认知网络中具有自主学习特征的智能QoS保障机制研究

发布时间：2021-12-11 17:24

　　认知行为模型首先检测网络当前的状态,然后根据观察到的网络条件和参数进行调整、判决、执行。认知技术使得通信实体具有认知周围环境的能力,并能根据周围环境的变化智能、自主、自适应地动态变化。将认知的概念和功能引入现有的信息网络就构成了认知网络。然而,以端到端QoS （Quality of Service）性能最优化为目标的认知网络的研究在国内外还都处于萌芽阶段,仅有一个大致的网络概念模型和少量认知路由算法。认知网络中QoS机制的实现,即资源预约、资源调度和管理等问题至今还缺乏可行的解决方案。因此,本文将基于网络行为模型,研究认知网络的QoS保障机制,本文是国家高技术研究发展计划（863计划）课题的一部分。本文主要提出了三个算法和机制,包括基于蚁群算法的多径路由并行传输协议、预留资源的自适应借用策略、以及基于神经网络的混合网络流量预测模型。详细内容如下。（1）在认知网络中支持流媒体传输的多径路由算法方面,本文通过改进蚁群算法,提出能够规避和快速缓解拥塞的多径路由协议命名为AMP算法。AMP算法在源节点和目的节点之间寻找多条独立的可用路径,并构成有效传输路径集。根据每条路径上的带宽资源和网络负载... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：118 页

【学位级别】：博士

【文章目录】：
致谢
中文摘要
ABSTRACT
目录
图表清单
1 引言
    1.1 研究背景及意义
    1.2 认知网络及其QoS机制的现状
        1.2.1 认知网络的概述
        1.2.2 认知网络框架
        1.2.3 认知网络特征
        1.2.4 认知网络的QoS机制概述
    1.3 论文的主要工作及创新点
    1.4 论文的结构
2 智能QoS保障机制的文献综述
    2.1 多径路由协议
        2.1.1 时延感知多径路由协议
        2.1.2 具有可靠性的多径路由协议
        2.1.3 最小代价多径路由协议
        2.1.4 高效节能的多径路由协议
        2.1.5 复合多径路由协议
        2.1.6 如何选择合适的多径路由协议
    2.2 资源预留方案
        2.2.1 资源预留协议——RSVP
        2.2.2 基于RSVP的资源预留协议
        2.2.3 RSVP在移动环境中的应用
        2.2.4 其他方案
    2.3 流量预测模型
        2.3.1 小波神经网络
        2.3.2 混合神经网络模型
        2.3.3 蚁群算法和神经网络的结合
    2.4 小结
3 相关理论
    3.1 多径路由协议
        3.1.1 多径路由的定义及使用模式
        3.1.2 与单径路由的比较
    3.2 蚁群算法相关理论
        3.2.1 蚁群算法原理
        3.2.2 蚁群算法的步骤
    3.3 神经网络相关理论
        3.3.1 人工神经网络的发展概述
        3.3.2 神经网络的特征
        3.3.3 相关理论模型介绍
4 认知网络中基于蚁群算法的多径路由机制(AMP算法)
    4.1 蚁群路由算法
    4.2 AMP算法思路的提出
    4.3 AMP算法
        4.3.1 AMP算法的网络模型设计
        4.3.2 AMP算法的路由约束
        4.3.3 AMP算法的步骤
    4.4 AMP算法的仿真分析
        4.4.1 网络丢包率
        4.4.2 网络时延
        4.4.3 剩余带宽
    4.5 本章小结
5 自适应的预留资源借用策略(RBFR策略)
    5.1 RBFR策略的思路提出
    5.2 RBFR策略的系统模型建立
        5.2.1 模型中的资源分类
        5.2.2 模型假设及参数说明
    5.3 RBFR策略
        5.3.1 RBFR策略的资源分配规则
        5.3.2 RBFR策略的功能模块
        5.3.3 RBFR策略的步骤
        5.3.4 RBFR策略的额外资源归还
    5.4 RBFR策略的仿真分析
        5.4.1 仿真参数和场景
        5.4.2 仿真结果和分析
    5.5 本章小结
6 基于蚁群算法的网络流量预测模型(Ant Double-BP模型)
    6.1 Ant Double-BP模型概述
    6.2 Ant Double-BP模型的思路设计
    6.3 Ant Double-BP模型的框架及具体步骤
    6.4 蚁群算法训练BP网络权值
    6.5 Ant Double-BP模型的仿真分析
        6.5.1 BP1网络剔除异常数据阶段
        6.5.2 小波分解阶段
        6.5.3 流量预测阶段
    6.6 本章小结
7 总结
参考文献
作者简历
学位论文数据集


【参考文献】：
期刊论文
[1]基于PCA的BP神经网络股票预测研究[J]. 李杰,王建中,胡红萍.  太原师范学院学报(自然科学版). 2011(03)
[2]考虑负荷周期性和变化率的短期电价预测[J]. 刘玉娇,蒋传文.  电机与控制学报. 2010(06)
[3]面向认知网络的用户QoS动态自配置方法[J]. 冯光升,王慧强,马春光,李冰洋,赵倩.  通信学报. 2010(03)
[4]认知网络路由技术[J]. 李红艳,李建东,周丹.  中兴通讯技术. 2010(01)
[5]认知网络概述[J]. 陈铮,张勇,滕颖蕾,罗希.  无线通信技术. 2009(04)
[6]基于盲数和神经网络的电价预测模型[J]. 孟凡青,解大.  电力系统保护与控制. 2009(16)
[7]基于双BP神经网络数据融合的水声定位研究[J]. 王怡,付丽琴,韩焱.  核电子学与探测技术. 2009(03)
[8]基于神经网络的城市交通流预测研究[J]. 马君,刘小冬,孟颖.  电子学报. 2009(05)
[9]基于路径分段的MANET自适应多径路由协议[J]. 吴大鹏,甄岩,武穆清.  电子与信息学报. 2009(03)
[10]基于资源预测的网格资源预留机制研究[J]. 童一飞,李东波.  系统仿真学报. 2009(02)

博士论文
[1]基于神经网络模型的人民币汇率预测研究[D]. 丁晖.湖南大学 2008

硕士论文
[1]移动网络资源预留QoS技术研究[D]. 张知皦.国防科学技术大学 2003



本文编号：3535081