PDAVQ：一种基于PD控制的自适应虚拟队列管理算法

提出了一种新的基于比例差分控制的自适应虚拟队列管理(AVQ)算法—PDAVQ,用于对网络链路中产生的拥塞进行控制,以达到有效利用网络带宽,使整个网络系统达到稳定,缓解网络拥塞的目的。而且本文对所提算法运用控制理论对系统的稳定性进行了证明,给出了满足系统稳定性条件的参数选择方法和 PDAVQ 算法的具体描述。最后,通过 ns2 仿真实验与现有的 AVQ 算法比较,结果表明,所提 PDAVQ 算法具有较高的吞吐率、较低的链路延迟和数据丢失率,并能更快的使整个网络系统达到稳定,具有较好的网络性能。     

基于主动队列管理算法的研究

主要对自适应虚拟队列（AVQ）算法、动态阈值（DT）算法以及队列长度阈值（QLT）分组调度算法等异同点及适用范围进行了描述,在理论上进行了分析。通过比较各个算法的优点及存在的问题,针对AVQ算法进行了改进,使其在原性能的基础上增加了区分服务的功能。基本上保持了原算法的优点,即具有低时延、低分组丢失率和高链路利用率。     

基于模糊免疫PID的时滞网络自适应主动队列管理

提出了一种基于灰预测和模糊免疫PID控制的时滞网络自适应主动队列管理（AQM）算法FIGAPID，旨在增强AQM算法动态自适应能力，同时补偿网络时滞，综合提高AQM算法性能。该算法借助免疫反馈机理进行PID参数的在线自适应调整，采用模糊非线性逼近的方法进行免疫反馈函数的确定；采用等维新息滚动灰预测实现路由器队列长度的超前预测，补偿AQM控制的反馈滞后。对比传统PID算法，仿真验证了FIGAPID的有效性，表明算法能快速稳定地适应动态时滞网络环境变化，收敛于路由器队列长度期望值，同时具有较小的数据丢包率。     

一种基于神经网络的主动队列管理算法

传统的主动队列管理算法在设置参数时,存在算法和具体的网络有关参数设置对网络的稳定性和动态性能影响较大的问题.文中介绍了一种采用单神经元动态调整PID参数的ANNPID算法,解决了PID算法参数设置的问题,通过仿真实验,结果验证了该方法的鲁棒性优于传统的队列管理算法.     

一种时滞网络自适应主动队列管理算法研究

主动队列管理(AQM)算法的自适应能力和克服滞后性不良影响的能力是该文研究的重点。在分析AQM采用传统PID存在的问题的基础上,提出了一种时滞网络的自适应主动队列管理(FAGPID)算法。由模糊控制器实现PID参数对动态网络环境的在线自适应调整;成功引入灰预测算法实现反馈数据的超前预测,补偿滞后。仿真对比AQM环境中FAGPID,传统PID以及基于模糊免疫PID(FIGPID)的算法,可知FAGPID相对于FIGPID复杂度低,但FAGPID与FIGPID性能相当,均能克服滞后的影响,能快速稳定地适应动态网络环境,收敛于期望队列长度,具有较小的丢包率,优于传统PID算法。     

主动队列管理算法之初探

本文对现有的几种主动队列管理算法：自适应虚拟队列（AVQ）算法、动态阈值（DT）算法以及队列长度阈值（QLT）分组调度算法等进行了介绍,并对其进行了简单的分析和比较。最后针对AVQ算法进行了改进,使其在原性能的基础上增加了区分服务的功能。     

主动队列管理中的PID控制器

作为对终端系统上拥塞控制的一种补充,中间节点上的主动队列管理(AQM)策略在保证较高吞吐量的基础上有效地控制队列长度,从而实现了控制端到端的时延,保证QoS的目的。C.Hollot等人(2001)用经典控制理论中频域校正的方法设计了用于AQM的PI控制器,但参数整定上的试凑方法不免代有盲目性;算法的瞬态性能指标也不够理想。为此,该文引入了微分环节来增强系统的响应能力,同时给出了基于稳定裕度的参数整定方法,使PID控制器的稳定性有了绝对保障。仿真试验表明PID算法的调节时间远远短于PI控制器,从而为在负载瞬息万变的网络环境中实现控制分组排队等待时间的目标提供了有力的技术保障。     

一种加强的主动队列管理算法--EBLUE

作为一种典型的主动队列管理算法,BLUE明显不同于其它方法,它使用丢包和连接空闲事件来控制拥塞。试验表明BLUE的丢包率明显小于RED,但是其参数设置仍然存在一些不足之处。本文在BLUE算法的基础之上,通过引进自适应的思想对其进行了改进,提出了一种加强的BLUE队列算法——EBLUE。大量的仿真实验表明本文的改进算法能够进一步提高BLUE的性能。     

一种基于动态阈值的主动队列管理算法

针对BLUE算法缺少早期拥塞检测机制,导致队列溢出或空闲现象频繁发生的问题,通过引进基于动态阈值算法的控制机制,借鉴RED算法所采用的早期拥塞检测机制,提出了DT-BLUE算法。仿真实验表明本文算法能保持队列长度的稳定性,有效降低队列空闲或溢出现象的发生,提高链路的利用率。     

一种参数自适应的主动队列管理算法-自适应BLUE

BLUE算法是一种典型的主动队列管理(Active Queue Management,AQM)算法,研究表明BLUE算法优于RED算法.BLUE算法使用丢包事件和链路空闲事件控制网络拥塞.但由于BLUE算法在参数设置方面存在不足,尤其是当TCP连接数突然剧烈变动时,容易导致队列溢出或空闲的频繁发生.该文引进参数自适应机制,提出了自适应BLUE算法,并借鉴了RED算法的早期拥塞检测机制.NS仿真实验表明该算法能有效保持队列长度的稳定,减少队列溢出或空闲现象的发生,在提高链路利用率的同时降低丢包率.     

QL-CSFQ:一种结合队列长度的CSFQ算法

当存在适应流时,网络流量的测量值与实际值存在比较大的误差,这将严重影响CSFQ算法中公平共享速率α值的计算准确性,从而大大降低网络流之间的公平性.针对这一问题,本文提出了一种结合队列长度的CSFQ算法—QL-CSFQ.在QL-CSFQ算法中,采用结合队列长度状态信息来提高公平共享速率α值的计算准确性,从而有效提高了存在适应流情况下的网络流之间的公平性.大量模拟实验结果表明在存在适应流情况下QL-CSFQ有效消除了测量误差对算法公平性的影响,提高了网络流之间的公平性.     

基于FREM的自适应AFREM算法

设计了一种基于模糊控制技术的自适应FREM（AFREM）算法。该方案用平均队列长度和丢包比例的变化速率作为拥塞指示,对FREM算法输出的丢弃概率进行动态调整。仿真分析结果表明在动态环境下AFREM算法也能有效地将队列长度钳制到固定TQL值附近,改善了FREM算法的控制性能。     

一种基于最长队列预测的CICQ交换结构调度算法

CICQ(Combined Input Crosspoint Queued)是一种在crossbar交叉点加入少量缓存的交换结构,具有无需内部加速比及分布并行调度的特性。为了自适应网络环境中各种业务流量,提高在非均匀流量下的性能,该文提出了一种基于最长队列预测的高效CICQ交换结构调度算法RR-LQD (Round Robin with Longest Queue Detecting)。RR-LQD算法复杂度为O(1),具有良好的可扩展性;通过预测局部最长队列并尽力为其服务,保持调度中队列长度的均衡,能够适应各种非均匀流量的网络环境。仿真结果表明：在各种均匀和非均匀流量下,RR-LQD算法均能达到100%的吞吐量,并且具有优良的时延性能。该文使用FPGA芯片实现了RR-LQD算法仲裁器,能够满足高速、大容量交换结构的设计需要。     

基于动态矩阵控制的主动队列管理算法

针对Internet系统,通过对流体流模型的分析,提出了一个新的预测模型.该模型形式简单,参数的计算相对容易,并且能根据当前的网络情况有效的预测拥塞窗口的变化.结合动态矩阵控制 (Dynamic Matrix Control,DMC) 理论,提出了一种新的主动队列管理算法——DMCAQM 算法,给出了DMCAQM 的详细设计过程,稳定性分析和参数选取原则.大量不同网络环境的仿真实验表明DMCAQM 算法是有效的.与PI、RaQ 和REM 等算法相比较,DMCAQM 有收敛速度快、队列抖动小的优点.同时,由于DMCAQM 的采样间隔相对较大,而算法实现简单,所以计算量小,占用的路由器资源更少.     

Design of ATM Networks Congestion Controller Based on the Virtual Queue

International Telecommunications Union (ITU) adopts asynchronous transfer mode (ATM) as the typical transfer technology for broad integrated services digital network (BISDN) in the future. ATM networks can support many types of services. According to the ATM Forum specifications, ATM networks currently offer six service categories[1]: constant bit rate (CBR), real-time variable bit rate (rt-vbr), nonreal-time variable bit rate (nrt-vbr), available bit rate (ABR), unspecified bit rat…     

AFPI:一种基于模糊控制的队列管理新算法

以PI算法为基础提出了一种模糊自适应PI算法AFPI,可通过利用模糊控制动态设置PI算法中的有关参数。ns-2模拟实验表明,相对于PI算法,AFPI具有更快的收敛速度和更小的队列抖动。