基于队列和负载因子的动态参数随机指数标记算法

为了解决随机指数标记算法(REM)队列抖动大,对动态数据流响应慢,以及环境适应性差等问题,分析了算法的控制属性,并提出了一种参数动态调整的随机指数标记算法(DREM)。基于控制理论的分析表明,REM算法具有比例积分(PI)控制属性。通过引入队列因子和负载因子的概念,对队列调整状态进行实时划分,能够有效地判断当前网络的拥塞状况。同时,利用队列和负载因子设计了关键参数的调整率,以协助基于"和式增加积式减少(AIMD)"规则的TCP拥塞控制策略,有效增强了REM算法的控制性能。NS2平台中的仿真实验表明,相对于标准REM算法,DREM提高了队列长度的响应能力,减小了丢包率,增强了主动队列管理算法的适应性和鲁棒性。

基于加强型价格的随机指数标记算法

随机指数标记算法(REM)是一种有效的主动队列管理算法,但存在队列收敛性差、对网络环境变化响应慢等问题。通过理论分析表明REM算法类似于PI控制策略,感知网络拥塞的能力不足。为克服上述缺点,提出了基于加强型价格的随机指数标记算法(EPREM)。EPREM在原价格中增加数据包到达速率的变化率,得到加强型的价格,同时引入带宽缓存比例因子指导新增参数λ的设定。在NS2中的仿真实验结果表明:相对于REM算法,EPREM提高了收敛速率,增强了算法对网络环境变化的适应性。

模糊自调整的加强型随机指数标记算法

主动队列管理是网络拥塞控制中一个重要的研究领域。由于网络环境复杂多变,而基于加强型价格的随机指数标记算法(EPREM)参数固定不变,环境适应性不强,故而很难保证服务质量(QoS)。为了克服上述缺点,提出了参数模糊自调整的加强型随机指数标记算法(F-EPREM)。该算法利用模糊控制原理,根据队列误差大小及其变化率在线自动调整算法参数β、γ和ξ以适应网络环境变化。NS2中的仿真结果表明,相对于REM和EPREM算法,F-EPREM加快了队列收敛速度,提高了队列稳定性,有效提高了主动队列管理算法的鲁棒性。

基于NS2的随机指数标记算法仿真研究

REM算法是一种典型的AQM算法。本文利用NS2网络仿真软件研究了REM的网络性能。仿真实验表明,拥塞度量与静态网络性能解耦,各种网络环境中的队列长度均能稳定至目标值处;而拥塞加剧时,队列收敛性变差,暂态网络性能降低。调节算法参数γ和Φ能有效地减小队列长度的过渡时间以改善网络性能,增强算法的环境适应性。

采用自适应神经元的随机指数标记策略

为了提高随机指数标记算法(REM)的响应能力和适应性,提出了一种基于自适应神经元的REM算法(ANREM)。采用具有比例积分微分(PID)控制属性的加强型价格来检测和控制网络拥塞。利用神经元构造PID价格,并设计控制参数的自适应调整机制,以增强算法在动态环境中的适应性。在NS2仿真平台中,将AN-REM与REM及其改进方法进行对比实验。结果表明,ANREM提高了队列长度的响应能力,增强了主动队列管理算法的适应性和鲁棒性。

一种基于双模控制的主动队列管理新算法

随机指数标记算法(REM)是一种有效的主动队列管理算法,但由于TCP/IP网络流量模型呈现非线性特性,故而其控制效果不佳,存在队列稳定性差,对动态流量响应慢等问题。为了解决上述问题,提出了基于双模控制的主动队列管理算法(Fuzzy-REM)。算法采用分段控制策略,在瞬时队列偏差大于阈值时,采用模糊控制,反之采用REM控制,从而将模糊控制的快速响应和REM稳态性能好的优点结合起来。NS2中的仿真实验表明,相对于REM算法,Fuzzy-REM提高了队列稳定性,加快了收敛速度,增强了算法对网络环境变化的适应性。

基于启发式失效率函数的主动队列管理

研究主动队列管理技术的RED和REM的丢包率和队长稳定性关系;基于启发式丢包处理方法,提出一种采用启发式失效率函数计算丢弃概率函数以减小丢包率的拥塞控制算法(HFA)。在轻量级负载情况下,该算法性能和自适应随机早期检测与随机指数标记相当;而在重量级负载情况下,不仅丢包率的均值和方差小,而且瞬时队长在设定的目标范围,可以明显地减小队列长度的波动性。在NS-2上进行的大量实验结果表明,所提算法具有瞬时队长控制在预期范围、抖动性小、丢包率及丢包率方差小等优点。

非线性自适应拥塞控制算法研究

研究丢弃概率的变化率与队列长度稳定性间的关系,分析ARED算法及REM算法的丢弃概率计算函数,采用非线性化函数计算丢弃概率,提出一种非线性自适应拥塞控制算法(NLACCA),根据队列长度与目标队列长度中值的偏离程度动态地调整丢弃概率的变化率,从而减小队列长度波动,提高算法稳定性。在NS-2上进行的大量实验结果表明,该算法具有队列长度抖动性小、平均时延低、丢包数少等特点。

基于队列敏感性的无线接入网络拥塞控制算法

由于无线接入网络存在强非线性、大时延以及随机链路丢包等因素,导致经典主动队列管理(AQM)算法在实际控制时存在队列收敛速度慢、响应时间长等问题。通过分析随机指数标记(REM)算法在无线接入网中的特点,在原先REM价格模型的基础上对其进行了改进,以队列误差的平方项来克服价格对队列变化不敏感的缺陷,从而提出了一种基于队列敏感性的无线接入网络拥塞控制算法,并利用单神经网络对其参数进行了优化。最后,通过NS2仿真平台对所提算法与REM、PI算法进行对比,实验表明所提算法拥有队列收敛快、鲁棒性强的优点。

一种基于RBF网络的参数自调整REM算法

针对传统的随机指数标记(Random Exponential Marking,REM)算法存在参数难以调整的缺陷,提出了一种改进型主动队列管理算法——基于RBF网络的参数自调整REM算法。利用RBF神经网络动态地对算法参数进行调整,使其能够适应不断变化的网络环境。该算法将REM算法在一定条件下近似为比例积分控制,使REM算法参数调节近似等效于比例积分系数的调节,简化了参数调节,提高了算法的实时性。仿真实验表明:该算法优于传统的REM算法,具有良好的鲁棒性及较快的调节速率。

改进的AQM在拥塞控制中的应用策略

随着计算机网络的持续快速发展,各种网络需求不断涌现,拥塞控制成为保证网络的稳定性和鲁棒性的重要因素,拥塞控制的发展要求网络本身也要参与其中。传统的端到端机制不能解决所有的拥塞问题,作为主动管理队列算法的REM原算法由于对RTT的不精确估计导致不能准确反应网络中拥塞状态。根据控制论中将链路价格化的方法,对REM算法的进行了改进,提出了新的拥塞控制机制。仿真实验表明,该方法能有效减少包的丢失,提高系统性能。

具有马尔可夫时变时延的REM拥塞算法局部稳定性

针对在REM拥塞算法局部稳定性的相关研究中,把Internet网络中数据传输时延简单地描述为有界随机时延的缺陷,采用定常时延dm和服从马尔可夫跳变规律的有界时变时延d(t)之和来准确描述网络传输时延变化规律,得出了一些REM拥塞控制算法在平衡点局部稳定的进一步结果,并采用Matlab中的线性矩阵不等式形式给出了常时延相关随机稳定条件.相对于有界随机时延描述,该描述具有较强的针对性,更能充分体现REM拥塞算法局部稳定性特征,所得到的随机稳定条件为REM算法选择确保系统稳定的参数提供了一种较好方式.