基于神经网络的自适应RED算法及其仿真研究(5)
文献[44]针对不忽略高频动态特性的TCP/AQM线性化模型，采用频域 理论设计鲁棒控制器，但由于控制器的求解复杂，其实用性受到限制。Sabato Manfrdi等人采用 控制理论，设计了无记忆状态反馈鲁棒AQM控制器RHC[45]，在线性化的TCP动态模型的基础上，以状态变量的形式将模型描述为具有输入时滞和状态时滞的系统，考虑网络各参数在平衡点附近有界的变化，网络参数的不确定性用不确定矩阵表示。作者设计了鲁棒状态观测器来获取TCP窗口值。仿真结果表明此算法能够在网络参数变动的情况下保持较好的性能。然而文献并没有给出链路容量干扰的合适数学模型，使得此算法具有一定的局限性。
针对TCP/AQM系统的非线性特性，Chang-Kuo等人充分利用变结构方法对系统参数和外在干扰不敏感、能够快速响应和易于实现的特性，设计了VSC-AQM算法[46]，此算法选取队列长度误差和输入速率误差构成滑模函数，并且考虑了输入饱和对算法性能的影响。但变结构控制方面存在抖振问题，抖振会降低控制的精确性，增加能量的消耗，强烈的振动还会对系统造成损害。
文献[47，48]研究基于模糊控制的AQM控制器，采用队列误差和误差变化率作为拥塞指示，表现出较好的稳定性和对负载变化的适应性，但该算法规则的选取依据经验，而缺少对网络突变的适应性。Yassine等人设计了基于自适应模糊控制理论的AQM算法FAFC (Fast and Autonomic Fuzzy Controller) [49]，采用队列长度的误差及其误差的变化率作为模糊控制器的输入，输出为丢包概率。为了进一步提升算法对端负载变化的鲁棒性，又引入PI控制器来建立自适应机制，而不是在线调整隶属度函数和模糊规则，减少了占用的内存和计算时间。此算法的控制目标是在网络负载变动的情况下，尽可能地减少队列振荡，在链路使用率和队列延迟之间获得一个平衡。
文献[50]设计了基于神经网络的RBF-PID拥塞控制算法，充分利用神经元的在线学习能力和自适应能力应对TCP的非线性时变特性。这样设计的AQM算法能够在复杂的网络中保持较好的性能，但由于采用多层神经网络使得算法较为复杂，需要较长的计算时间。
1.3 本文主要内容安排
本文主要研究随机早期检测(Random Early Detection，RED)算法及其改进算法，并在网络模拟软件NS2上进行模拟仿真，验证RED及其改进算法在网络拥塞控制中的性能。RED算法有很多改进版本，本文先选取一种最普遍的自适应RED(Adptive-RED，ARED)算法，对其进行模拟并与RED算法的性能进行比较。然后引入现下最常用的神经网络，将其用于AQM算法的参数自适应调节中，并进行仿真实验验证基于神经网络的自适应AQM算法的性能。
本文的主要内容安排如下：
第一章简要阐述了网络拥塞的研究背景和意义，介绍了网络拥塞的基本概念及其拥塞控制算法的研究现状，对现有的主动队列管理进行分类，重点介绍了一些具有代表性的AQM机制并分析了各自的优缺点。
第二章主要介绍最经典的主动队列管理算法RED算法，具体介绍其原理及算法设计。然后简要讨论网络模拟软件NS2在网络仿真中的应用情况，并用其对RED算法进行网络模拟，验证RED算法在网络拥塞控制中的性能。
第三章主要针对RED算法参数难以合理配置的缺陷，介绍一种最普遍的自适应RED(ARED)算法，具体介绍其原理及算法设计，然后利用NS2软件进行网络模拟，与RED算法的性能作比较。
第四章主要介绍一种基于单神经元的自适应主动队列管理算法，神经网络具有在线学习能力和自适应能力，将其用于AQM算法的参数自适应调节，这样设计的AQM算法能够在复杂多变的网络环境中保持稳定的控制性能。利用NS2软件平台对其进行网络模拟实验并与RED算法进行比较，验证基于单神经元的自适应AQM算法的性能。