基于改进遗传算法的网络弹性恢复方法

针对基本遗传算法在网络弹性恢复路径规划领域存在的初始种群随机性过大、进化算子效率低等问题,提出了一种基于改进遗传算法的网络弹性恢复方法。首先,采用商模型来度量弹性,利用任务重要度进行网络弹性的建模。其次,将时间和备件约束以及并行分组维修机制纳入弹性的研究范围,并对遗传算法的初始种群生成以及突变算子两个方面进行改进。最后,利用改进的遗传算法求解规定时间内网络弹性恢复的任务重要度最大值,获得模型的最优解。仿真算例中,通过对比表明应用此算法的系统拥有更高的弹性恢复能力,证明了该模型和算法的有效性。

智能网络中基于流量预测的加权公平调度算法

智能网络中多业务流在时延和带宽方面有不同的传输需求,且自相似流量的突发性加剧了时延和丢包率。针对此问题,提出一种基于流量预测的改进WFQ调度算法(LPR-WFQ),该算法通过TLGP策略基于流量的均值和方差对流量进行分级,在贝叶斯估计思想的基础上通过计算条件转移概率来预测未来流量等级,基于预测结果和到达速率均值动态调整权值,从而降低时延和丢包,提高服务质量,并且优化了虚拟结束时间计算方式。仿真结果表明,与其他调度算法相比,该算法在时延、时延抖动、吞吐率和丢包四种性能方面分别提升6.01%、9.66%、5.37%、38.57%,说明算法可以满足差异化服务需求下的性能要求。

基于时间和任务重要度的系统弹性恢复研究

作为系统重要属性之一的弹性受到越来越多的关注,而系统在受损后的规定时间内应当尽量多的恢复关键任务,所以相应的恢复策略的制定以及能够恢复到什么程度对系统的弹性来说是十分重要的。针对这种情况,文章提出一种新的考虑时间以及任务重要度等因素的适应度函数,利用遗传算法求解规定时间内系统恢复任务重要度的最大值,获得模型的满意解。仿真算例中,通过对比表明应用此算法的系统拥有更高的弹性恢复能力,证明了该模型和算法的有效性。