一种基于机器学习的卫星网络QoS路由机制

针对目前卫星网络的特点,提出一种基于机器学习的QoS路由机制。卫星网络节点路由的过程被看成是一个分类器分类的过程,其输入是一个包括路由的起始节点、目标节点、各QoS度量等参数的离散值向量,输出为1条最优路径的标志符。该机制利用本地流量的历史数据在实时网络拓扑下动态构造的训练集来训练分类器。为动态构造训练集,调用粒度受限算法在多项式时间内解决多约束QoS路由问题,而多约束QoS问题是一个NP完全问题。训练完成后,当收到实时QoS路由请求时,卫星节点根据分类器分类的结果进行路由。仿真结果表明:本文所提出方法在实际网络吞吐率高的背景下性能更加优越。

基于正交多项式神经网络的卫星网络QoS路由算法

QoS路由问题作为多目标约束优化问题,是一种非确定多项式完全(NP-complete)问题,目前在地面网络中多使用启发式算法求解。卫星网络的拓扑时变特性要求路由算法快速收敛,而高昂的信息交换代价又要求尽量减少星间控制信息交换,这导致绝大多数探测导向型的启发式路由算法应用在星上时性能不高。该文引入一种基于正交多项式神经网络的卫星网络QoS路由算法,将数据包路由过程类比为在经训练过的神经网络中分类的过程;同时正交多项式的使用提高了训练速率,保证了拓扑周期内训练结果的有效性。仿真结果表明:该路由算法在满足用户QoS需求的同时还降低了链路拥塞、丢包率、呼叫阻塞率等指标。

面向服务质量卫星网络中间节点拥塞控制机制

网络中针对拥塞一般采用源端控制机制,源端控制能根据网络反馈的参数调整发送速率,缓解网络拥塞,但对于网络环境复杂的卫星网络环境,仅仅依靠端节点进行拥塞控制难以达到理想效果。网络中越来越多的服务质量(QoS)要求也需要网络的中间节点参与网络层的拥塞控制。该文提出一种卫星网络上的拥塞控制机制,其核心思想是利用动态分流缓存的中间节点丢包率管理策略进行控制。策略重点关注丢包率这个联系拥塞控制策略与服务质量控制策略的关键参数,通过丢包率的情况掌握网络的拥塞程度,作出拥塞控制决策。仿真结果表明:该机制拥有比传统中间节点控制机制更好的吞吐率表现。