認(rèn)知網(wǎng)絡(luò)中基于Kohonen網(wǎng)絡(luò)組合式預(yù)測(cè)模型的負(fù)載均衡算法.pdf

1、隨著現(xiàn)代網(wǎng)絡(luò)技術(shù)的高速發(fā)展，新的網(wǎng)絡(luò)服務(wù)不斷涌現(xiàn)，人們對(duì)通信質(zhì)量的要求也越來越高，這也帶來了一系列的問題，比如網(wǎng)絡(luò)的兼容性差、網(wǎng)絡(luò)業(yè)務(wù)延遲嚴(yán)重、業(yè)務(wù)流擁堵、網(wǎng)絡(luò)的負(fù)載均衡效果差等問題。而且傳統(tǒng)的流量預(yù)測(cè)模型一般只處理流量的短相關(guān)特性或長相關(guān)特性，不能完整地刻畫網(wǎng)絡(luò)流量的突發(fā)性、混沌性、自相似性、周期性等其它特性，導(dǎo)致預(yù)測(cè)誤差較大。同時(shí)，現(xiàn)有的網(wǎng)絡(luò)負(fù)載機(jī)制一般不能對(duì)網(wǎng)絡(luò)狀況提前感知并自適應(yīng)地調(diào)整網(wǎng)絡(luò)參數(shù)，導(dǎo)致網(wǎng)絡(luò)一定的遲滯性，無法保證網(wǎng)絡(luò)

2、業(yè)務(wù)QoS。因此，建立一個(gè)精確的網(wǎng)絡(luò)流量預(yù)測(cè)模型和高效的負(fù)載均衡機(jī)制，已成為國內(nèi)外學(xué)者研究的熱點(diǎn)。
　　認(rèn)知網(wǎng)絡(luò)具有自主學(xué)習(xí)和重配置能力，它通過提前感知網(wǎng)絡(luò)環(huán)境，智能、自適應(yīng)地調(diào)整網(wǎng)絡(luò)參數(shù)，從而實(shí)現(xiàn)網(wǎng)絡(luò)的負(fù)載均衡，并能有效地提高網(wǎng)絡(luò)資源利用率，保證網(wǎng)絡(luò)業(yè)務(wù)的QoS。因此，針對(duì)上述問題，并結(jié)合認(rèn)知技術(shù)，本文搭建了基于Kohonen網(wǎng)絡(luò)的組合式流量預(yù)測(cè)模型。該模型根據(jù)Kohonen網(wǎng)絡(luò)訓(xùn)練速率快、分類性能強(qiáng)、抗噪聲能力強(qiáng)等特性，來提高

3、對(duì)多尺度、非線性的流量的預(yù)測(cè)精度。同時(shí)，本文又在基于Kohonen神經(jīng)網(wǎng)絡(luò)流量預(yù)測(cè)模型的基礎(chǔ)上，改進(jìn)目前廣泛應(yīng)用的加權(quán)最小連接調(diào)度算法，建立了認(rèn)知網(wǎng)絡(luò)中基于Kohonen網(wǎng)絡(luò)流量預(yù)測(cè)的負(fù)載均衡模型。通過認(rèn)知網(wǎng)絡(luò)的感知特性，提前配置網(wǎng)絡(luò)的可用資源，實(shí)現(xiàn)對(duì)業(yè)務(wù)流動(dòng)態(tài)、實(shí)時(shí)的調(diào)度，最終實(shí)現(xiàn)網(wǎng)絡(luò)的負(fù)載均衡。
　　本文具體的工作和研究成果：
　　首先，本文介紹了認(rèn)知網(wǎng)絡(luò)的概念和模型，重點(diǎn)研究了認(rèn)知網(wǎng)絡(luò)自學(xué)習(xí)、自適應(yīng)的特性。并簡(jiǎn)要介紹了

4、網(wǎng)絡(luò)流量的多種不同的特性，同時(shí)，結(jié)合這些特性，仔細(xì)分析和研究了現(xiàn)階段的流量預(yù)測(cè)模型和負(fù)載均衡模型，并相應(yīng)的總結(jié)了它們的優(yōu)缺點(diǎn)。
　　其次，設(shè)計(jì)了一種基于認(rèn)知網(wǎng)絡(luò)的Kohonen神經(jīng)網(wǎng)絡(luò)組合式流量預(yù)測(cè)模型。
　　本文選擇認(rèn)知網(wǎng)絡(luò)作為主要研究方向，根據(jù)認(rèn)知網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)的特性，同時(shí)又重點(diǎn)引入Kohonen神經(jīng)網(wǎng)絡(luò)。利用Kohonen神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率快、分類精度高、抗噪聲能力強(qiáng)、自組織和自適應(yīng)、訓(xùn)練收斂速度快、聚類等特性，同

5、時(shí)結(jié)合小波在多尺度數(shù)據(jù)分解的優(yōu)勢(shì)，AR模型在線性數(shù)據(jù)處理方面的優(yōu)勢(shì)，BP神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)擬合方面的優(yōu)勢(shì)以及LMS技術(shù)，設(shè)計(jì)了一種基于認(rèn)知網(wǎng)絡(luò)的Kohonen神經(jīng)網(wǎng)絡(luò)組合式流量預(yù)測(cè)模型。首先，將網(wǎng)絡(luò)流量經(jīng)過LMS處理，然后，通過小波變換，將流量分解為高頻部分和低頻部分，并分別采用Kohonen模塊和自回歸AR組合模塊進(jìn)行預(yù)測(cè)，最后，重組預(yù)測(cè)流量，并用BP網(wǎng)絡(luò)進(jìn)行進(jìn)一步擬合。通過Matlab軟件一步步仿真，經(jīng)過驗(yàn)證得到，該模型相比較其它傳統(tǒng)網(wǎng)

6、絡(luò)流量預(yù)測(cè)模型，有效地改善了結(jié)構(gòu)復(fù)雜的網(wǎng)絡(luò)流量預(yù)測(cè)精度。
　　最后，設(shè)計(jì)一種認(rèn)知網(wǎng)絡(luò)中基于Kohonen網(wǎng)絡(luò)流量預(yù)測(cè)模型的動(dòng)態(tài)負(fù)載均衡模型及其對(duì)應(yīng)改進(jìn)的流量調(diào)度算法。
　　本文將上一章的基于Kohonen神經(jīng)網(wǎng)絡(luò)的組合式流量預(yù)測(cè)模型結(jié)合認(rèn)知網(wǎng)絡(luò)，并改進(jìn)現(xiàn)有的加權(quán)最小連接調(diào)度算法。由于該算法沒有自學(xué)習(xí)，自適應(yīng)的特征，同時(shí)又沒有綜合考慮服務(wù)器的參數(shù)性能，導(dǎo)致網(wǎng)絡(luò)具有一定的滯后性，因此，提出了一種認(rèn)知網(wǎng)絡(luò)中基于Kohonen神經(jīng)網(wǎng)

7、絡(luò)預(yù)測(cè)模型的負(fù)載均衡模型和改進(jìn)的流量調(diào)度算法。該模型根據(jù)認(rèn)知網(wǎng)絡(luò)認(rèn)知和學(xué)習(xí)的特性，提前學(xué)習(xí)和調(diào)整網(wǎng)絡(luò)參數(shù)，并結(jié)合本文改進(jìn)的流量調(diào)度算法，最終實(shí)現(xiàn)網(wǎng)絡(luò)的負(fù)載均衡。本文用OPNET軟件對(duì)新的負(fù)載均衡模型進(jìn)行仿真，分別仿真了對(duì)應(yīng)的進(jìn)程模型、節(jié)點(diǎn)模型、網(wǎng)絡(luò)模型，并對(duì)服務(wù)器的負(fù)載效果和網(wǎng)絡(luò)延遲與一般網(wǎng)絡(luò)未改進(jìn)的加權(quán)最小連接調(diào)度模型進(jìn)行對(duì)比分析。結(jié)果表明，認(rèn)知網(wǎng)絡(luò)中基于Kohonen網(wǎng)絡(luò)預(yù)測(cè)模型改進(jìn)的負(fù)載均衡算法有效地提高了服務(wù)器的負(fù)載均衡效果，并