认知网络中一种基于神经网络预测模型的负载均衡算法

论文摘要

随着互联网络的发展,人们对通信的需求不断增加,已有的网络架构已经无法满足这种多样化的需求,因此研究和设计新一代的智能化网络就变得非常必要。本文在课题“基于认知网络行为模型的认知网络QoS技术”(国家863计划)的依托下,重在解决由于网络中终端的分布状况、随机移动特性、用户业务的多种QoS需求会引起网络业务量分布不平衡,局部业务过载、重负载区域发生拥塞,导致丢包率和业务时延增加,而轻负载区域的闲置资源没有得到充分利用的问题。认知网络特有的自主学习与重配置能力,能够使负载均衡更具有效性。在网络中提高网络资源利用率的有效方式之一是通过有效的负载分配与流量调度算法将各处理节点之间的请求数据进行合理分配,以实现系统的最佳处理能力。本文基于认知网络在对现有的流量调度算法进行研究的基础上,对加权最小连接调度算法进行改进,首先将认知的概念引入流量预测模型中,选择小波神经网络预测模型作为改进对象,引入最小二乘法以解决小波神经网络预测模型中的“过拟合”问题,‘从而改进神经网络预测模型,使对网络流量的预测更加准确,并在此基础上设计一种基于流量预测模型的动态负载均衡算法NNPMA (A load balancing algorithm based on neural network prediction model)。根据网络流量预测的结果与网络中负载变化情况对业务流进行实时、动态的调度,有效地将网络请求调度到各个节点,解决了有的服务器负载过重而有的服务器闲置的状况,使各个节点的服务请求均匀的分配在整个网络中,减少了网络拥塞,保证业务QoS需求。在文章最后通过用OPNET仿真软件对NNPMA算法与一般网络中使用加权最小连接调度算法进行建模仿真,证明NNPMA算法更好得实现了网络负载均衡,并且减少了网络延迟。图25幅,表1个,参考文献47篇。

论文目录

• 致谢
• 中文摘要
• ABSTRACT
• 1 绪论
• 1.1 选题背景
• 1.1.1 认知网络的研究与发展
• 1.1.2 认知网络的概念与模型
• 1.2 研究现状
• 1.2.1 流量预测模型发展现状
• 1.2.2 负载均衡的研究现状
• 1.2.3 存在的问题
• 1.3 论文的主要工作研究内容与创新性
• 1.3.1 论文的研究内容
• 1.3.2 论文的研究意义
• 1.3.3 论文的创新性体现
• 1.4 论文组织
• 2 当前网络中负载均衡理论综述
• 2.1 负载均衡概述
• 2.1.1 负载均衡的必要性分析
• 2.1.2 现有的负载均衡算法
• 2.1.3 现有负载均衡算法存在问题
• 2.2 基于流量预测模型的负载均衡算法
• 2.3 应用于负载均衡的流量预测模型相关理论
• 2.3.1 流量预测的两种模型
• 2.3.2 流量预测的三种方法
• 2.3.3 认知网络中流量预测方法比较分析
• 2.3.4 神经网络流量预测模型综述
• 3 认知网络中基于神经网络预测组合模型的改进
• 3.1 新的神经网络预测组合模型的选择
• 3.1.1 神经网络预测组合模型
• 3.1.2 拟改进的网络预测组合模型的选择
• 3.2 改进的神经网络预测组合模型
• 3.2.1 神经网络预测组合模型改进思路描述
• 3.2.2 改进的神经网络预测组合模型算法描述
• 3.3 改进的神经网络预测组合模型优势分析
• 4 一种基于神经网络预测模型的负载均衡算法
• 4.1 基于预测模型的流量调度与负载均衡技术方案描述
• 4.1.1 总体算法方案
• 4.1.2 预测模型算法方案
• 4.2 基于神经网络预测模型的流量调度算法（NNPMA）
• 4.2.1 NNPMA算法设计
• 4.2.2 NNPMA算法实现
• 4.3 基于神经网络预测模型的流量调度算法的认知性体现
• 4.4 基于神经网络预测模型的流量调度算法可行性分析
• 5 仿真实现
• 5.1 OPNET简介
• 5.2 仿真环境与参数说明
• 5.2.1 硬件环境
• 5.2.2 软件环境
• 5.2.3 仿真协议、参数选择
• 5.3 仿真实现
• 5.3.1 进程模型
• 5.3.2 节点模型
• 5.3.3 网络模型
• 5.4 仿真结果对比分析
• 5.4.1 网络流量预测结果
• 5.4.2 服务器负载效果分析
• 5.4.3 网络延迟
• 6 结论
• 6.1 研究结论
• 6.2 进一步研究工作展望
• 参考文献
• 学位论文数据集