)机制和其队列平均的不利性,提出可采用PI控制进行队列管理。对PI控制,可将丢弃数据包的概率从几何随机数改进为标准随机数,经网络仿真器仿真,结果表明,验证了该文提出的这一改进效果。     

TCP主动队列管理的计算方法

将TCP的流量控制过程等效为二阶线性时变系统，采用不敏感控制对象参数的内环位置补偿（SP）结构和负载扰动的控制器设计方法，设计出一种新的AQM算法．仿真试验表明，主动队伍管理算法的稳态和瞬态性能都优于与它具有相同实现复杂度的RED和PI算法，并在负载扰动和参数变化时具有较强的鲁棒性．     

基于测量的主动队列管理算法

针对RED(Random Early Detection)队列管理算法不能实现业务流之间带宽公平共享,提出了基于测量的主动队列管理算法(MBAQM).这种算法采用基于测量和预测的方式估计不同业务流的输入速率,并根据队列大小计算出新到来包的丢弃概率,在维持较少的流状态情况下,通过队列的丢弃机制,实现了不同速率输入业务流之间的链路公平共享.通过对参数的调整还可以实现优先带宽分配机制.该文从理论上说明了该算法能够保证各业务流近似公平地共享输出链路带宽,同时给出相应的仿真结果.     

基于神经网络逆系统的鲁棒主动队列管理算法

通过在中间节点上使用主动队列管理策略来进行有效地拥塞控制,在保证较高吞吐量的基础上稳定地控制队列长度,从而实现了端到端的时延控制和保证QoS需求.在研究中,TCP的流量控制过程被视为二阶非线性时变系统,并通过可逆分析,证明该系统可逆,采用神经网络逆系统这种近年来发展起来的非线性鲁棒控制理论作为控制器的设计方法,设计出一种新的主动队列管理算法.仿真试验表明,这种算法的稳态和瞬态性能都优于与其具有相同实现复杂度的 RED和PI算法,并且在负载扰动和参数变化时具有很强的鲁棒性.神经网络逆系统方法应用于非线性的流量控制过程中有助于系统稳定性和鲁棒性.     

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．     

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.     

鲁棒性可调的主动队列管理PI控制器的解析设计

针对主动队列管理控制系统,基于TCP/AQM控制结构提出一种解析地设计PI(Proportional Integral)控制器的方法.分析了控制系统保证鲁棒稳定性的充要条件.根据鲁棒控制H∞最优性能指标,引入动态解调因子设计控制器,采用数学有理逼近的方法得到其实际可执行的PI形式.该控制器由单参数调节,可以方便地实现系统标称性能和鲁棒性能的折中.通过仿真实例验证了所提出方法的优越性.     

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。     

自适应虚拟队列算法AVQ的公平性研究

从理论上对自适应虚拟队列(AVQ)算法的拥塞控制机制和TCP的吞吐量模型进行了分析,在不同网络配置条件下使用NS2网络仿真器对其进行了仿真,考察公平性和网络中长期TCP流的数量、路由器缓冲区大小、AVQ算法中的平滑因子α、期望链路利用率γ等之间的关系.结果表明,AVQ算法在长期TCP流数量较多和各种缓冲区容量条件下均表现出良好且稳定的公平性,α对公平性影响不大,但γ的取值对公平性有很大影响,当该参数取值较大时,算法的公平性明显下降.     

Fuzzy variable structure algorithms for active queue management with delay compensation

Based on the linearized model of the TCP connections through the congested routers, this paper puts forward an active queue management algorithm （FVS-T）. The algorithm utilizes the fuzzy variable structure control algorithm with delay factor to compensate time varying round-trip times （RTT） and uncertainties with respect to the number of active TCP sessions. By analyzing the robustness and performance of the control scheme for the nonlinear TCP/AQM model, we show that the proposed design has good performance and robustness, which are central to the notion of AQM. Implementation issues were discussed and ns simulations were provided to validate the design and compare its performance to other peer schemes in different scenarios. The results show that the proposed design significantly outperforms the other congestion schemes in terms of packet loss ratio, throughput and buffer fluctuation.