一、一种新的自适应RED算法(论文文献综述)
张志伟[1](2021)在《AOS中基于预测的队列管理与帧生成技术研究》文中指出近年来,随着科技迅猛发展,各种网络业务也越来越多,这就必然会导致网络拥塞越来越严重。为了满足网络的服务质量要求,提供给用户更好的体验,所以对网络拥塞控制技术的进一步研究十分必要。自相似性是网络流量本身的特性,也是比较普遍的特性,这一特点目前已经得到验证。网络的自相似性是由多种因素共同决定的,其中有用户的状态、网络协议、业务种类等因素。拥塞控制的研究因为网络流量的自相似性变的更加困难,但是自相似性也给我们提供了一个新的研究思路——引入流量预测模块,以便更好的实现网络拥塞控制。本文在自相似特性的基础上研究拥塞控制,建立模型,提出一种改进的队列管理算法和一种改进的帧生成算法。最终实现预测和队列管理的结合;队列管理与帧生成算法的结合;帧生成和调度模块的结合。首先,本文选择小波神经网络作为预测模型。小波神经网络是包含了小波分析理论和神经网络的思想而组成的一种新型预测模型,该模型通过设定合适的小波基作为隐含层,不断调整训练集的参数,使训练集的输出接近于实际期望值,然后将调整好的参数置于测试集,最后进行整体的预测,多次运行生成自相似流量,从而使小波神经网络预测模型达到期望的效果。其次,将该模型产生的流量引入主动队列管理机制中,使用改进的队列管理算法,通过计算其平均队列长度并修正分组丢弃概率,对突发的自相似流量进行合理的丢包处理,最终得到稳定的队列长度。该模型能够根据预测流量动态控制丢弃概率,从而实现拥塞控制。最后,将经队列管理算法处理过的数据引入改进的AOS帧生成算法中,确定综合目标函数,利用人工鱼群算法进行寻优,确定最适合此流量的自适应帧生成算法的最优成帧时间门限值。最终对上述算法进行联合仿真,结果发现,在预测基础上,改进后的队列管理与帧生成算法在系统的平均时延、剩余量等方面和改进前相比有明显的提升。
赵宇红[2](2019)在《复杂网络智能拥塞控制研究》文中研究表明面向复杂、多样、异构的网络,稳定、高效、智能的拥塞控制的研究是一个重要且具有挑战性的课题。论文在大系统控制论的指导下,结合智能建模方法,研究并构建了“基于多重广义算子的复杂网络”模型,进而,以多重广义算子模型为基础,以分解-联合模式,从横向及纵向、多粒度、多角度展开了复杂网络智能拥塞控制研究的科研工作。论文的主要研究工作:网络技术的发展、应用的深入、用户的普及多方面不断的融合促进,带来了多元、异构、混合的复杂网络时代。复杂网络的复杂概括了网络在技术、结构、数据等多方面的特性,我们从两种代表性的复杂网络系统,端到端系统及非端到端系统展开了关于智能拥塞控制的研究。网络作为一个复杂的大系统,拥塞控制的研究无论是在网络源端、链路还是在自主移动节点的路由策略方面的工作,都不是一个独立自治的过程,各对象、各过程之间应该是一个协作的整体,达到协同智能、控制优化的目标。论文的主要研究内容和创新点如下:(1)研究了多重广义算子模型的建模方法,定义了“多层广义算子复杂网络模型”的概念,根据大系统控制论的“广义模型化”的思想,基于“多重广义算子建模方法”,论述了复杂网络广义算子模型构建的约束条件,给出了复杂网络多重广义算子模型的架构。为解决模型构建中的随机性与模糊性,借鉴“云模型”的思想和方法,提出了基于云模型的模型评价方法,应用于Internet建模评价中,并给出了具体的评价过程,验证了方法的有效性及合理性。(2)分析讨论了现有TCP源端拥塞控制算法在高误码率、低带宽、非对称链路、长时延的混合异构复杂网络中,面临的挑战和性能下降的问题,深入分析算法在参数及负载的敏感性、未区分拥塞程度和丢包类型等局限性问题,提出基于带宽预估自适应源端拥塞控制方法,算法针对不同网络状况能够对链路带宽及其波动性进行较为实时和准确的估计,实现了网络传输中对于丢包、延迟和拥塞控制参数等关键指标一定程度上的解耦;通过反映网络拥塞状态的带宽利用率因子细化了控制方案,实时有效、适度地进行网络拥塞控制。实验结果表明,该方法能针对不同网络状况进行实时拥塞控制,吞吐量、丢包容忍和延迟等相比已有的拥塞控制算法有显着提升。(3)讨论了链路级拥塞控制的重要性,并针对传统的链路控制算法RED中队列长度与丢包设置的线性增长关系所造成的性能不稳定问题,以及算法变量参数的优化问题,提出了基于隶属云理论的非线性链路拥塞控制算法,利用半升云隶属模型,重点解决了丢包率函数非线性处理和参数自适应动态设定问题。仿真对比实验结果表明,算法在丢包率、平均队列长度、时延抖动、吞吐量方面的性能均有比较好的表现,而且对RED算法存在的全局同步现象也有一定的改善。(4)不存在完整链路的复杂网络系统的应用与关注正在不断地扩展,以机会网络为典型的研究对象,从路由策略设计的角度研究其拥塞控制算法。结合深度学习模型进行社会属性挖掘,借鉴和扩展社会网络的研究成果,基于社会感知,将节点的社会属性及社会关联引入到路由决策中,提出了基于节点关系和社区协作的机会网络路由算法,算法不仅结合了节点的社会属性并充分考虑了社会性的动态演化特征,根据节点间的社会关系强度动态自适应地将节点分割为多个社区,以节点社会属性与社区间协作共同完成机会路由转发。仿真结果表明,算法能够有效提高消息的投递率,降低网络的转发时延,减小网络资源的耗费。
耿传鑫[3](2019)在《基于自相似流量预测的AOS拥塞控制技术研究》文中进行了进一步梳理随着空间网络流量急剧增加,网络体系结构日趋复杂,网络拥塞问题日益严重,而拥塞的发生会导致网络业务流量的丢失与实时性变差等问题,甚至导致网络瘫痪,这对提升网络服务质量以及合理分配网络资源增添了新的复杂性。同时,大量的研究表明,网络流量呈现自相似特性,这为研究网络拥塞控制提供了新的思想,即可将自相似流量的可预测性引入网络的拥塞控制的研究中,以期得到更有效的控制策略。本文主要对基于自相似流量预测的AOS(Advanced Orbiting System)拥塞控制技术进行研究,以实现对网络拥塞的有效控制。本文研究的主要内容有:首先,研究了网络流量的拥塞控制算法、流量的自相似特性以及AOS多路复用模型,提出了一种新的自相似流量下的AOS拥塞控制算法。该算法在AOS多路复用模型基础上增加了队列管理模块,在该模块中设计了一种新的改进队列管理算法,通过检测流量的平均队列长度,以相应的丢弃策略来控制系统的拥塞。随后通过仿真验证了该算法对系统性能的提升有着显着的作用。其次,研究了自相似流量的预测方法。本文采用的是统计预测模型,它是利用统计学的方法对流量做相关处理,其计算过程相对简单易于实现。在此基础上研究了线性最小平均平方误差估计(Linear Minimum Mean Square Error,LMMSE)预测算法,修正了该算法中存在的问题,并仿真验证了修改后算法的正确性。最后,研究了基于自相似流量预测的AOS拥塞控制算法。将预测得到的流量引入AOS多路复用模型,把修正后的LMMSE统计预测算法与队列管理算法进行结合,设计了一种基于自相似流量预测的AOS拥塞控制算法。理论分析与仿真结果表明,该算法在拥塞控制方面性能突出,尤其在改善系统平均时延以及最大时延等指标上有着明显的效果,同时大幅度的减少了系统剩余量。该算法可以为工程实践提供理论支持。
谢元芒[4](2019)在《面向城市交通的智能图像处理关键技术研究》文中进行了进一步梳理物联网作为世界信息产业发展的第三次浪潮,未来发展潜力巨大。物联网是支撑城市智能交通的重要技术。在面向城市交通的物联网环境下,通过改善基础设施、实施城市交通专用道、快速城市交通、轨道交通等多模式,应用先进信息技术,城市交通得到了快速发展,对城市居民出行发挥了重要作用。面向智慧城市交通物联网的图像数据是大数据,基于该大数据,从系统工程的视角出发,在分析交通规划的影响因素及城市交通能力及运行现状调查分析的基础上,可以建立城市智慧化的交通调度系统,对智慧城市的建设具有十分重要的意义。鉴于此,我们在分析了现有的图像去噪、压缩编码以及图像合成方法的基础上,研究了对应的新方法。本文的主要创新工作如下。提出了一种压缩感知图像采集新方法和智能去噪的方法。基于压缩感知理论,在随机间距稀疏矩阵的基础上,设计了链式数据采集方案,设计一种随机间距稀疏循环矩阵,从而大量减少了网络中的数据传输量;设计了一种球坐标域内的小波收缩去噪算法,该算法中设计了一种新的收缩函数,能够更快地趋近真实的小波系数值;同时设计了一种小波域模积,它能够更精准地映射相关的小波系数,起到去噪更佳的效果。提出了一种基于自适应传输的图像智能编码的方法。为了实现图像自适应传输的目标,我们分析了 AODV路由协议和其采用的路由判据的缺陷,设计了一种路由判据,综合考虑了节点负载度、链路的闲忙度和ETX三者对图像自适应传输的影响,并以此为基础,设计了一种路由协议EAODV;在传输过程中,我们提出了一种图像编码方法,该方法在编码时,能够更好地预测其它等待编码的系数,同时采用新的编码策略实现对高频部分的处理,显着地提高了相应的压缩比。设计的压缩感知图像智能编码新方法避免了传统算法的重复搜索匹配问题,且能够达到较大的压缩比。提出了一种基于模糊神经网络学习策略的图像合成方法。该方法利用了神经网络的学习能力强等特性,同时利用了模糊理论具有的对非精确数据包容、可以利用专家知识等优点,对要合成的图像进行聚类、模糊化处理,从而使每一个像素都获得一个隶属度矢量,最终实现图像的像素级合成。在图像合成时,我们用相关性原理缩小了搜索范围避免了穷尽式搜索,同时引入梯度结构信息,利用直方图的相似性度量来自适应地确定图像块的尺寸,能够保证合成图像的结构性和随机性。该方法可应用于城市交通中的多源图像合成,具有合成速度快、效果好、满足实时性要求等优势。通过大量的实验测试,结果表明,我们提出的上述方法非常适用于面向城市交通的物联网应用环境,具有很强的理论意义和实用价值。
温春晖[5](2018)在《网络拥塞控制中的自适应RED算法研究》文中研究表明网络影响着整个世界的发展,不管是互联网还是物联网,以及现阶段火热的人工智能、云计算和大数据,这些前沿技术领域的发展都离不开一个好的网络服务平台,要使网络能够做好时代经济发展的坚实后盾,网络在大数据时代就必须要有一个强大的数据传输能力,而网络拥塞控制就是提高网络传输能力的关键点,所以如何避免数据拥塞就成为了一个当前值得研究的课题方向。本文主要针对队列管理算法中的RED(Random Early Detection)算法进行改进研究,首先针对RED算法容易出现全局同步的现象,本文提出一种模糊控制的自适应RED改进算法。其次针对RED算法所存在的参数敏感性问题,本文提出了一种具有参数自适应动态调整功能的RED算法。本文的主要内容如下:1.提出一种基于模糊控制的参数自适应RED改进算法—FARED。在RED算法基础上,对RED算法的三个变量参数进行优化,三个变量参数分别为:速率、平均队列长度和当前队列长度。对每一个参数变量用模糊控制器优化,并对每一个模糊控制器进行数值的量化,最后进行模糊控制器整合,通过加入参数?和?对各控制器进行权重的配比,最后输出一个精确的丢包率。由于模糊控制器主要是针对不同变量参数进行优化,所以具有参数自适应调整的机制,从而提高网络的性能。2.提出了一种基于参数自适应动态调整的RED算法—DARED算法。算法的改进主要分为两步,其一是针对RED算法的丢弃概率函数是线性的这一问题,利用S型升半哥西分布函数对传统RED算法的丢包率函数非线性处理,其二是针对传统RED算法的参数都是静态设定的缺陷,利用目标队长的范围和平均队列长度的关系引入参数自适应动态调整策略对最大丢包率进行改进,从而改善DARED算法的性能。3.本文两种算法均在NS2中进行仿真,仿真结果表明FARED算法在丢包率,平均队列长度,延时抖动,吞吐量方面的性能均有比较好的改善效果,而且对RED算法存在的全局同步现象也有一定的改善。DARED算法除了延时和延时抖动有轻微的增加外,在丢包率、吞吐量、平均队列长度这三个性能方面都有较大的改善,并且对RED算法存在的参数敏感性问题进行了较好的改善。
林加润[6](2017)在《面向外包的云计算安全关键技术研究》文中提出随着互联网的飞速发展,云计算作为一种计算模式,也在全世界范围内普及。云计算的用户能够通过不同的网络,以便利的、按需付费的方式从一个可配置的共享的资源池中获取计算资源,包括CPU计算资源、内存资源、存储资源、网络带宽、软件应用和服务等,不仅能够提高资源的可用性,而且可以节省人力与降低前期投资成本。正是云计算所能带来的便利,越来越多的企业或个人将业务与数据外包到云计算中。云计算外包也成为了一个必然的趋势和潮流。通过外包,用户能够从繁重的计算、维护和管理任务中释放出来,而且不再受制于有限的本地资源设施,并可通过按需付费的低成本方式将业务外包给云计算服务提供商。然而,用户将业务和数据外包给云计算,也意味着用户放弃了对程序与业务的直接控制权,而且程序与业务的隐私将暴露给云计算服务提供商。云计算服务提供商会有意或无意地从用户数据与程序中挖掘敏感数据和隐私信息等。对数据安全与隐私保护的考虑,成为云计算外包发展的一个重要障碍。针对以上这些问题,本文研究面向外包过程中云计算安全的几个关键技术,并以极限学习机为主要突破口,主要的研究内容与成果包括:(1)应对大数据的极限学习机外包机制:提出了一个云计算环境下安全与实用的极限学习机外包机制。在大数据背景下,数据的种类多样与规模巨大等特点给极限学习带来严峻的挑战。首先对极限学习机进行算法复杂度分析与性能分析。通过分析,隐层输出矩阵的广义逆求解过程是极限学习机算法中对计算资源和存储资源需求最高的部分。因此,本文显式地将极限学习机分为公开部分和私有部分。其中,私有部分一直保留在用户本地执行,负责随机分配隐层节点参数和解析求解输出权值矩阵,以及隐层输出矩阵的计算;公开部分主要负责隐层输出矩阵广义逆的计算,并将结果反馈给用户。用户对返回的结果进行验证,并由此解析求得ELM的输出权值矩阵,从而完成对数据的学习。随后,再充分挖掘外包过程的并行性,进一步提高极限学习机的训练速度。由于隐层节点参数的随机性以及训练数据一直保存在本地,并未暴露给云计算服务提供商。因此,本文提出的极限学习机外包机制能够保证用户数据的安全与隐私。实验证明该外包机制能够有效地让用户从繁重的科学计算中释放出来,并提高极限学习机的训练速度。(2)云计算环境下ELM外包优化部署策略:提出了一种ELM外包的优化部署策略。第一部分内容在求解隐层输出矩阵的广义逆是采用奇异值分解的方法,并在用户与云计算服务提供商之间发送和接收隐层输出矩阵及其广义逆。这种方法适用于所有类型的隐层输出矩阵。然而在训练大数据时,样本的数量非常大,对隐层节点数量的需求也随着增大,直接导致隐层输出矩阵的规模非常庞大,从而引入了比较大的额外通信延迟。本部分内容采用正态投影法来求解矩阵的广义逆,并添加一个正则化项来提高ELM学习算法的泛化性能。外包到云计算环境的操作为隐层矩阵转置与隐层矩阵的逆。在该部署策略下,用户与云计算服务提供商之间发送与接收的矩阵大小只与隐层节点数量相关,从而大大降低通信延迟。实验证明,采用优化部署策略,能更好地提高极限学习机的训练速度。(3)多机构协作的外包机制:提出了一个安全的多机构协作极限学习机外包机制。将单一的外包机构扩展为多机构协作的外包机制。机构之间存在协作与竞争关系,即一个机构并不愿意将其收集的数据直接暴露于其他机构。在现实中,多机构协作的方式更为常见,主要分为水平方式和垂直方式。垂直方式中,不同机构贡献针对同一事件的不同数据特征。每一个机构负责随机生成所贡献特征相对应输入节点的权值矩阵。在水平方式中,不同机构贡献相同特征的数据。多个机构之间可以首先通过投票选举出一个机构作为主机构来负责隐层节点参数的随机生成,或者将其委托一个可信的第三方。(4)可信第三方或主机构的安全问题:提出了一个TCP-友好的应对低速率分布式拒绝服务攻击(Low-rate Distributed Denial-of-Service,LDDoS)的主动队列管理算法。一旦可信机构被攻击者攻陷,则依赖于该机构上的涉及敏感数据与隐私的业务也将受到重要影响。LDDoS攻击作为一个隐蔽而又高效的攻击,其检测与防御给保护可信机构和主动队列管理算法(Active Queue Management,AQM)提出了严峻的挑战。LDDoS攻击的本质特征是不规避网络拥塞,反而在拥塞时继续发送攻击报文。根据这一本质特征,对可疑攻击报文进行检测。提出了一个公平鲁棒随机早检测算法(Fair Robust Random Early Detection,FRRED),采用一种精心设计的空间高效Bloom过滤器与基于协议的Hash划分相结合,来记录每个正常流和攻击流的信息,并依此对攻击报文进行检测与丢弃。实验证明,在应对LDDoS攻击时,FRRED算法能取得比其他AQM算法更高的吞吐量与更好的公平性。
吕兆齐[7](2011)在《网络QoS控制中的主动队列管理研究》文中研究指明随着高速网络技术和多媒体技术的飞速发展,网络用户快速增长,新业务不断涌现,用户对网络服务质量(Quality of Service,QoS)提出了更高的要求,目前计算机网络的服务质量已经成为最重要的研究领域之一。队列管理在网络传输中发挥着相当大的作用,是网络服务质量控制的核心技术之一,也是实现网络拥塞控制的重要手段。本文首先对当前队列管理的国内外研究的现状和发展趋势进行了分析,对经典主动队列管理算法进行了分析研究和总结。对随机早期检测算法RED进行了系统的分析与研究,发现RED算法中平均队列长度的计算方法导致对拥塞到来和拥塞恢复反应较慢。本文提出一种改进的称为AWRED的算法,AWRED的主要目标是优化用来进行拥塞避免的平均队列长度的计算,进而提高对负载变化的响应,减小分组丢失率。仿真结果表明,AWRED算法提高了响应速度和吞吐量,降低了时延和时延抖动,并表现出良好的鲁棒性。在对RIO-C算法进行分析与研究的基础上,指出RIO-C存在参数设置困难、性能随负载变化而变化、带宽偏移、时延抖动大等问题。在此基础上,本文提出了一种新的基于区分服务,且支持可信路由的主动队列管理算法MRIO,对算法的各种性能做了理论分析,并通过仿真工具NS-2在各种网络环境下进行了验证。仿真结果表明,MRIO在保证对高优先级分组提供保护和保证带宽公平性的同时,能够有效地把平均队列长度控制在目标范围内,并减轻了带宽偏移问题,表现出了良好的性能,能够更好的实现网络QoS控制。
范新丽[8](2010)在《网络传输的若干问题研究》文中认为随着网络规模的迅速扩大和新业务的不断出现,网络的性能逐渐恶化,其中一个比较严重的问题就是网络拥塞,目前,它已成为制约网络发展的一个瓶颈;同时,对时延及时延抖动比较敏感的多媒体业务的不断出现,在极大的丰富了网络资源的同时也引入了在现有网络中如何保证其传输品质的问题。因此,研究网络拥塞和多媒体传输品质问题,对改善网络性能、提高服务质量有着重大的意义。本文主要对网络拥塞控制中的主动队列管理算法(AQM)和多媒体传输品质进行了研究,主要工作如下:(1)针对现有AQM算法在大时滞网络中稳定性较差和队列长度剧烈抖动的问题,在内模控制的基础上设计了一种时滞补偿的内模PID控制器(FIMC-PID),并运用模糊控制理论根据模型偏差的程度自适应调整内模控制器的滤波器参数。通过和常规PID算法的仿真比较表明,FIMC-PID算法不仅能对大时滞进行有效的补偿,而且在不同负载、不同瓶颈链路情况下也能通过自适应调整参数而表现出较好的鲁棒性和稳定性。(2)针对CSFQ算法在混合流量环境下公平性较差及对RTT的变化和突发流量较为敏感的问题,提出了一种新的改进算法RQ-CSFQ, RQ-CSFQ算法主要采用了类似RED算法的缓存管理策略,并结合队列长度对公平共享速率α和丢包概率进行了修正。仿真表明,RQ-CSFQ算法在继承了CSFQ优点的基础上,不仅提高了混合流量环境下算法的公平性,而且能有效的适应RTT的变化和突发流量的影响。(3)对不同队列管理机制对多媒体传输品质的影响进行了仿真研究,并针对RIO-C算法的鲁棒性问题提出了一种改进算法gentle-RIO-C, gentle-RIO-C算法主要将RIO-C和gentle-RED进行了结合,从而使丢包概率更加平滑,仿真表明,gentle-RIO-C算法下的多媒体传输品质要优于RIO-C算法。此外,还对其他影响多媒体传输品质的因素进行了仿真研究和分析。
刘志军[9](2009)在《基于ARM嵌入式系统的RED算法改进与研究》文中指出随着Internet用户和应用的爆炸式增长,拥塞控制机制的研究越来越受到重视。基于路由器的拥塞控制机制能够有效避免传统TCP拥塞控制机制时延大、滞后性差等缺点,具有较好的网络吞吐率和鲁棒性,是当今网络拥塞控制研究的一个重要方向。RED算法作为IETF推荐的基于路由器主动队列管理的候选算法,能很好的处理各种突发性、持久性和间歇性业务流,但其在响应速度、参数稳定性及网络环境敏感性等方面仍有缺陷。目前,很多路由器采用了ARM嵌入式系统平台,为此,本文以ARM嵌入式路由器作为算法的实验和运行平台,并针对ARM嵌入式系统硬件资源较少、运算强度低等特点,对改进RED算法进行针对性设计,使其更适用于ARM嵌入式系统。本文首先介绍TCP拥塞控制机制和基于路由器的队列管理机制,然后分析RED算法的设计动机、算法思想和优缺点。在此基础上,围绕提高RED算法性能,根据随机过程理论和基于自反馈的控制理论,建立了一个适用于ARM嵌入式系统的RED算法参数调整模型,并提出RED算法的改进方案。主要研究成果如下: 1.对RED算法中的丢包概率p进行改进,采用非线性的丢包概率p,增加调节机制的有效性,提高链路利用率和吞吐量。2.针对RED算法的性能和参数受网络负载影响严重的缺点,对最大丢包概率maxp采用自适应的调节方法,动态控制路由器队列长度的大小,提高网络鲁棒性。3.对RED算法的公平性进行改进,提出一种基于数据流特征的公平性改进算法。最后通过网络仿真软件NS2对RED算法和改进RED算法进行比较和验证。仿真结果表明改进RED算法具有较好的自适应性、响应特性、公平性以及鲁棒性。此外,为了实际观察改进RED算法在ARM嵌入式路由器上的性能,分别在ARM嵌入式路由器和PC平台系统上进行了性能测试。实验结果表明,改进RED算法在ARM嵌入式环境中具有较好的适用性。
肖萍萍[10](2008)在《网络拥塞控制的TCP友好与主动队列管理研究》文中研究说明本文对网络拥塞控制中TCP友好和主动队列管理的控制策略进行了系统研究。1、从两个方面解决UDP流和TCP流公平共享网络资源的问题:一是在路由器实行主动队列管理机制;一是在UDP协议中加入拥塞控制策略。确保UDP流与TCP流在相同的网络环境下获得相当的带宽,改善网络数据传输质量。2、设计了一种新的主动队列管理算法SPI。采用预估模型将时滞环节移出控制系统闭环传递函数,并给出稳定补偿系统参数设置的条件,消除时滞环节对系统性能带来的影响,加快队列收敛速度,提高控制系统的稳定性。3、对实现AQM算法自适应性进行了一定的探索,引入单神经元对PID控制器的参数在线调整,从而使控制器参数能够根据网络状态的变化而改变。并采用让目标函数值最小的方法,给出可调参数的变化范围,提高网络动态变化时控制系统的稳定性和鲁棒性。4、提出了一种基于优化速率的无线传感器网络拥塞控制算法。建立基于分簇的分布式网络结构,将最大化簇内节点效用函数的总和作为优化的目标函数,从全网范围对传感器节点的流量速率进行合理分配,保证数据传输的可靠性和公平性。本论文研究得到国家自然科学基金项目(60675057)的资助。
二、一种新的自适应RED算法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种新的自适应RED算法(论文提纲范文)
(1)AOS中基于预测的队列管理与帧生成技术研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题的研究背景 |
1.2 课题的研究意义 |
1.3 国内外研究现状 |
1.4 本文研究内容 |
第2章 自相似流量及AOS协议 |
2.1 自相似流量 |
2.1.1 自相似过程的描述与分类 |
2.1.2 自相似的特性 |
2.1.3 自相似的产生原因和影响 |
2.1.4 自相似的计算 |
2.1.5 网络自相似流量的建模 |
2.2 AOS协议及多路复用模型 |
2.2.1 AOS协议简介 |
2.2.2 AOS数据单元格式 |
2.2.3 AOS多路复用模型简介 |
第3章 自相似流量下的拥塞控制算法 |
3.1 随机早检测算法 |
3.1.1 算法介绍 |
3.1.2 算法特点 |
3.2 几种改进的随机早检测算法 |
3.2.1 自适应随机早检测算法 |
3.2.2 自相似随机早检测算法 |
3.2.3 流量随机早期检测算法 |
3.3 一种改进的拥塞控制算法MRED |
3.3.1 MRED思想和原理 |
3.3.2 MRED算法的仿真结果对比 |
第4章 自相似流量下的帧生成算法 |
4.1 AOS帧生成算法 |
4.1.1 等时帧生成算法介绍 |
4.1.2 高效率帧生成算法介绍 |
4.1.3 自适应帧生成算法介绍 |
4.2 智能寻优门限值的帧生成算法 |
4.2.1 自适应帧生成算法的改进和流程图 |
4.2.2 人工鱼群寻优算法 |
4.2.3 模型建立 |
第5章 基于自相似流量预测的队列管理与AOS帧生成算法 |
5.1 基于小波神经网络的自相似流量预测模型 |
5.1.1 小波神经网络特点 |
5.1.2 小波神经网络原理 |
5.1.3 建立预测模型 |
5.1.4 仿真验证与分析 |
5.2 基于预测的队列管理模型 |
5.2.1 改进的队列管理模块流程图 |
5.2.2 仿真验证与分析 |
5.3 队列管理下的帧生成算法模型 |
5.3.1 改进的自适应帧生成算法 |
5.3.2 智能寻优门限值 |
5.4 基于预测的AOS队列管理与帧生成算法 |
5.4.1 新改进算法采用的调度算法 |
5.4.2 整体模型的建立 |
5.4.3 系统整体仿真参数 |
5.4.4 仿真结果与分析 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和获得的科研成果 |
致谢 |
(2)复杂网络智能拥塞控制研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
术语表 |
1 引言 |
1.1 研究背景与意义 |
1.2 论文主要工作及组织结构 |
1.2.1 主要研究内容 |
1.2.2 论文组织安排 |
2 文献综述 |
2.1 复杂网络 |
2.2 多重广义算子模型 |
2.2.1 广义算子模型的泛化 |
2.2.2 多重广义算子建模方法 |
2.3 云模型 |
2.3.1 云模型的定义 |
2.3.2 云发生器 |
2.4 拥塞控制 |
2.5 本章小结 |
3 基于多重广义算子的复杂网络建模 |
3.1 多重广义算子模型的概念 |
3.2 基于多重广义算子的复杂网络建模 |
3.2.1 问题描述 |
3.2.2 模型设计方案 |
3.3 Internet广义算子建模实例 |
3.3.1 Internet建模概述 |
3.3.2 复杂网络模型的统计特征 |
3.3.3 Internet模型分析与评价 |
3.3.4 基于云模型的Internet模型评价 |
3.4 基于多重广义算子模型的复杂网络拥塞分析 |
3.4.1 资源需求信息传递流程分析 |
3.4.2 资源调度的多重广义算子模型结构 |
3.4.3 基于多重广义算子模型网络拥塞分析 |
3.5 本章小结 |
4 基于带宽预估的源端拥塞控制技术 |
4.1 源端拥塞控制 |
4.2 TCP拥塞控制及其一些改进策略 |
4.2.1 TCP基于窗口的源端拥塞控制 |
4.2.2 TCP源端拥塞控制的改进策略 |
4.3 TCP拥塞控制中的问题分析 |
4.4 基于带宽预估的源端拥塞控制算法 |
4.4.1 可用带宽预估方法分析 |
4.4.2 可用带宽的理论概念 |
4.4.3 带宽预估分析 |
4.4.4 带宽预估方法 |
4.5 基于可用带宽预估自适应源端拥塞控制算法 |
4.5.1 问题分析 |
4.5.2 带宽测量 |
4.5.3 参数讨论 |
4.6 仿真实验与分析 |
4.6.1 仿真工具NS2 |
4.6.2 仿真配置 |
4.6.3 实验结果分析 |
4.7 本章小结 |
5 非线性链路拥塞控制技术 |
5.1 链路拥塞控制 |
5.2 几种典型的AQM算法 |
5.2.1 随机早检测RED算法 |
5.2.2 系统自适应RED算法ARED |
5.2.3 公平性RED算法FRED |
5.2.4 AQM算法问题分析 |
5.3 分段平滑RED算法 |
5.3.1 问题描述 |
5.3.2 分段平滑随机早检测算法 |
5.3.3 仿真实验与结果分析 |
5.4 基于隶属云理论的非线性RED算法 |
5.4.1 RED算法的不确定性问题 |
5.4.2 云模型的基本理论 |
5.4.3 基于隶属云理论的非线性RED算法 |
5.4.4 仿真实验及结果分析 |
5.5 本章小结 |
6 非端到端网络拥塞控制技术 |
6.1 机会网络概述 |
6.2 机会网络与Internet拥塞控制的区别 |
6.3 机会网络体系结构 |
6.4 机会网络拥塞控制研究 |
6.5 基于节点社会属性的喷雾等待路由算法 |
6.5.1 节点社会性度量 |
6.5.2 算法描述 |
6.5.3 实验与仿真分析 |
6.6 基于节点关系与社区协作的路由算法 |
6.6.1 节点的连接特性 |
6.6.2 节点关系与社区 |
6.6.3 基于社区协作的路由算法 |
6.6.4 基于节点关系与社区协作的消息传输 |
6.7 仿真实验与结果分析 |
6.7.1 ONE仿真实验平台 |
6.7.2 数据集及仿真参数 |
6.7.3 实验结果分析 |
6.8 本章小结 |
7 总结及下一步工作 |
7.1 论文总结 |
7.2 下一步工作 |
参考文献 |
作者简历及在学研究成果 |
学位论文数据集 |
(3)基于自相似流量预测的AOS拥塞控制技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题的研究背景 |
1.2 课题的研究意义 |
1.3 国内外研究现状 |
1.4 本论文内容及结构安排 |
第2章 拥塞控制及AOS多路复用技术 |
2.1 拥塞及拥塞控制 |
2.1.1 拥塞产生的原因 |
2.1.2 拥塞控制算法 |
2.1.3 拥塞控制算法的评价准则 |
2.2 AOS及多路复用模型 |
2.2.1 AOS协议及特点 |
2.2.2 AOS数据单元格式 |
2.2.3 AOS多路复用模型简介 |
2.3 网络流量的自相似特性 |
2.3.1 自相似的分类 |
2.3.2 自相似的特性 |
2.3.3 重尾分布 |
2.4 本章小结 |
第3章 自相似流量下的AOS拥塞控制算法 |
3.1 随机早检测算法 |
3.1.1 算法介绍 |
3.1.2 算法特点 |
3.2 几种改进的随机早检测算法 |
3.2.1 自适应随机早检测算法 |
3.2.2 自相似随机早检测算法 |
3.2.3 流量随机早期检测算法 |
3.3 一种新的自相似流量下AOS拥塞控制算法 |
3.3.1 源包模型 |
3.3.2 新改进的队列管理算法 |
3.3.3 新算法中多路复用模型采用的算法 |
3.3.4 仿真分析 |
3.4 本章小结 |
第4章 基于自相似流量预测的AOS拥塞控制算法 |
4.1 自相似流量预测模型 |
4.1.1 分形预测模型 |
4.1.2 统计预测模型 |
4.2 修正的LMMSE算法 |
4.3 基于预测的队列管理算法 |
4.4 引入自相似流量预测的AOS拥塞控制算法 |
4.4.1 整体模型的建立 |
4.4.2 系统仿真参数设置 |
4.4.3 仿真结果与分析 |
4.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和获得的科研成果 |
致谢 |
(4)面向城市交通的智能图像处理关键技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 研究背景及意义 |
1.2 问题的提出 |
1.3 本文的主要内容 |
1.4 本文的组织结构 |
第2章 相关基础理论与技术 |
2.1 压缩感知理论基础 |
2.2 基于滤波的图像去噪 |
2.3 小波变换 |
2.4 小波变换图像的实现 |
2.5 图像自适应传输策略 |
2.6 图像编码策略 |
2.7 基于像素的图像合成机制 |
2.8 图像的特征提取 |
2.9 本章小结 |
第3章 压缩感知图像采集与智能去噪新方法 |
3.1 物联网压缩感知图像采集方法分析 |
3.2 压缩感知图像采集新方法 |
3.2.1 压缩感知图像采集的基本原理 |
3.2.2 压缩感知图像采集的新方法 |
3.3 智能图像去噪技术简介 |
3.4 图像智能去噪基本策略 |
3.5 噪声去除过程中的自适应非线性收缩函数的设计 |
3.6 噪声去除过程中的模积设计 |
3.7 基于压缩感知技术的新图像智能去噪方法 |
3.8 实验结果 |
3.9 本章小结 |
第4章 基于自适应传输的图像编码新方法 |
4.1 图像自适应传输方法分析 |
4.2 图像自适应传输策略的设计 |
4.2.1 相关定义 |
4.2.2 新方法的原理 |
4.2.3 图像自适应传输策略的设计 |
4.3 图像智能编码的基本原理 |
4.4 图像编码的基本原理 |
4.5 图像智能编码新方法 |
4.5.1 图像智能编码的主体操作方法 |
4.5.2 图像智能编码的主要步骤 |
4.5.3 图像智能编码的详细搜索匹配算法 |
4.6 实验测试与结果分析 |
4.6.1 编码后相关参数的实验结果对比 |
4.6.2 编码后自适应传输效果对比 |
4.7 本章小结 |
第5章 基于模糊神经网络学习策略的图像合成新方法 |
5.1 图像合成方法分析 |
5.2 基于模糊神经网络的学习策略 |
5.2.1 基本原理 |
5.2.2 基于模糊神经网络的学习新方法 |
5.3 图像合成新方法的设计与实现 |
5.3.1 图像合成过程与步骤 |
5.3.2 基于模糊神经网络学习机制的图像合成新算法 |
5.4 实验结果 |
5.4.1 图像合成实验 |
5.4.2 图像合成算法对比 |
5.5 本章小结 |
第6章 城市交通量动态采集应用场景验证与分析 |
6.1 测试案例背景 |
6.1.1 营口道路交通概况 |
6.1.2 营口市交通指挥控制系统 |
6.2 营口市交通量动态采集系统应用场景验证案例 |
6.2.1 验证系统组成与功能 |
6.2.2 系统部署方案 |
6.3 验证步骤和方法 |
6.3.1 准备阶段 |
6.3.2 单项功能验证阶段 |
6.3.3 整体验证阶段 |
6.4 验证分析 |
6.5 本章小结 |
第7章 总结与展望 |
7.1 研究工作总结 |
7.2 分析与展望 |
参考文献 |
发表论文和科研情况说明 |
致谢 |
(5)网络拥塞控制中的自适应RED算法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景及意义 |
1.2 网络拥塞控制算法的研究现状 |
1.2.1 源算法研究现状 |
1.2.2 链路算法研究现状 |
1.3 本文研究的主要内容与结构安排 |
1.3.1 本文研究的主要内容 |
1.3.2 本文后面的章节安排 |
第二章 拥塞控制基础 |
2.1 网络拥塞控制基础 |
2.1.1 网络拥塞的概念 |
2.1.2 网络拥塞产生的原因分析 |
2.1.3 拥塞控制原理 |
2.1.4 拥塞控制算法设计的基本要求 |
2.1.5 网络性能评价指标 |
2.2 几种典型的主动队列管理算法 |
2.3 网络仿真工具NS |
2.4 本章小结 |
第三章 RED算法分析 |
3.1 RED算法 |
3.1.1 RED算法原理 |
3.1.2 RED算法存在的问题 |
3.2 几种RED衍生算法分析 |
3.2.1 ARED(AdaptiveRED) |
3.2.2 GRED(GentelRED) |
3.2.3 SRED(StabilizedRED) |
3.2.4 FRED(FlowRED) |
3.3 算法仿真实例分析 |
3.3.1 实验一:RED算法与ARED算法性能仿真分析 |
3.3.2 实验二:RED算法参数敏感性分析 |
3.3.3 实验小结 |
3.4 本章小结 |
第四章 一种基于模糊控制的参数自适应RED改进算法 |
4.1 TCP/AQM控制模型 |
4.1.1 TCP/AQM网络流体力学模型 |
4.1.2 线性化处理 |
4.1.3 主动队列管理算法的反馈机制 |
4.2 算法的改进思路 |
4.3 模糊控制器的结构 |
4.4 模糊控制器的设计 |
4.5 模糊控制器整合 |
4.6 仿真分析 |
4.6.1 算法仿真结构模型与参数设置 |
4.6.2 算法实验仿真分析 |
4.6.3 实验小结 |
4.7 本章小结 |
第五章 一种参数自适应动态调整的RED改进算法 |
5.1 算法改进思路 |
5.2 RED算法非线性处理 |
5.3 分组丢弃最大概率pmax的动态自适应改进 |
5.4 实验仿真分析 |
5.4.1 实验一:相同环境中各性能的分析对比 |
5.4.2 实验二:不同qW权值环境中队列长度的分析对比 |
5.4.3 实验小结 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
(6)面向外包的云计算安全关键技术研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 云计算概述 |
1.2.1 云计算服务模式 |
1.2.2 云计算部署模式 |
1.2.3 云计算可信模式 |
1.3 云计算外包概述 |
1.3.1 云计算外包面临的安全威胁 |
1.3.2 云计算外包关键技术 |
1.4 主要研究内容与主要贡献 |
1.4.1 主要研究内容 |
1.4.2 主要贡献 |
1.5 论文结构 |
第二章 相关工作研究 |
2.1 引言 |
2.2 云计算外包相关工作研究 |
2.2.1 基于计算模式的云计算外包技术分类 |
2.2.2 基于粒度的云计算外包技术分类 |
2.3 极限学习机相关工作研究 |
2.3.1 隐层节点的构造与选择 |
2.3.2 在线序列极限学习机 |
2.3.3 集成的极限学习机算法 |
2.3.4 面向不平衡数据集的ELM |
2.3.5 面向高维大数据集的ELM |
2.4 低速率拒绝服务攻击的检测与防御 |
2.4.1 主动队列管理算法 |
2.4.2 LDDoS攻击检测与防御 |
2.5 小结 |
第三章 云计算环境下安全的极限学习机外包机制 |
3.1 引言 |
3.2 极限学习机算法 |
3.2.1 极限学习机简介 |
3.2.2 隐层输出矩阵的广义逆求解 |
3.3 云计算环境下ELM的外包机制 |
3.3.1 云计算威胁模型 |
3.3.2 外包统一框架 |
3.3.3 ELM外包机制与安全性分析 |
3.3.4 并行性挖掘 |
3.4 实验结果与分析 |
3.5 小结 |
第四章 多机构协作的极限学习机外包机制 |
4.1 引言 |
4.2 ELM算法的扩展 |
4.3 多机构合作的极限学习机外包 |
4.3.1 云计算威胁模型 |
4.3.2 水平方式 |
4.3.3 垂直方式 |
4.4 ELM外包优化部署策略 |
4.5 实验分析与性能评估 |
4.6 小结 |
第五章 应对低速率分布式拒绝服务攻击的主动队列管理算法 |
5.1 引言 |
5.2 低速率拒绝服务攻击 |
5.2.1 传统的拒绝服务攻击 |
5.2.2 低速率分布式拒绝服务攻击 |
5.3 公平鲁棒随机早检测算法 |
5.3.1 可疑攻击报文与攻击流检测 |
5.3.2 体系结构 |
5.3.3 Bloom过滤器结构 |
5.3.4 性能分析 |
5.4 实验结果与性能评价 |
5.5 小结 |
第六章 结论与展望 |
6.1 工作总结 |
6.2 展望 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
(7)网络QoS控制中的主动队列管理研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景与意义 |
1.2 国内外研究现状 |
1.3 论文主要研究内容 |
1.4 论文组织结构 |
第二章 相关技术的研究 |
2.1 网络QoS |
2.1.1 QoS 定义 |
2.1.2 网络QoS 控制的实现技术 |
2.1.3 网络QoS 控制的性能指标 |
2.2 综合服务体系结构IntServ |
2.2.1 IntServ 概述 |
2.2.2 IntServ 的局限性 |
2.3 区分服务体系结构DiffServ |
2.3.1 DiffServ 概述 |
2.3.2 DiffServ 的特点 |
2.4 拥塞控制 |
2.4.1 拥塞的定义 |
2.4.2 拥塞控制实现机制 |
2.5 队列管理与队列调度 |
2.6 本章小结 |
第三章 主动队列管理算法研究与设计 |
3.1 典型主动队列管理算法分析与研究 |
3.1.1 典型主动队列管理算法分析 |
3.1.2 典型主动队列管理算法性能比较 |
3.2 一种新型自适应主动队列管理算法AWRED |
3.2.1 AWRED 算法的研究动机 |
3.2.2 AWRED 算法的管理目标 |
3.2.3 AWRED 算法的设计策略 |
3.3 AWRED 算法设计 |
3.3.1 AWRED 算法理论基础 |
3.3.2 AWRED 算法设计目标 |
3.3.3 AWRED 算法设计分析 |
3.3.4 AWRED 算法描述 |
3.4 网络仿真工具 |
3.4.1 主流网络仿真软件简介 |
3.4.2 网络仿真软件NS-2 |
3.5 AWRED 算法性能的仿真研究 |
3.5.1 仅存在长期TCP 流 |
3.5.2 混合TCP 短流 |
3.6 本章小结 |
第四章 一种基于区分服务的自适应主动队列管理算法 |
4.1 MRIO 算法的设计背景 |
4.2 MRIO 算法基础 |
4.2.1 RIO 算法性能分析 |
4.2.2 增强的RIO 算法 |
4.3 MRIO 算法设计思想 |
4.4 MRIO 算法设计 |
4.4.1 MRIO 算法的设计目标 |
4.4.2 MRIO 算法设计 |
4.4.3 MRIO 算法区分性分析 |
4.4.4 MRIO 算法带宽分配公平性分析 |
4.4.5 MRIO 算法复杂度分析 |
4.5 MRIO 算法仿真与分析 |
4.5.1 仅存在TCP 流时算法的性能 |
4.5.2 混合UDP 流时算法的性能 |
4.5.3 订购率对时延的影响 |
4.5.4 公平性评价 |
4.5.5 带宽偏移 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 本文总结与创新点 |
5.2 未来工作的展望 |
致谢 |
缩略词 |
参考文献 |
发表论文 |
参与项目 |
(8)网络传输的若干问题研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 引言 |
1.2 主动队列管理算法的研究和发展 |
1.2.1 研究背景 |
1.2.2 经典AQM算法 |
1.2.3 国外研究现状 |
1.2.4 国内研究现状 |
1.3 多媒体拥塞控制机制的研究和发展 |
1.3.1 研究背景 |
1.3.2 国内外研究现状 |
1.4 论文的主要内容及章节安排 |
2 经典AQM算法的仿真研究 |
2.1 几种经典的AQM算法 |
2.1.1 RED算法 |
2.1.2 FRED算法 |
2.1.3 REM算法 |
2.1.4 PI算法 |
2.2 仿真实验及性能分析 |
2.2.1 不同RTT环境下的算法性能 |
2.2.2 混合流量环境下算法的公平性 |
2.3 本章小结 |
3 基于内模控制的参数自适应PID算法设计 |
3.1 引言 |
3.2 网络拥塞控制系统建模 |
3.3 常规PID主动队列管理算法 |
3.4 FIMC-PID主动队列管理算法设计 |
3.4.1 内模控制 |
3.4.2 算法设计 |
3.5 仿真实验及性能分析 |
3.5.1 不同RTT环境下的算法性能 |
3.5.2 不同负载环境下的算法性能 |
3.5.3 不同瓶颈链路容量下的算法性能 |
3.6 本章小结 |
4 CSFQ算法改进与仿真研究 |
4.1 引言 |
4.2 CSFQ算法描述及问题分析 |
4.2.1 CSFQ算法 |
4.2.2 问题分析 |
4.3 RQ-CSFQ算法实现 |
4.4 仿真实验及性能分析 |
4.4.1 源端均为UDP流时的算法性能 |
4.4.2 UDP流和TCP流共存时的算法性能 |
4.4.3 不同RTT环境下的算法性能 |
4.4.4 突发流量存在时的算法性能 |
4.5 本章小结 |
5 多媒体网络传输品质研究 |
5.1 引言 |
5.2 多媒体品质评价指标 |
5.3 基于gentle-RED算法的改进RIO-C队列管理算法 |
5.3.1 RIO-C算法 |
5.3.2 gentle-RIO-C算法实现 |
5.4 不同队列管理机制对多媒体传输品质影响的仿真研究 |
5.5 其他几种因素对多媒体传输品质影响的仿真研究 |
5.5.1 影响因素 |
5.5.2 仿真实验与分析 |
5.6 本章小结 |
6 总结和展望 |
6.1 工作总结 |
6.2 研究展望 |
致谢 |
参考文献 |
附录 |
(9)基于ARM嵌入式系统的RED算法改进与研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 本文研究内容 |
1.4 论文组织结构 |
第2章 网络拥塞控制概述 |
2.1 拥塞简介 |
2.2 TCP 拥塞控制机制原理 |
2.3 基于路由器的拥塞控制机制原理 |
2.4 RED 算法分析 |
2.4.1 RED 算法设计动机 |
2.4.2 RED 算法思想 |
2.4.3 RED 算法实现 |
2.4.4 RED 算法优缺点 |
2.5 ARM 嵌入式路由器 |
2.5.1 ARM 嵌入式路由器简介 |
2.5.2 ARM 嵌入式平台的构建 |
2.5.3 ARM 嵌入式路由器的软件配置 |
2.6 本章小结 |
第3章 一种改进的 RED 算法的设计 |
3.1 改进RED 算法的设计 |
3.1.1 改进方案的提出 |
3.1.2 改进内容 |
3.2 算法的嵌入式环境适用性设计 |
3.2.1 ARM 嵌入式系统的特殊性 |
3.2.2 算法的嵌入式环境适用性设计 |
3.3 丢包概率p 的改进 |
3.4 最大丢包概率maxp 的改进 |
3.5 公平性改进 |
3.6 参数相互关系 |
3.7 本章小结 |
第4章 算法的仿真实验 |
4.1 NS2 简介 |
4.2 改进RED 算法实验仿真 |
4.2.1 吞吐量分析 |
4.2.2 队列长度变化分析 |
4.2.3 丢包率分析 |
4.2.4 公平性分析 |
4.2.5 参数综合分析 |
4.3 嵌入式环境适用性测试 |
4.3.1 ARM 路由器的运行测试 |
4.3.2 嵌入式环境适用性测试 |
4.4 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
缩略语词汇表 |
附录 A 实验一所用 TCL 脚本代码示例 |
附录 B NS 设置及新算法部分文件内容 |
致谢 |
攻读硕士学位期间的研究成果 |
(10)网络拥塞控制的TCP友好与主动队列管理研究(论文提纲范文)
提要 |
第1章 绪论 |
1.1 问题的提出与研究意义 |
1.1.1 网络拥塞产生的原因 |
1.1.2 拥塞控制的意义 |
1.2 网络拥塞控制技术 |
1.2.1 基于源端的拥塞控制策略 |
1.2.2 基于链路算法的拥塞控制策略 |
1.2.3 无线传感器网络拥塞控制技术 |
1.2.4 目前存在的问题 |
1.3 本文的主要研究内容与结构安排 |
第2章 基于分组丢弃的主动队列管理机制 |
2.1 引言 |
2.2 随机早期检测算法 |
2.2.1 算法原理 |
2.2.2 RED算法的改进 |
2.3 基于分组丢弃的非TCP友好流惩罚算法 |
2.3.1 算法设计目标 |
2.3.2 算法组成 |
2.3.3 基本假设 |
2.3.4 算法设计流程 |
2.4 仿真实验 |
2.4.1 在UDP负荷下对TCP流量的影响 |
2.4.2 在不同往返时间的TCP负荷下对TCP流量的影响 |
2.4.3 在不同数据包大小的TCP负荷下对TCP流量的影响 |
2.5 本章小结 |
第3章 基于ECN和提高公平性的TCP友好控制策略 |
3.1 引言 |
3.2 相关TCP友好拥塞控制策略的研究 |
3.2.1 RAP算法 |
3.2.2 LDA+协议 |
3.2.3 TFRC协议 |
3.3 TCP发送速率模型 |
3.4 EETCC机制 |
3.4.1 端到端控制策略 |
3.4.2 路由器控制策略 |
3.5 仿真实验 |
3.5.1 吞吐量、丢包率和链路利用率的比较 |
3.5.2 验证ERED算法 |
3.5.3 平滑系数的比较 |
3.5.4 友好性比率 |
3.6 结论 |
第4章 具有时延补偿的主动队列管理算法设计 |
4.1 引言 |
4.2 经典控制理论在主动队列管理中的应用 |
4.2.1 TCP/AQM反馈控制模型 |
4.2.2 对RED算法控制理论的分析 |
4.2.3 PI控制器 |
4.2.4 PID算法 |
4.3 时滞系统的拥塞控制算法设计 |
4.3.1 采用一阶时滞模型拟合TCP/AQM控制系统 |
4.3.2 时延补偿控制器设计 |
4.4 参数设置 |
4.5 仿真实验 |
4.5.1 轻业务负载下的性能 |
4.5.2 重业务负载下的性能 |
4.5.3 可变TCP负载下的性能 |
4.5.4 持久TCP流混合HTTP和UDP流下的性能 |
4.6 本章小结 |
第5章 基于单神经元的自适应PID控制器设计 |
5.1 引言 |
5.2 动态网络环境对主动队列管理的影响 |
5.3 线性自适应神经元 |
5.4 基于单神经元的自适应PID算法设计 |
5.4.1 算法分析 |
5.4.2 参数设置 |
5.5 仿真实验 |
5.5.1 不同算法下队列长度的比较 |
5.5.2 动态的TCP流下的性能 |
5.5.3 网络参数变化时的性能 |
5.6 本章小结 |
第6章 基于优化速率的无线传感器网络拥塞控制算法 |
6.1 引言 |
6.2 无线传感器网络基本理论 |
6.2.1 无线传感器网络的体系结构 |
6.2.2 无线传感器网络的特点 |
6.2.3 面临的挑战 |
6.3 相关研究 |
6.4 基于优化速率的无线传感器网络拥塞控制机制 |
6.4.1 基于簇的网络结构 |
6.4.2 流量强度λ估计 |
6.4.3 速率优化 |
6.5 仿真实验 |
6.5.1 分组丢弃数 |
6.5.2 源节点发送速率平均值的比较 |
6.5.3 网络传输的公平性 |
6.6 本章小结 |
第7章 全文总结 |
7.1 本文研究工作总结 |
7.2 进一步需要研究的问题 |
参考文献 |
攻读博士学位期间发表的论文 |
攻读博士学位期间参加的科研项目 |
致谢 |
摘要 |
ABSTRACT |
四、一种新的自适应RED算法(论文参考文献)
- [1]AOS中基于预测的队列管理与帧生成技术研究[D]. 张志伟. 沈阳理工大学, 2021(01)
- [2]复杂网络智能拥塞控制研究[D]. 赵宇红. 北京科技大学, 2019(06)
- [3]基于自相似流量预测的AOS拥塞控制技术研究[D]. 耿传鑫. 沈阳理工大学, 2019
- [4]面向城市交通的智能图像处理关键技术研究[D]. 谢元芒. 东北大学, 2019(01)
- [5]网络拥塞控制中的自适应RED算法研究[D]. 温春晖. 江西理工大学, 2018(07)
- [6]面向外包的云计算安全关键技术研究[D]. 林加润. 国防科技大学, 2017(02)
- [7]网络QoS控制中的主动队列管理研究[D]. 吕兆齐. 南京邮电大学, 2011(04)
- [8]网络传输的若干问题研究[D]. 范新丽. 南京理工大学, 2010(08)
- [9]基于ARM嵌入式系统的RED算法改进与研究[D]. 刘志军. 河南科技大学, 2009(02)
- [10]网络拥塞控制的TCP友好与主动队列管理研究[D]. 肖萍萍. 吉林大学, 2008(07)