基于群体智能的ABC支持型QoS路由机制的研究与仿真实现

论文摘要

随着互联网的规模不断地增大,新兴的技术伴随着新网络需求的提出不断地发展,出现了计算机、电视、电信以及卫星等诸多有线和无线网络迅速地融合的现象,下一代互联网NGI (Next Generation Internet)的概念在这个时期被提出。NGI为人们提供更高质量的网络服务。但是NGI的异构性、不确定性又为提供可靠的服务质量QoS (Quality of Service)带来困难,为此当前Internet中许多机制和协议都需要进行改造。在NGI中,用户进行网络路由时,必须在用户不断变换接入位置的同时,为用户保持一条总最佳连接ABC (Always Best Connected)的通信线路,即用户在通信过程中始终享受“最佳”的连接状态以及“最佳”的接入方式。本文着重研究了基于群体智能的ABC支持型QoS路由机制,综合考虑用户通信的QoS需求和NGI链路网络参数的特性对QoS路由机制的影响,针对参数的不精确问题,采用了模糊数学的方法予以解决。另外,针对用户和网络运营商的公平性问题,运用微观经济学的相关知识,通过制定用户和网络运营商的策略集,计算用户和网络运营商的效用,找到在Nash均衡下Pareto最优的用户和网络运营商的策略组合,保证用户和网络运营商的效用最大,实现用户和网络运营商的利益全赢,并且在计算用户和网络运营商的效用时,根据可选链路考虑了用户的偏好,从而更能体现通信过程中的总最佳连接的特性。在解决ABC支持型QoS路由问题的时候,路由机制中同时有多个目标需要进行优化,即成为一个多约束QoS路由问题,针对这个问题,本文使用群体智能算法予以解决。在NS2 (Network Simulator 2)平台下,对本文设计的基于群体智能的ABC支持型QoS路由机制进行仿真实现。为了较好地评价本文提出的路由机制的性能,设计出一些测试方案。在这些测试方案中,通过分析路由机制的优化目标的数据,对路由机制的性能做了综合的评价。较已有的一些QoS路由机制,本文提出的路由机制具有更好的公平性保障,在NGI这样异构、模糊、不确定的网络环境下,更好地确保实际网络通信中的QoS。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 下一代互联网
• 1.2 服务质量
• 1.3 总最佳连接
• 1.4 NGI中ABC支持型QoS路由机制面临的问题
• 1.4.1 网络异构性
• 1.4.2 路由最佳接入方式
• 1.4.3 路由信息不确定性
• 1.4.4 路由决策公平性
• 1.4.5 路由算法优化多目标性
• 1.5 课题来源
• 第二章 相关理论知识
• 2.1 微观经济学相关知识
• 2.1.1 博弈
• 2.1.2 效用
• 2.1.3 定价
• 2.1.4 计费
• 2.1.5 Nash均衡与Pareto最优
• 2.2 群体智能算法
• 2.2.1 小生境遗传算法
• 2.2.1.1 小生境的生物学基础
• 2.2.1.2 自适应小生境技术与遗传算法的结合
• 2.2.2 小生境微粒群算法
• 2.2.2.1 微粒群算法介绍
• 2.2.2.2 聚类小生境PSO
• 2.2.3 带子群自组织蠕虫算法
• 2.2.4 猴王遗传算法
• 第三章 基于群体智能的ABC支持型QoS路由机制的设计
• 3.1 网络模型
• 3.2 模型概述
• 3.2.1 单播模型概述
• 3.2.2 组播模型概述
• 3.3 不精确参数处理
• 3.3.1 单播不精确参数的处理
• 3.3.2 组播不精确参数的处理
• 3.4 博弈分析
• 3.4.1 用户满意度
• 3.4.1.1 成员函数
• 3.4.1.2 模糊规则
• 3.4.1.3 逆模糊化
• 3.4.2 策略集
• 3.4.2.1 计费方式
• 3.4.2.2 效用计算
• 3.5 数学模型
• 3.5.1 单播数学模型
• 3.5.2 组播数学模型
• 3.6 单播路由机制
• 3.6.1 单播适应度计算
• 3.6.2 基于小生境遗传算法的单播路由机制
• 3.6.2.1 子群内个体的交叉变异
• 3.6.2.2 子群内个体的自身变异
• 3.6.2.3 核心算法流程
• 3.6.3 基于动态Pareto解集的聚类分析的小生境微粒群算法的单播路由机制
• 3.6.3.1 Pareto解的形式
• 3.6.3.2 聚类分析
• 3.6.3.3 核心算法流程
• 3.6.4 基于带子群自组织蠕虫算法的单播路由机制
• 3.6.4.1 蠕虫聚类
• 3.6.4.2 子群蠕虫的移动规则
• 3.6.4.3 核心算法流程
• 3.6.5 基于改进的猴王遗传算法的单播路由机制
• 3.6.5.1 猴群中基于猴王的变异
• 3.6.5.2 猴王自身变异
• 3.6.5.3 核心算法流程
• 3.7 组播路由机制
• 3.7.1 组播适应度计算
• 3.7.2 基于小生境遗传算法的组播路由机制
• 3.7.2.1 子群内个体的交叉变异
• 3.7.2.2 子群内个体的自身变异
• 3.7.2.3 核心算法流程
• 3.7.3 基于动态Pareto解的聚类分析的小生境微粒群算法的组播路由机制
• 3.7.3.1 Pareto解的形式
• 3.7.3.2 聚类分析
• 3.7.3.3 核心算法流程
• 3.7.4 基于带子群自组织蠕虫算法的组播路由机制
• 3.7.4.1 蠕虫聚类
• 3.7.4.2 子群内蠕虫的移动规则
• 3.7.4.3 核心算法流程
• 3.7.5 基于改进的猴王遗传算法的组播路由机制
• 3.7.5.1 猴群中基于猴王的变异
• 3.7.5.2 猴王自身变异
• 3.7.5.3 核心算法流程
• 第四章 仿真实现与性能分析
• 4.1 仿真工具
• 4.1.1 NS2简介
• 4.1.2 NS2原理概述
• 4.2 仿真实现
• 4.2.1 前台程序设计
• 4.2.2 后台程序设计
• 4.3 性能分析
• 4.3.1 拓扑用例
• 4.3.2 运行用例
• 4.3.3 基准算法
• 4.3.3.1 单播基准算法
• 4.3.3.2 组播基准算法
• 4.3.4 单播路由机制
• 4.3.4.1 路径可信度评价
• 4.3.4.2 效用评价
• 4.3.4.3 Nash均衡下的Pareto最优率评价
• 4.3.4.4 用户偏好评价
• 4.3.4.5 用户满意度评价
• 4.3.4.6 网络规模对路由机制性能的影响
• 4.3.5 组播路由机制
• 4.3.5.1 路径可信度评价
• 4.3.5.2 效用评价
• 4.3.5.3 Nash均衡下的Pareto最优率评价
• 4.3.5.4 用户偏好评价
• 4.3.5.5 用户满意度评价
• 4.3.5.6 网络规模对路由机制性能的影响
• 第五章 结束语
• 参考文献
• 致谢
• 攻读硕士期间发表的论文