基于参数不敏感设计的网络拥塞控制算法

本文提出了一种新颖的主动队列管理(active queue management,AQM)策略-间隔随机早期检测(intervalrandom early detection,IRED).与传统的RED机制不同,IRED的参数设计中,平均队长的门限值-最小阈值和最大阈值从固定不变的单值,变为了一个阈值区间.相对于RED的单值固定阈值的设计,IRED的适应能力和鲁棒性得到增强,在大多数的网络环境下能够保持良好的性能,特别是在网络状态出现波动和突变时,其性能比传统的AQM算法更佳.本文进一步采用了TCP-AQM的动态模型分析了使用IRED控制器的拥塞控制系统的稳定性,分析了系统的稳定裕度,并给出了稳定裕度与控制增益的关系式,从而提出了一种根据期望稳定裕度来设计阈值区间的系统化方法.最后,在NS-2仿真平台上,通过与RED和Gentle-RED两种算法比较,证明了IRED的优越性,特别是在变负载的网络环境下的良好性能.

基于补偿模糊神经网络的RED变种算法

摘要:作为最著名的网络拥塞控制机制,随机早期检测(RandomEarly Detection,简称RED)算法由于其参数敏感性,无法在复杂多变的网络环境下保障良好的控制性能。为了改善RED敏感于参数的缺陷,增强算法的自适应性,文章将补偿模糊神经网络(compensatory fuzzy neural network,简称CFNN)引入拥塞控制算法的设计中,结合RED和CFNN,得到了基于CFNN的RED变种算法(RED based on CFNN,简称CFNNRED)。与传统的RED相比,CFNNRED的改进在于:配置神经元一定的模糊逻辑规则,迅速得到丢包率,增强算法的可操作性和可实现性;通过神经网络的自学习,增强算法的自适应性和鲁棒性。最后通过仿真证明,CFNNRED算法的自适应性增强,对队列的控制能力得到加强,队列更加平稳,网络能够提供更加稳定的服务质量保障。