流量预测下结合改进队列管理算法的AOS智能帧生成方法技术

本发明专利技术公开了一种流量预测下结合改进队列管理算法的AOS智能帧生成方法，包括以下步骤：使用基于遗传算法优化小波神经网络的预测方法对信源ON/OFF模型产生的自相似流量进行预测；将预测结果引入改进的队列管理算法，队列管理模块采用改进的EARED队列管理算法；经过队列管理的流量接着进入帧生成模块，将数据流进行封装成帧，其中帧生成模块采用粒子群优化人工鱼群算法对帧生成算法；对成帧的数据进行虚拟信道调度，虚拟信道调度模块选择采用边界可移动的虚拟信道调度算法，最终完成数据流的传输过程。本发明专利技术能够有效地减少网络拥挤堵塞的产生，减少延时、降低丢包率、增加吞吐量等网络技术性指标。网络技术性指标。网络技术性指标。

【技术实现步骤摘要】
流量预测下结合改进队列管理算法的AOS智能帧生成方法


[0001]本专利技术通信技术，特别涉及一种流量预测下结合改进队列管理算法的AOS智能帧生成方法。

技术介绍

[0002]现有的主动队列管理技术采用的是随机早检测RED算法和其优化衍生算法ARED等算法，同时常见的智能包复用技术是等时帧生成算法和高效率帧生成算法，下面进行相似描述：
[0003]RED算法
[0004]RED算法机制原理是如果虚拟通道中的数据包数量过大，首先，统计到达时间内数据包的平均队列，根据平均队列长度评估过载的实际情况，对数据包进行丢弃，在满足信道容量的情况下进入信道，然后将信道情况反馈给数据源，以此降低信源传输速率或传输时间，减少下一时刻进入信道的数据流量，从而达到拥塞控制的目的
[0005](1)平均队列长度Q
avg
：
[0006]通过加权平均策略来计算信道流量的平均队列长度Q
avg
，如公式(1)所示：
[0007]Q
avg
＝(1
‑
W
q
)
×
Q
avg
+W
q
×
Q
curr
ꢀꢀꢀ
(1)
[0008]其中：Q
avg
是修正平均队列长度；W
q
是范围在(0,1)的加权系数；Q
curr
是虚拟信道当前实际队列长度。
[0009](2)数据包丢弃概率P：
[0010]预先设定目标阈值范围的最小值min
th
和最大值min
th
，并与通过加权平均计算出的Q
avg
进行对比，以此判定数据包丢弃概率：
[0011]①
当Q
avg
≤min
th
时，信道传输流畅，不发生拥塞，数据包全部进入队列；
[0012]②
当min
th
＜Q
avg
＜max
th
时，数据包以1
‑
P的概率进入队列；
[0013]③
当max
th
≤Q
avg
时，信道已出现拥塞，没有剩余队列，此时应丢弃所有数据包。
[0014]概率值P
b
和平均队列长Q
avg
的关系，如下式(2)所示：
[0015][0016]RED算法中Q
avg
和P
b
的关系如图1所示。
[0017]如图可知，当Q
avg
小于min
th
时，P
b
为0，不丢弃数据包；当Q
avg
在min
th
与max
th
之间时，数据包遵循线性丢弃概率P
b
来丢弃，其最大值为max
p
；当Q
avg
大于max
th
时，以P
b
＝1来丢弃所有数据包。
[0018]RED算法的缺点；统计平均队列长度以及丢包概率时，对控制参数的设定较为灵敏，如； W
q
、min
th
和max
th
。由于实际网络业务的复杂性和当前网络的动态性，导致参数也应
该遵循动态变化，此外，由于RED算法没有解决多种网络业务传输优先级的问题，使得高优先级的数据无法实现先行传输，无法满足数据流量在信道内公平传输的要求。
[0019]ARED算法
[0020]在主动队列管理算法中，假设max
p
定义的值过大，则会导致当网络检测到拥塞时，一段时间内会连续丢弃大量的数据包，而当max
p
定义的值过小时，将会在缓存中出现大量等待传输的数据包出并且还会不断出现小范围的数据包丢弃，但依旧无法解决数据包缓存的溢出。因此提出了动态自适应调整数据包丢弃概率的ARED算法，该算法基本原理是：通过计算信道流量的平均队列长度Q
avg
的变化情况来对最大丢弃概率max
p
的数值进行加性增加乘性减小的自适应调节，具体调节如下：
[0021]如果监测到的流量的平均队列长度Q
avg
总是在min
th
附近波动，说明当前信道传输流畅，不发生拥塞，但此时的数据包丢弃控制机制过于激进，因此，当前情况下max
p
的值应该相应的减小，增加参数β，并定义max
p
＝max
p
×
β；如果监测到的流量的平均队列长度Q
avg
总是在max
th
附近波动，明当前网络存在拥塞情况较为严重的网络拥塞，但此时的数据包丢弃控制机制过于保守，因此，当前情况下应该相应增加max
p
值的大小，增加参数α，一般设置α＝min(0.01,max
p
/4)，并定义max
p
＝max
p
+α。
[0022]等时帧生成算法
[0023]等时帧生成算法原理：首先根据传输情况设定一个数据包成帧的时间门限值，即当等待时间等于该门限值时自动生成一帧，故在这个时间门限值之前，无论到达了多少个数据包，都不会封装成帧，故很可能在某一时段内，缓存中积累了大量等待成帧的数据包，而造成网络拥塞，所以等时帧生成算法只适合用在少量数据传输的情况。由于成帧时间是预先确定的固定值，故根据等待时间到达的总数据包数，可以用以下三种情况对成帧情况进行简单描述：
[0024]相关参数：当前到达的总数据包数n，定义MPDU包区长度N，成帧时间门限值t。
[0025]当n＜N时，表示在成帧门限值之前，缓存中到达的数据流量总数小于定义的MPDU包区长度，导致当前时刻数据帧没有填充满，因此，将继续补充空闲包直到填满整个数据帧后，再封装成帧，空闲包填充过程如图2所示；
[0026]当n＝N时，表示到达成帧门限值时，数据包总数等于MPDU包区长度，恰好可以生成一帧后传输，成帧过程如图3所示；
[0027]当n＞N时，表示到达成帧门限值时，缓存中已经积累了大量的数据包，与超过当前设定的包区长度，此时按照到达顺序，将前N个数据包进行封装成帧，其余数据包等待下一个成帧时间，存在剩余包的成帧过程如图4所示。
[0028]高效率帧生成算法
[0029]高效帧生成算法的原理：当数据包连续到达缓存中时，通过预先设定MPDU包区长度，当数据包填充满一帧时，立即封装成帧后转发，避免了因数据包过少而填充空闲包，数据包过多而造成长时间的等待的情况，充分利用每一个数据帧。但是在传输少量数据包时，无法达到成帧条件，造成等待成帧时间过长的问题。高效率帧生成算法封装过程如图5所示。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种流量预测下结合改进队列管理算法的AOS智能帧生成方法，其特征在于，包括以下步骤：使用基于遗传算法优化小波神经网络的预测方法对信源ON/OFF模型产生的自相似流量进行预测；将预测结果引入改进的队列管理算法，队列管理模块采用改进的EARED队列管理算法；经过队列管理的流量接着进入帧生成模块，将数据流进行封装成帧，其中帧生成模块采用粒子群优化人工鱼群算法对帧生成算法；对成帧的数据进行虚拟信道调度，虚拟信道调度模块选择采用边界可移动的虚拟信道调度算法，最终完成数据流的传输过程。2.根据权利要求1所述的帧生产方法，其特征在于，假设ON/OFF源i(i＝1,2,
…
,M)相互独立且信源只有活跃与空闲两种状态，即在ON状态以固定速率发送数据包，在OFF状态不发送数据包。若i的第l个活跃期的起始点为持续时间为空闲状态的持续时间为其中，l＝0,1,2,
…
，与相互独立，每个信源的独立且具有相同的分布，即Pareto分布。当t趋于无穷大时，P(τ＞t)＝t
‑
α
，其中1＜α＜2，并且τ的期望为有限值，记E(τ)＝a
τ
，则同理可得，独立同分布，且E(θ)＝a
θ
。自相似网络业务流量的实际测量表示，空闲状态持续时间的均值a
θ
要大于活跃状态持续时间的均值a
τ
，并且随着ON/OFF源的个数不断增大，a
θ
也随着增大，若把各独立ON/OFF源在某一时刻处于ON的概率记作P，则处于OFF的概率为1
‑
P，以随机变量表示如下式(3)、(4)所示：P(η
i
＝1)＝p,P(η
i
＝0)＝1
‑
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，η
i
,i＝1,2,
…
,M且η
i
独立同分布。若以ξ表示M个ON/OFF源中处于ON状态的数目，可知ξ是服从于参数为M和P的二项分布，即ξ～B(M,p)，则，根据上面分析可知，当M
→
∞时，a
θ
会相应增大，则会相应较小，再根据泊松定理，有ξ渐进服从λ的泊松分布，且λ＝Mp，则，3.根据权利要求2所述的帧生产方法，其特征在于，对ON/OFF源包到达过程的描述为：
①
信源的到达过程服从参数为λ的泊松过程，若用ξ
t
表示在某时间t内信源到来的数目，则在时间t之前若有若干ON/OFF源到达时刻，设则有：
②
各ON/OFF源的时间间隔服从系数为λ的指数分布，即各信源间的γ
j
相互独立且同分
布，
③
记γ1为时刻t1与时刻t2之间的时间间隔，并设为时刻t1内到达的信源个数，为时刻t2内到达的信源个数，信源发送数据包的速率为固定值R，则ON/OFF源处于ON状态的时间等于信源发送数据包的时间，记为τ1。因为E(τ1)＝a
τ
，且与τ1相互独立，故发送的数据包个数的相关计算为：
④
当系统平衡时，4.根据权利要求1所述的帧生产方法，其特征在于，应用Matlab仿真获取ON/OFF模型生成的网络流量并进行存储，将其内分为两部分，一部分用作数据的训练，另一部分用作数据的测试。为了保证数据样本的参照价值和可靠性，需要多进行几次仿真实验，获取较稳定的数据集；通过多次仿真分析，对预测模型的种群数目及迭代次数等参数进行合理的初始化设置，确定小波神经网络的各节点数，并对其权值、阈值等参数进行实数编码解码；构造适应度函数并进行相应的计算，判断适应度值是否为最大值或者迭代次数是否完成，若情况满足以上两个条件之一则训练结束，获取测试集数据；否则执行一次选择、交叉、变异操作训练，然后再次判别适应度值是否为最大值或者迭代次数是否完成，依此循环直至二者之一满足条件为止。5.根据权利要求1所述的帧生产方法，其特征在于，采用偏大型正态分布隶属函数来替换原RED算法中线性丢弃函数，并利用这个函数计算丢弃概率，偏大型正态分布隶属函数如公式(12)所示，其中α＞0，设σ＝1，规定x为Q
avg
，a为min
th
。并根据在min
th
丢弃概率为0，在max
th
丢弃概率为max
p
，代入推出参数α如公式(13)所示。结合RED的计算函数式和参数α，获得偏大型正态分布隶属函数的包丢弃概率分布函数式(14)。并针对在max
th
处丢包概率直接从max
p
跳变到1造成的浪费路由器中剩余队列的问题，因此引入另一个门限值参数2max
th
来扩大范围处理缓存并在[max
th
,2max
th
]之间采用线性函数，以及基于二次函数变换得到的激进函数和平滑函数三种形式对比分析扩展最大阈值
...

【专利技术属性】
技术研发人员：田野，刘立士，国一兵，鄂晓晨，刘英娜，
申请(专利权)人：沈阳理工大学，
类型：发明
国别省市：