基于模糊神经网络的移动组网拥塞预测

提出了一种适用于移动组网的拥塞控制机制（ACRC）。将模糊神经网络引入流量控制，利用其处理不确定性问题和自学习能力，进行流量预测，除了可以快速缓解拥塞，还可以在网络拥塞消除之后通过速率控制进一步节省网络的能量消耗，仿真结果证明了本方法的有效性。     

Add-Mult型模糊神经网络

提出了一种Add-Mult型模糊神经网络模型(AMFNN)，给出了该模型的结构。根据梯度下降算法，给出了AMFNN模糊神经网络的误差反传学习算法。与6种极具代表性的模糊推理方法进行比较的结果表明，AMFNN模糊神经网络模型具有推理精度高、适用范围广、泛化能力强以及实现容易等特点，因而具有广阔的应用前景。     

复杂网络下具有预测与自我调节能力的拥塞控制算法

现有拥塞控制算法在复杂网络环境下存在丢包率过大的问题。为此,通过研究网络拥塞的控制问题,提出一种具有预测与自我调节能力的拥塞控制算法。采用模糊神经网络的控制器预测网络拥塞,根据缓冲器中的队列长度进行实时预测,在发生拥塞前,通过抑制控制输入端的发送速率,并结合递增参数和递减参数等变量动态调节发送速率。实验结果表明,该算法在不同信噪比下能够保持较好的收敛效果,而且网络丢包率不受网络交换速率的影响,具有较好的稳定性与保真性。     

一种基于FNN的高速网络拥塞控制策略

以ATM（asynchronous transfer mode)为研究对旬,同种基于模糊神经网络（fuzzy neural network,简称FNN）的流量预测和拥塞控制策略,拥塞控制是高速网络（如ATM）研究中的关键问题之一,传统的基于BP神经网络的流量预测方法因其收敛速度较慢且具有较大的误差,影响了拥塞控制效果,而模糊神经网络由于具有处理不确定性问题和很强的学习能力,很好地解决这一问题,最后通过仿真,比较和分析了基于BP神经网络和基于FNN方法和性能,证明此方法是有效的。     

一种基于模糊神经网络的可靠流量控制模型

为控制P2P流量，本文从数据缓冲区使用的实时状态出发，提出了一种基于模糊神经网络的拥塞控制模型，该模型把缓冲区划分为两个队列分别存放P2P和非P2P的数据包，通过模糊神经网络预测评估缓冲区队列的拥塞状况，并建立一个评估函数对各队列的空间分配作出指导，使得能够控制各队列的拥塞状况，并动态的调整缓冲区队列的分配，在缓冲区溢出前主动丢包，避免缓冲区锁定。模拟实验的结果表明，该模型在保证网络资源分配的公平性方面取得了较好的效果，它降低了数据包排队延时和丢包率，提高了路由器处理网络拥塞的能力。     

基于模糊逻辑的高速网络自适应拥塞控制研究

基于模糊逻辑 ,利用自适应拥塞控制机制来预测高速网络 (如Internet中 )的拥塞问题 .把路由器的缓冲系统看作一个非线性离散动态系统 ,利用基于模糊逻辑的控制器来预测源端发送速率的确切值以防止拥塞的发生 .通过对参数向量的调节来估计无法预测的和具有统计波动性的网络通信量 ,并利用Lyapunov分析方法来验证闭环系统的稳定性 .最后 ,以一个仿真例子说明了所提出方法的有效性 .     

基于Haar小波的队列动态多尺度自适应智能预测

为降低网络拥塞风险和实现对网络队列缓存资源状态预测,基于智能控制技术和多尺度表示方法,通过引进自适应补偿模糊因子,运用Ｈａａｒ小波的优良特性,构造了一类在线无监督学习实时预测补偿模糊神经网络,提出了基于Ｈａａｒ队列动态多尺度融合自适应智能预测方案．仿真表明,该预测策略对于自相似特性数据流在队列缓存动态具有较好的预测能力．     

基于Kalman算法及神经网络预测的网络流量控制

针对通信网络的传播时延会给基于速率反馈的流量控制带来极大的不利影响，提出了基于Kalman算法的反馈控制和神经网络在线预测补偿相结合的复合控制，对ATM网络的ABR流量进行控制，较好地克服了时延对流量控制的快速性和稳定性所产生的不利影响．仿真研究表明：本方案能使信源的发送速率快速响应网络状态的变化，有效地避免拥塞的发生，并使链路带宽得以充分利用．与PID控制方法相比，信元的丢失率更低、链路的利用率更高以及所需的缓冲容量更小．     

基于模糊逻辑和路由器辅助的MCC算法

针对端到端组播拥塞控制的局限性,提出一种基于模糊逻辑和路由器辅助的组播拥塞控制算法FLRA-MCC。在FLRA-MCC中,主动路由器实时监测网络状态,利用模糊逻辑计算缓冲区调节因子a,从而自动调节缓冲区大小以缓解拥塞,并且只在发生较重拥塞时,才向源端反馈拥塞信息以通知源端减小发送速率。仿真结果表明,该算法能够保证网络吞吐量的稳定性,较好地吸收突发流,同时以更小的丢包率传输数据。     

基于Haar小波的队列动态多尺度自适应智能预测

为降低网络拥塞风险和实现对网络队列缓存资源状态预测,基于智能控制技术和多尺度表示方法,通过引进自适应补偿模糊因子,运用Ｈａａｒ小波的优良特性,构造了一类在线无监督学习实时预测补偿模糊神经网络,提出了基于Ｈａａｒ队列动态多尺度融合自适应智能预测方案．仿真表明,该预测策略对于自相似特性数据流在队列缓存动态具有较好的预测能力．

     

基于流量预测的TCP拥塞算法的研究

提出一种基于自相似长相关性网络流量的TCP拥塞控制机制。利用自相似长相关性网络流量极值出现时间长的特性,预测下一时段的网络流量,动态调整相应的拥塞窗口a值,使TCP拥塞窗口从简单的线性增长变成随着网络资源的具体情况呈阶梯函数改变。仿真模拟表明,该方案降低了多媒体业务流的突发性,平滑了数据速率的变化,使缓存队列长度下降,增加了总体数据的传输率,提高了带宽的利用率。控制网络拥塞,减小延迟,达到网络负载平衡。     

A neural network controller for congestion control in ATM multiplexers

This paper presents and adaptive approach to the problem of congestion control arising at the User-to Network Interface (UNI) of an ATM multiplexer. We view the ATM multiplexer as a non-linear stochastic system whose dynamics are ill-defined. Real-time measurements of the arrival rate process and the queueing process, are used to identify, and minimize congestion episodes. The performance of the system is evaluated using a performance-index function which is a quantative measure of “how well” the system is performing. A three-layers backpropagation neural network controller generates a signal that attempts to minimize congestion without degrading the quality of the traffic. During periods of buffer over-load the control signal, adaptively, modulates the arrival process such that its peak-rate is throttled-down. As soon as congestion is terminated, the control signal is adjusted such that the coding rates are restored back to their original values. Adaptability is achieved by continuously adjusting the weights of the neural network controller such that the performance of the system, measured by its performance index function, is maximized over a certain optimization period. The performance index function is defined in terms of two main objectives: (1) to minimize the cell loss rate (CLR), i.e., minimize congestion episodes, and (2) to maintain the quality of the video/audio traffic by maintaining its original source coding rate. The neural network learning process can be viewed as a specialized form of reinforcement learning in the sense that the control signal is reinforced if it tends to maximize the performance index function. Performance evaluation results prove that this approach is effective in controlling congestion while maintaining the quality of the traffic.     

拥挤路线交通量控制的模糊推理算法

当道路发生突发性事件引起交通拥挤时，一方面需要引导驾驶员转向到可替换路线， 另一方面也要对进入拥挤路线的交通量进行控制．本文通过对反映路线拥挤程度的延误时间 信息和排队长度信息进行预测，设计了在事件持续时间内，以车辆到达率不超过事件发生地 点通行能力为拥挤路线控制目标的模糊推理算法，并进行了实际案例分析．分析结果表明， 这种模糊推理算法能在一定程度上取代交通工程师们对拥挤的管理，从而提高了拥挤管理的 效率．     

ATM congestion control using Minimal Resource Allocation Networks (MRAN)

This paper presents a congestion control scheme for ATM traffic using a minimal radial basis function neural network referred to as Minimal Resource Allocation Network (MRAN). Earlier studies have shown that MRAN is well suited for online adaptive control of nonlinear time varying systems as it can adjust its size by adding and pruning the hidden neurons based on the input data. Since ATM traffic is nonlinear and time varying performance of MRAN as a congestion controller is investigated here. These studies are carried out using OPNET to model the ATM traffic. The ATM traffic model consists of bursty, Variable Bit-Rate (VBR) and custom traffic in a multiplexed form so as to generate a heavily congested traffic situation. For this scenario, the controller has to minimize the congestion episodes and maintain the Quality of Service (QoS) requirements. This paper compares the performance of the MRAN congestion controller with that of a modified Explicit Rate Indication with Congestion Avoidance (ERICA) scheme and a Back-Propagation (BP) neural controller. Simulation results indicate that MRAN controller performs better than the modified ERICA and BP controller in reducing the congestion episodes and maintaining the desirable QoS.     

基于混合预测模型的VBR流拥塞控制机制

针对VBR多媒体流量的数字特征,在混合网络流量预测模型的基础上,结合小波分析和卡尔曼滤波,提出一种多媒体流自适应带宽分配算法,以合理分配网络带宽,利用双重漏桶控制网络流量。在NS网络仿真平台上进行的仿真实验表明,该算法能有效避免网络拥塞,降低网络传输时延和数据丢包率,提高带宽利用率。     

一种新的基于BP神经网络的拥塞控制算法

针对计算机高速互联网中发送端速率调节的问题，在一般网络模型基础上，将BP（Back Propagation神经网络运用到计算机网络的拥塞控制中，提出了一种基于BP神经网络的动态资源管理机制以解决网络的拥塞问题，对所提出的拥塞控制方案，进行了仿真分析，仿真结果显示，控制方案有较好的可扩展性，有效性，并使网络性能表现良好。     

城市交通网络信号控制系统的实时演算模型

基于实时演算(Real-Time Calculus: RTC)理论,为单/双行道两类城市交通网络的定时和自适应两类信号控制系统建立了统一的形式化模型.首先,将车流和交叉路口分别建模为RTC的到达曲线和资源曲线.然后,根据不同信号控制策略,将紧邻路口间的曲线进行综合计算,得到整个交通网络的RTC模型.应用最小加代数方法,RTC模型能够计算车辆在路口的最长等待时间D和路口拥堵车队的最大长度B.基于RTC模型,应用MATLAB对8组不同规模的城市交通网格进行仿真,实验结果表明:1）与双行道网络相比,单行道网络更能有效处理较稀疏的交通流.以定时控制为例,在车流频率u≤1/2时,单行道网络能够将交通拥堵指标D和B分别降低至少2.66倍和3倍.2)双行道网络中,车流频率u存在一个临界区域.在临界域内,拥堵指标随车流频率递增变化;一旦u低于或超出临界域,拥堵指标则分别保持稳定不变或不可控.3)自适应策略优于定时控制策略.例如在双行道网络中,自适应控制策略对应的拥塞指标D和B比定时控制策略分别降低1.68倍和1.26倍.     

针对逆向流的Reno和Vegas算法性能的仿真分析

网络拥塞已经成为制约网络发展和应用的一个瓶颈.在TCP中已经实现的Reno和Vegas均是基于端到端的拥塞控制算法,它们虽然减轻了前向路径上的拥塞程度,但不能改善后向路径上数据流拥塞所导致的诸如吞吐率、丢包率等网络性能降低这一状况.基于"包丢失是由于网络拥塞引起"的假定,利用OPNET网络仿真软件,建立了单个瓶颈网络,设定了吞吐量、丢包率以及拥塞窗口(cwnd)等参数,对Reno和Vegas两种算法在逆向流中的性能进行比较,分析影响网络吞吐量的因素.仿真结果表明,在非对称网络中,Reno比Vegas更灵活且更实用,后向路径上逆向流的拥塞会极大地降低Vegas的吞吐量,使得Vegas和Reno不能很好地兼容.     

Design of a large-scale Gbit/s MAN using a cyclic reservation-based MAC protocol

In this paper, a large-scale Gbit/s metropolitan area network (MAN) based on hierarchical ring topologies has been investigated. The network is constituted by backbone and local rings, which are connected by bridges. In the network, traffic congestion may occur in bridges due to the mismatch of transmission speed between backbone and local rings. To cope with the issue, a scheme based on a cyclic reservation-based access method is proposed for the medium access control (MAC) protocol of the network. With the scheme, the protocol can both achieve the fair access of network bandwidth and resolve the traffic congestion in bridges. Particularly, this approach reduces the implementation complexity and cost and enhances efficiency of the global network. Finally, several simulative experiments are performed, and some optimistic results are revealed.