摘要：该文结合强化学习方法提出一种QLCC算法,此算法是将网络拥塞过程进行简化之后描述为马尔科夫决策过程,在Q-learning算法应用的基础上创新设计的新型网络拥塞控制算法。研究过程中首先介绍强化学习方法,并对网络拥塞过程中马尔科夫决策过程的构建条件及假设进行探讨,之后从框架结构、参数结构及定义、参数离散划分和更新步骤几个方面介绍QLCC算法,并采取仿真实验方法对该种新算法的网络吞吐量、公平性、随机丢包环境下的吞吐量分别进行检测,通过与其他3种传统网络拥塞控制算法进行对比分析,证实QLCC算法具有吞吐量较佳、公平性最高、抗丢包性能最优的性能,说明其是一种具有较高应用优势的智能化网络拥塞控制算法。

摘要：为解决当前无线传感器网络拥塞问题,加快数据传输速度,提出基于数据驱动的无线传感器网络拥塞控制方法.通过传输节点被动监察附近节点传输的数据帧,量化节点活跃度判断附近节点是否存在拥塞问题,基于离散指数趋近率控制的抖振分析结果设计自适应离散滑模拥塞控制器,针对存在拥塞问题的节点,采用数据驱动技术根据节点间关联性设计无线传感器网络拥塞控制策略.测试结果表明,相比传统的控制方法,本文方法能降低节点内数据队列长度的波动性,提升单位时间内数据传输量,节点信道拥塞标记率具有一致性,控制在4.5%左右,其响应时间控制在100 ms左右,具有良好的控制性能.

摘要：针对区分服务网络的两种典型业务类型(奖赏业务和确保业务)分别进行分析和控制,应用非线性流体流理论建立区分服务网络模型,设计推导出一种新的自适应滑模控制器.先将非线性流体流模型转化为参数严格反馈的形式,然后应用反演控制理论完成控制器的设计.通过该方法设计的自适应反演滑模控制器,能够抑制系统的未知动态和不确定性扰动,使缓冲器队列长度的调节达到理想效果.在理想滑动模态下系统渐近稳定,仿真结果进一步验证了该控制器的有效性.

摘要：针对动态网络的拥塞问题,对TCP网络的动态不确定性进行定量分析,探讨了网络参数的摄动范围,给出TCP网络的不确定线性化系统模型。在此基础上,设计了一种基于滑模控制的主动队列管理算法,并分别在Matlab和NS2两种仿真平台上验证了算法的有效性,实验结果表明队列长度可以很好地稳定在期望值附近。

摘要：当前的研究表明,许多实际网络如通信网、Internet的路由层、AS层以及城市交通网、航空网等都具有无标度特性,因此无标度网络的拥塞控制是一个值得研究的有实际意义的问题.本文建立了一个典型的无标度网络模型,通过仿真交通流量在网络中的行为特性,结合网络物理特性及路由策略来研究网络拥塞及其控制方法.研究表明网络拓扑的改变对网络性能有较大的影响;动态路由策略较静态路由策略更能避免网络拥塞;在进行带宽分配、节点容量设置及节点处理速度配置时必须考虑节点度才能更好地提高网络性能,避免网络拥塞.本文的研究成果可为网络物理配置及路由机制设计提供基础.

摘要：针对具有通信时延的无线传感器网络的拥塞问题,利用图论对无线传感器网络进行建模,借鉴领导者—跟随者的思想设计了一致拥塞控制算法(congestion control based on consensus,CCBC).根据汇聚节点的负载状况,合理地调节所有传感器节点的数据发送速率,给出足够的条件证明算法在变拓扑网络结构和时变时延下的有效性.NS仿真表明,本文提出的算法与其他算法比较,具有较低的丢包率、较高的链路利用率、良好的节能性,能够很好地抑制无线传感器网络中的拥塞现象.

摘要：为了改善网络拥塞控制系统的性能,基于流体流理论的网络简化模型,将量子空间中的粒子群优化算法(QDPSO)应用于PID控制器参数优化.定义了一个综合调节时间、上升时间、超调量、系统静态误差、正弦跟踪误差等动静态性能指标函数,在给定的参数空间进行组合优化搜索,迅速求得获取使性能指标优化函数极小化的一组PID控制器参数,将PID控制器应用于网络主动队列管理系统中.仿真结果表明,在大时滞和突发业务流的冲击2种情况下,该方法设计的控制器的动静态性能优于RED,PI算法,也优于GA,SPSO算法的优化结果,超调量均小于4%,调节时间均小于4s,稳态误差均小于2个数据包.

摘要：研究网络拥塞控制问题,由于网络数据量增大,使网络的吞吐能力下降,延长传输时间,引起信息丢失。要解决网络拥塞控制的路径优化问题,采用单一的遗传算法或粒子群算法对网络拥塞路径进行优化,其精度较差。为了提高网络拥塞控制路径优化的速度和精度,提出将遗传算法和粒子群算法组合方法,实现控制网络路径的优化。组合算法在优化前期采用粒子群算法优化初始种群,加快找到最优解的速度,在优化后期采用遗传算法产生新的路径方案,很好地避免了陷入局部最优的缺陷,从而提高路径的速度和精度。仿真结果表明,组合算法利用遗传算法和粒子群算法的优点,得到了最优路径方案,使网络负载更加均衡,很好地避免网络拥塞发生,为设计提供了依据。

摘要：生成式大模型训练需要超大规模低时延、高带宽、高可用的网络承载底座。对生成式大模型下高性能网络基础设施的技术发展路线和实现方案进行了研究,认为商用部署时需针对不同训练阶段的工作负载和流量模式,开展定制化网络架构设计和传输协议优化。流控/拥塞控制技术、负载均衡技术、自动化运维技术和面向广域远程直接内存访问(RDMA)的确定性网络传输技术是未来的重点研究方向。

摘要：拥塞控制作为保障网络性能的一个重要组件得到许多学者的关注,不断有新的协议和算法提出,本文基于NS2仿真实现BLUE算法设计进行了研究探讨。