摘要：为了解决P2P内容分发网络中带宽资源稀缺且分配不合理这一突出问题,抑制节点的自私性行为,设计了一种基于拍卖的带宽分配机制。该机制通过上载带宽支付方式,迫使自私请求节点选择合适的带宽需求,使得整个P2P网络中的节点良性竞争带宽资源,避免了"公共地悲剧"的发生;且带宽分配算法在资源节点和请求节点并行执行,能很好适应P2P网络的分布式特性。仿真结果表明,该机制能够有效遏制搭便车行为,从而缩短P2P内容分发的平均完成时间,降低内容源服务器的上传数据比例。

摘要：提出一种"滑动带宽调整窗口"的仲裁方法,适用于片上网络的路由器、多端口的存储控制器和传统的共享总线。通过该仲裁方法,可以细粒度地设置和动态调整系统的通信带宽分配,从而使系统通信带宽分配和通信延迟维持在合理、稳定且符合系统设计要求的状态。实验表明,相比几种流行的仲裁方法,使用该仲裁方法,实际带宽分配与系统要求之间的差距减少了13%,平均通信延迟减少了37.5%,而且其硬件实现代价对于大中规模的系统芯片是完全可以接受的。

摘要：传统的带宽分配策略按照分层结构进行设计,集中在链路层解决问题,没有考虑动态变化的信道状态和所承载的数据流的QoS性能。基于跨层设计的思想,针对支持话音业务和Internet数据业务的卫星网络提出了一种基于跨层设计的带宽分配算法。该策略将应用层的业务特性和数据链路层的带宽分配策略以及物理层的信道状态进行跨层优化。主控站通过建立代价函数的方法将所有相关参数综合考虑,利用动态规划算法得到了最佳的带宽分配方案。数值结果表明:跨层设计方式可以适应变化的信道状态,并且同传统带宽分配算法比较,提高了Internet数据的有效吞吐量并且保持了话音业务的QoS要求。

摘要：从智能配电网络的承载系统出发,研究了基于千兆位无源光网络(GPON)的智能配电监测网络架构及标准体系。结合目前的配电自动化系统分析了配电采集终端的业务特性,并通过附带业务解析功能的带宽分配方案,实现了多种业务等级的配电业务接入。此外,针对配网终端数量众多的特点,设计了分级业务调度的方案,通过光网络单元(ONU)间与ONU内部数据调度相结合的方式,实现不同类型的业务接入控制,以适应未来大规模智能配网的新业务应用。

摘要：为解决对等网络中多个异构下载节点从多个源节点下载的带宽分配问题,提出一种基于注水算法及能够容纳自私节点的对等网络带宽分配方案.以节点的满意度为效益函数、以整个网络总效益达到最大为目标,设计一种带宽分配方案,使得未达到其接收能力的下载节点的带宽水面高度保持相平,并且使下载节点在源节点带宽耗尽时进行带宽水面高度的转换.证明了这一方案是约束优化问题的最优解.利用博弈论中的Vickrey-Clarke-Groves(VCG)算法,通过支付函数,设计一种容纳自私节点的机制.利用这种机制,节点只有诚实报告其接收能力,才能使其自身效益最大.

摘要：EPON和WiAMX的融合架构提供了一种低成本、高带宽和高覆盖的接入网的解决方案。EPON和WiMAX有着不同的服务质量(QoS)体系模型,对于融合架构来说,如何建立统一的带宽分配策略,实现区分多业务和保证QoS是需要面对的一个问题。文章设计了一个融合网络下的带宽分配框架,详细分析了带宽申请和分配的过程,并给出了具体的算法设计。

摘要：本文主要研究了面向估计性能的双通道带宽分配策略问题.为了减小网络化控制系统中时滞现象对信号传输的影响,将系统建模为Markov跳变时滞系统.采用双通道传输策略,提升数据到达率,减少数据包的丢失.考虑到信道容量的有限性不利于大量数据的高效传输,将有限的带宽灵活地分配于两个通道,使得信道容量得到充分利用.在此基础上,本文提出了面向估计性能的双通道带宽分配策略,设计了双通道量化传输方案以及状态估计器,推导出了时变估计误差系统满足H_(∞)性能的充分条件,并得出估计器增益矩阵设计方法,最后给出实例验证了所设计系统的有效性.

摘要：随着IPTV等网络服务的蓬勃发展,以及地面互联网的接入与融合,针对空间信息网络的资源规划势在必行。同时,为了有效抵抗分布式拒绝服务(DDoS)攻击,可用性设计成为卫星正常运转的重要前提。提出了基于网络带宽资源分配的DDoS攻击防御体系,建立了有效的卫星网络拓扑结构模型,并引入了路由状态数据包的概念,设计了相应的卫星网络路由协议。在此基础上,阐述了具有延展性的网络带宽分配机理及其实现方式。根据安全性分析与实验评估结果,提出方案可在有效防范敌手攻击的同时,保障带宽资源的可延展分配,同时方案具备良好的实现性能。

摘要：提出一种基于动态分组的以太网无源光网络(EPON)带宽分配算法。设计动态组成员策略,动态分配各个光网络单元(ONU)的上行带宽。通过获取的ONU负载情况,计算各个ONU权重,根据计算的权重分配剩余带宽,并根据负载变化,调整各个分组的组成员。仿真结果表明,该算法的平均包延时较小。

摘要：联邦学习(FL,federated learning)是一种新兴的机器学习范式,它可以充分利用移动众包资源进行去中心化数据训练。然而,在无线网络中部署FL面临网络带宽有限、移动用户自私等挑战。为了应对这些挑战,提出了一种基于带宽分配的激励机制(IMBA,incentive mechanism with bandwidth allocation)。IMBA考虑用户数据质量和计算能力的不同设计支付方案,以激励高数据质量用户贡献其计算资源,进而提升模型训练精度。通过最小化训练时间和支付成本权重和确定最佳支付与带宽分配方案,通过优化带宽分配降低训练时延。实验表明,IMBA能够有效提高训练精度,降低训练时间,并帮助服务器灵活权衡训练时间和支付报酬。