認知網絡中基于Kohonen網絡組合式預測模型的負載均衡算法.pdf

1、隨著現(xiàn)代網絡技術的高速發(fā)展，新的網絡服務不斷涌現(xiàn)，人們對通信質量的要求也越來越高，這也帶來了一系列的問題，比如網絡的兼容性差、網絡業(yè)務延遲嚴重、業(yè)務流擁堵、網絡的負載均衡效果差等問題。而且傳統(tǒng)的流量預測模型一般只處理流量的短相關特性或長相關特性，不能完整地刻畫網絡流量的突發(fā)性、混沌性、自相似性、周期性等其它特性，導致預測誤差較大。同時，現(xiàn)有的網絡負載機制一般不能對網絡狀況提前感知并自適應地調整網絡參數，導致網絡一定的遲滯性，無法保證網絡

2、業(yè)務QoS。因此，建立一個精確的網絡流量預測模型和高效的負載均衡機制，已成為國內外學者研究的熱點。
　　認知網絡具有自主學習和重配置能力，它通過提前感知網絡環(huán)境，智能、自適應地調整網絡參數，從而實現(xiàn)網絡的負載均衡，并能有效地提高網絡資源利用率，保證網絡業(yè)務的QoS。因此，針對上述問題，并結合認知技術，本文搭建了基于Kohonen網絡的組合式流量預測模型。該模型根據Kohonen網絡訓練速率快、分類性能強、抗噪聲能力強等特性，來提高

3、對多尺度、非線性的流量的預測精度。同時，本文又在基于Kohonen神經網絡流量預測模型的基礎上，改進目前廣泛應用的加權最小連接調度算法，建立了認知網絡中基于Kohonen網絡流量預測的負載均衡模型。通過認知網絡的感知特性，提前配置網絡的可用資源，實現(xiàn)對業(yè)務流動態(tài)、實時的調度，最終實現(xiàn)網絡的負載均衡。
　　本文具體的工作和研究成果：
　　首先，本文介紹了認知網絡的概念和模型，重點研究了認知網絡自學習、自適應的特性。并簡要介紹了

4、網絡流量的多種不同的特性，同時，結合這些特性，仔細分析和研究了現(xiàn)階段的流量預測模型和負載均衡模型，并相應的總結了它們的優(yōu)缺點。
　　其次，設計了一種基于認知網絡的Kohonen神經網絡組合式流量預測模型。
　　本文選擇認知網絡作為主要研究方向，根據認知網絡的自學習、自適應的特性，同時又重點引入Kohonen神經網絡。利用Kohonen神經網絡學習速率快、分類精度高、抗噪聲能力強、自組織和自適應、訓練收斂速度快、聚類等特性，同

5、時結合小波在多尺度數據分解的優(yōu)勢，AR模型在線性數據處理方面的優(yōu)勢，BP神經網絡在數據擬合方面的優(yōu)勢以及LMS技術，設計了一種基于認知網絡的Kohonen神經網絡組合式流量預測模型。首先，將網絡流量經過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組合模塊進行預測，最后，重組預測流量，并用BP網絡進行進一步擬合。通過Matlab軟件一步步仿真，經過驗證得到，該模型相比較其它傳統(tǒng)網

6、絡流量預測模型，有效地改善了結構復雜的網絡流量預測精度。
　　最后，設計一種認知網絡中基于Kohonen網絡流量預測模型的動態(tài)負載均衡模型及其對應改進的流量調度算法。
　　本文將上一章的基于Kohonen神經網絡的組合式流量預測模型結合認知網絡，并改進現(xiàn)有的加權最小連接調度算法。由于該算法沒有自學習，自適應的特征，同時又沒有綜合考慮服務器的參數性能，導致網絡具有一定的滯后性，因此，提出了一種認知網絡中基于Kohonen神經網

7、絡預測模型的負載均衡模型和改進的流量調度算法。該模型根據認知網絡認知和學習的特性，提前學習和調整網絡參數，并結合本文改進的流量調度算法，最終實現(xiàn)網絡的負載均衡。本文用OPNET軟件對新的負載均衡模型進行仿真，分別仿真了對應的進程模型、節(jié)點模型、網絡模型，并對服務器的負載效果和網絡延遲與一般網絡未改進的加權最小連接調度模型進行對比分析。結果表明，認知網絡中基于Kohonen網絡預測模型改進的負載均衡算法有效地提高了服務器的負載均衡效果，并