混合神经网络在主动队列管理中的应用

"基于混合神经网络的主动队列管理算法 (2006年)，作者许德生，庞伟正，发表于《应用科技》第33卷第12期，主要探讨了高速互联网中的拥塞控制问题，提出了一种创新的主动队列管理机制，利用混合pi-sigma神经网络进行动态管理。该算法能有效修正参数，适应网络环境变化，实现拥塞预测和控制。通过仿真验证，算法能保持队列长度稳定，并在面对突发流量时减少流量波动，具备良好的自适应性。关键词涉及主动队列管理、拥塞控制、混合神经网络和预测控制。" 在高速互联网环境中，拥塞控制是保障网络性能和稳定性的重要环节。传统的拥塞控制方法，如TCP/IP协议栈中的慢启动、拥塞避免等策略，往往难以实时应对网络的动态变化。主动队列管理（Active Queue Management, AQM）算法则是解决这一问题的有效手段，它通过在路由器或交换机的队列中提前丢弃数据包来防止队列过长，从而避免全局同步现象和大范围的拥塞。 许德生和庞伟正提出的基于混合pi-sigma神经网络的主动队列管理算法，引入了神经网络的自学习和自适应特性。pi-sigma神经网络是一种非线性动态模型，它结合了pi控制器（比例积分控制器）的简单性和sigma神经网络的非线性映射能力，能够处理复杂的非线性问题。在本研究中，这种混合神经网络被用来动态调整管理参数，包括前提参数（隶属函数）和结论参数，使得算法能够根据网络状态实时调整，提高了对网络拥塞的预测精度和控制效果。 在线修正参数的能力使得该算法能够更好地适应网络环境的变化，比如流量的突发性和不精确性。通过仿真测试，该算法表现出了显著的优势，它能在短时间内平滑流量的波动，尤其是在面对大规模突发流量时，能够快速响应并稳定缓存器中的队列长度，减少了网络抖动，从而提升了服务质量（QoS）。 此外，混合神经网络的使用还增强了算法的自适应性，使其能够适应网络的动态特性，这对于现代互联网环境尤为重要，因为网络流量的波动和不可预测性是常态。这种自适应能力意味着算法能够在不断变化的网络条件下保持高效的拥塞控制性能，降低了丢包率，优化了带宽利用率，有助于提高整体网络性能。 这项研究为高速互联网的拥塞控制提供了一个新颖且有效的解决方案，通过混合神经网络的动态管理，实现了更精确的拥塞预测和控制，对于改善网络性能、提升用户体验具有重要意义。