网络拥塞控制中的自适应RED算法研究

发布时间：2020-09-11 19:38

　　 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。
【学位单位】：江西理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP393.06
【部分图文】：

第一章 绪论第一章 绪论1.1 选题背景及意义网络作为 21 世纪最大的产业，影响着每一个人的生活。其中以互联网为代表的信息网络为例，基本上每一个的领域都需要网络，可以说网络是促进国家发展和推动社会进步的顶梁柱，同时网络也作为现代知识经济的主要载体，方便了人类对知识的获取[1]。图 1.1 为互联网示意图。

图 1.2 世界网络用户区域分布图表 1.1 中国 2016.12—2017.12 互联网应用使用率2017.12 2016.12应用 用户规模（万）网民使用率（%）用户规模（万）网民使用率（%）年增长（%）时通信 72023 93.3 66628 91.1 8.1索引擎 63956 82.8 60238 82.4 6.2络新闻 64689 83.8 61390 84.0 5.4络视频 57892 75.0 54455 74.5 6.3络音乐 54809 71.0 50313 68.8 8.9络支付 53110 68.8 47450 64.9 11.9络购物 53332 69.1 46670 63.8 14.3络游戏 44161 57.2 41704 57.0 5.9上银行 39911 51.7 36552 50.0 9.2络文学 37774 48.9 33319 45.6 13.4行预订 37578 48.7 29922 33.9 25.6子邮件 28422 36.8 24815 13.5 14.5

图 1.3 源算法1.2.2 链路算法研究现状链路算法中最主要的研究内容是关于主动队列管理（即：Active QManagement，AQM）[26]算法方面的。典型的 AQM 机制是随机早期检测(Random Early Detection，RED)算法[27]。当然链路算法还包括:被动式队列（Passive Queue Management,PQM）[28]、显式拥塞通知（Explicit CongeNotification,ECN）[29]。图 1.4 为链路算法中主要的一些控制方法介绍。下面从被动和主动两方面对链路算法的国内外发展状况进行分析。

【相似文献】

相关期刊论文 前10条

1 马安光;;棋子问题的算法分析——2003年第11期题解[J];程序员;2004年01期

2 冯舜玺;;新书推荐:《算法分析导论》[J];计算机教育;2006年05期

3 张力,慕晓冬;计算机算法分析浅谈[J];武警工程学院学报;2002年04期

4 马安光;;飞弹问题的算法分析——2003年第10期题解[J];程序员;2003年12期

5 苏运霖;;《算法分析导论》评介[J];计算机教育;2006年07期

6 朱力强;;培养学生创新思维与能力的算法分析案例[J];计算机与信息技术;2007年11期

7 汪菊琴;;几种常见特殊方阵的算法分析与实现[J];无锡职业技术学院学报;2009年05期

8 李涵;;“算法分析与设计”课程教学改革和实践[J];中国电力教育;2010年16期

9 刘宁;管涛;;浅析案例教学法在算法分析与设计课程中的应用[J];科技风;2011年07期

10 胡峰;王国胤;;“算法分析与设计”教学模式探索[J];当代教育理论与实践;2011年12期

相关会议论文 前10条

1 俞洋;田亚菲;;一种新的变步长LMS算法及其仿真[A];通信理论与信号处理新进展——2005年通信理论与信号处理年会论文集[C];2005年

2 周颢;刘振华;赵保华;;构造型的D~2FA生成算法[A];中国通信学会通信软件技术委员会2009年学术会议论文集[C];2009年

3 赖桃桃;冯少荣;张东站;;一种基于划分和密度的快速聚类算法[A];第二十五届中国数据库学术会议论文集（一）[C];2008年

4 刘远新;邓飞其;罗艳辉;舒添慧;;ERP柔性平台下物流运输配送系统算法分析[A];第二十六届中国控制会议论文集[C];2007年

5 王树西;白硕;姜吉发;;模式合一的“减首去尾”算法[A];第二届全国学生计算语言学研讨会论文集[C];2004年

6 王万青;张晓辉;;改进的A~*算法的高效实现[A];2009全国测绘科技信息交流会暨首届测绘博客征文颁奖论文集[C];2009年

7 孙焕良;邱菲;刘俊岭;朱叶丽;;IncSNN——一种基于密度的增量聚类算法[A];第二十三届中国数据库学术会议论文集（研究报告篇）[C];2006年

8 韩建民;岑婷婷;于娟;;实现敏感属性l-多样性的l-MDAV算法[A];第二十七届中国控制会议论文集[C];2008年

9 张悦;尤枫;赵瑞莲;;利用蚁群算法实现基于程序结构的主变元分析[A];第五届中国测试学术会议论文集[C];2008年

10 王旭东;刘渝;邓振淼;;正弦波频率估计的修正Rife算法及其FPGA实现[A];全国第十届信号与信息处理、第四届DSP应用技术联合学术会议论文集[C];2006年

相关硕士学位论文 前10条

1 信楠;基于标签传播的实时社区发现算法研究[D];浙江大学;2013年

2 赵一甲;社会网络中社团发现算法研究[D];电子科技大学;2013年

3 杜大刚;一种协同编辑算法的研究和设计[D];苏州大学;2005年

4 高昊;基于混合算法的研究生招生考试考场座位编排系统研究及应用[D];中南大学;2011年

5 高健;一种最优化问题求解算法的研究[D];华中科技大学;2007年

6 代殿鑫;混合人工蜂群算法的改进研究[D];广东工业大学;2012年

7 武鹏;分布式互斥算法研究[D];内蒙古农业大学;2010年

8 黄情操;分布估计算法种群进化机制的研究[D];南昌航空大学;2012年

9 程波;蚁群算法在工业过程控制中的应用[D];华北电力大学（北京）;2006年

10 龙秀萍;类电磁机制算法研究[D];西安电子科技大学;2012年

本文编号：2817088