【毕业学位论文】（Word原稿）神经网络的FPGA实现及其在网络拥塞控制中的应用-通信与信息系统

大学 硕士学位论文 神经网络的 现及其在网络拥塞 控制中的应用 姓名： 申请学位级别：硕士 专业：通信与信息系统 指导老师：顾美康 20080301 摘要 本文提出将神经网络应用在 络 中 ，根据网络的性能参数，实时的控制发送端的速率，有效的减少网络拥塞发生 的可能 ，提高信道资源的利用率。 该设计 利用经网络 算法， 硬件实现 选用 司 芯片 ，相比过去软件进行流量控制速度更快，而 可在线编程、高度集成化、并行处理等优点在该设计中得到 了充分的体现。 工作由两部分组成。第一部分研究的主要内容是 基于神经网络的流量控制器的理论验证和方案比较 。首先确定神经网络的结构，并且进行 真；然后选用多种方法对神经网络的激励函数 现，选择与激励函数曲线最佳拟合的方案；选择 路由器过去几个 时刻的网络参数 为训练样本，通过仿真软件，对建立的模型进行仿真，从中选择更能在大多数网络拥塞控制中有效的模型。 第二部分研究的主要内容是 测器 专用模块的设计和测试 。 首先对 系统 进行功能定义、模块划分和接口定义 ， 利用 原理图 、 状态机、布尔表达式、硬件 描述语言 、 等 设计各个子模块 对神经网络硬件实现 ； 提出基于模型设计的方法，用 动生成 言，不仅缩短了开发周期，而且 借助了 大的运算能力，非常方便的实现硬件浮点运算。 系统测试验证阶段 采用 具来完成。 目 录 1 引论 . 6 究的内容及意义 . 6 经网络实现技术 . 7 经网络实现技术研究历史 . 7 经网络 现 . 9 要任务和创新点 . 9 作中的重点和目标 . 9 作中的亮点 . 9 2 人工神经网络理论基础 . 10 神经元理论模型 . 10 经网络模型 . 10 经网络结构特点 . 11 工神经网络分类 . 11 差回传神经网络 . 12 习规则 . 12 P 算法步骤 . 14 活函数 . 14 活函数特性 . 14 3 基于网络拥塞控制的神经网络构造 . 15 络拥塞问题发生的原因 . 16 塞控制方法 . 17 于 测的拥塞控制 . 17 经网络预测 . 18 P 网络的性能分析 . 18 P 网络优点分析 . 18 P 网络的弱点分析 . 19 经网络结构确定 . 19 络层数确定 . 19 练样本的设计 . 19 含 层的设计 . 20 始权值的设定 . 22 望误差的选取 . 22 练方法改进 . 22 统 法局限性分析 . 22 适应学习速率 . 23 态动量因子 . 23 4 术及 用 . 24 术及其发展 . 24 言 . 25 构和特点 . 26 计流程 . 27 计输入 . 29 计综合 . 29 局布线 . 29 序分析 . 30 拟验证 . 30 载验证 . 31 持的 具 . 32 5 神经网络硬件实现方法研究 和比较 . 33 工编码设计 . 33 点算法的研究 . 33 法模块 . 35 阵向量运算器设计 . 35 法器设计 . 38 法器设计 . 39 活函数硬件实现方法比较 . 40 法的基本思想 . 45 活函数模块设计 . 47 于模型的设计 . 50 点算法研究 . 50 点运算精度 . 52 动生成 . 53 动生成 . 56 6 网络预测器硬件实现 . 58 本功能和工作原理 . 58 构框图和模块划分 . 58 口模块设计 . 59 特率发生器设计 . 60 送移位寄存器设计 . 61 收移位寄存器设计 . 61 发 控制器设计 . 62 值存储器 . 63 7 互式界面 . 错误 !未定义书签。 1 引论 究的 内容 及意义 人工神经网络（ 生于上世纪 80 年代初，它是一门 建立在 现代神经科学研究成果的基础 上 提出的边缘性学科。 人工神经网络 是由大量处理单元组成的非线性、自适应、自组织系统，试图模拟神经网络加工、记忆信息的方式，设计一种新的机器，使之具有人脑风格的信息处理能力 ， 很容易的解决具有上百个参数的问题 ， 为解决大复杂度问题提供了一种相对来说比较有效的简单方法。 这一优点使得神经网络技术 在 巨量信息并行处理和大规模平行计算 领域 有着广阔的应用前景， 如自然语言理解的语音识别及合成；自动控制方面的机动车自动驾驶、机器人自动控制 ； 图像处理方面的图像压缩与分割、影像分类、图像识别 ；信号处理方面的心电图、脑电图分类、光谱分类 等 等 11。 神经网络的研究主要分为三个方面 ： 神经网络理论研究、神经网络应用研究和神经网络实现技术研究。 神经网络理论研究是整个神经网络研究的基础，它为神经网络应用和实现技术研究提供依据和指导 ； 神经网络应用为神经网络理论研究提出了新问题，给神经网络实现技术研究提出了新的要求，推动神经网络理论及实现技术的发展 ； 神经网络的实现则是用各种技术，合理有效的实现各种神经网络模型及其计算，架起神经网络理论与应用研究之间的桥梁。 在现代硬件设计中，由美国推出的现场可编程逻辑门电路（ 具有传统的逻辑器件性能，而且片 内资源丰富，可 重复 加载。相比传统的 计，具有结构灵活、通用性强、速度快、功耗低、成本低、设计周期短、系统速度快、可靠性高等优点。用它来构造神经网络，可以灵活地实现各种运算功能和学习规则，同时其设计开发成本对人工神经网络的研究和发展以及神经网络控制器硬件实现新方法的探索都具有重要的学术意义和实用价值。 随着信息高速公路计划的实施，世界各国大力发展自己的宽带综合业务数字网 ， 人们对于 需求越来越大，对网络服务质量的要求也越来越高 。宽带 网络中信源的多样性，造成了对带宽资源要求的时变性和服务质量要 求的多样性。由于现在对各种业务形式的业务特征尚未很好地理解 ，在越来越高的网速需求下， 流量控制 出现 了许多挑战 ，比如突发的信息量，多个输入对应一个输出，慢速处理器，低带宽线路等情况出现， 如果此时不能及时采取有效的检测和控制手段， 很容易引起网络 拥塞逐渐加重，甚至导致系统崩溃 。 所以说拥塞控制是保证网络鲁棒性的关键 ， 它不仅 牵涉到网络运行的经济性， 也 保证 了 上层应用系统的 正常运行 22。因此对网络拥塞控制研究具有重要的理论意义和实际应用价值，已成为当前网络研究的一个热点。 拥塞控制算法 是最常用的解决方法，经过 大量的研究， 提出了多种拥塞算法， 比较主流的 如 漏桶算法（ 、 令牌桶算法（ 、 许可控制（ 、 加权公平队列（ 先进先出（ n 随机早期检测算法 。但是，当网络受到分布式拒绝服务（ 击时，端用户并非遵守 塞控制机制， 于窗口的拥塞控制机制 往往缺乏智能性而无法很好的控制网络。 击数据在分组大小、到达时间、协议类型等方面具有一定的相关性。因此，要高效、准确的检测和控制网络拥塞，首先应找到这个相关性。 由于网络参数的复杂性和拥塞发生不确定性，选择把神经网络算法运用于拥塞控制中能达到非常好的效果。 过去神经网络理论 应用，一般均在 上通过算法用软件实现的。基于软件运算的控制系统虽 然 能保证设计的精度及灵活性，但是其控制系统速度慢，开发周期长，不适合现代高性能控制系统的要求 ；而且基于 软件的开发无法脱离 使用，在实际使用 过程中 非常不方便 。 因此 ，在一些对实时性要求较高的系统中，人们开始尝试使用硬件实现的方式来实现神经网络技术。 神经网络中存在巨量的分布信息处理单元结构，而 特的分布处理能力恰好满足了设计需求 ， 因此 将物理硬件处理单元与神经网络模型的神经元一一对应， 便能 实现硬件的神经网络系统。该方法不仅可以 降低 应用成本，而且提高了系统 的 实时性和可靠性。 经网络实现技术 经网络实现技术研究历史 神经网络的硬件实现可追溯到 上世纪 60 年代，当时有几家公司和研究机构试图用硬件来实现神经元，最为著名的便是感知机和 经网络模型的实现。当 时 验室 (现在名为 理论上和实现上描述了感知机。 经网络模型则是由斯坦福人学的 出的。感知机和 为单个神经元模型，它们均能接受多路输入，并能自适应地修改与这些输入相对应的突触强度 (互连权值 )，然而它们在实现上有所不同。在感知机中，其突触强度通过一种电子机械的方法来改变 (通过一个电动马达的转动来改变突触强度 )，这种实现有许多缺点，如体积大，价格高，运行不可靠等。 现中则用电阻的方法来表示突触强度。 1965 年至 1980 年，除 为 外，其它一些研究实体在神经网络实现上没有做更多的工作。974年开发了第一块神经元芯片。这种很一般的芯片上只包含一个神经元，具有多个输入端且其互连强度可以自适应的改变。要构造具有多个神经元的网络，只需将许多这种芯片在插件板上排列并互连起来就可以了。将 许多这种插件板构建在一起便可满足神经网络在商业和军事上的许多应用目的。 1982 年美国的物理学家 表论文，提出神经网络的一种数学模型，即 经网络模型，并研究了它的动力学性质。两年以后，他设计出了电子线路模拟这种网络的性质，认为这种网络可以解决数学上著名的 题 (次年，美国加州理 工 学院和贝尔实验室合作研制成 256 个神经元 (在四分之一平方英寸芯片上，由 10晶体管和 10电阻集成和 64 个可编程神经元 。 神经网络实现的另一种方法是在传统计算机上通过编写网络计算。这种软件模拟神经计算机很有代表性的是 ： 1983 年 心所推出的 及改进型 1986 年 推出的 统 ； 1987 年 学推出的 1988 年 学的统 ； 国防科技大学于 1990 年推出的性能可与上述系统媲美的件模拟神经计算机。 为了解决软件模拟神经计算机处理速度慢 的问题，可以在通用机上插入神经网络加速板，形成神经计算机工作站。 1985 年 司推出了 经计算机， 含有 8 个处理板，可以并行操作，每个处理板可以仿真 1064 个虚拟的神经元。随后 司在 1985 年至 1986 年又开发出了 V 神经计算机。 在研制神经网络加速板的基础上，为更好地支持神经计算 ,一种更好的实现方法使是构成神经网络专用并行处理阵列机。这些系统的处理速度和神经网络加速板的速度相比，有明显的提高。 在进行神经网络的研究中，要使神经网络在实际中能进行有效的应用， 或是支持更好的神经网络研究，神经网络实现技术必须能够支持大规模的神经网络模型的神经计算，同时要能尽可能地缩短神经计算的时间，达到实时的水平。但是现有的各种神经网络软件模拟环境所能支持模拟神经网络模型的规模及神经计算速度都还远远达不到研究和应用所需要的水平，因此，开展大规模的硬件实现的神经网络计算机的研制势在必行。 近几年来，人工神经网络模型及其学习算法等方面在人工智能，模式识别等应用领域中正起着越来越重要的作用，其硬件实现技术成为热门课题， 发达国家对神经网络芯片、生物芯片独有情钟 ， 例如 T 和 公司已取得了多项专利，已有产品进入市场，被国防、企业和科研部门选用 ； 公众手中也 出现了 神经网络实用化的工具 ，比如德国 司神经网络芯片应用于医学领域，可以协调人体信息，提高人体自身能量状态， 其商业化 价值 令人鼓舞 。 经网络 现 当今社会是数字化的社会，是数字集成电路广泛应用的社会。数字集成电路不断进行更新换代，由早期的电子管、晶体管、中小规模集成电路，发展到超大规模集成电路 (及许多具有特定功 能的专用集成电路 (随着微电子技术的发展，设计与制造集成电路的任务已不完全由半导体厂商来独立承担，设计师们可以 在研究室里 利用与期间相应的计算机辅助设计软件，设计出自己的集成电路芯片。因此出现了多种可编程器件，其中 应用尤其广泛。 由于 硬件灵活性，这种 可反复配置的计算结构非常适合实现神经网络 。这种优越性首先体现在神经网络的训练阶段，在训练期间， 学习规则的调整会影响整个网络的拓扑结构，而 可动态重构的 得 拓扑结构可变的神经网路成为可能。其次， 以快速、无限次配置的特点，使得 我们可以在实验早期得到不同神经网络实现策略和学习算法的仿真和理论验证。 更加值得一提的是我们可以利用 可重新配置能力来实现硬件资源共享， 正如文献 3中人把 法分成连续的两个阶段，前馈和反向传播，每个阶段都在同一块 源上实现。又如文献 4中 所提到的在一片 司的 实现一个多层感知器， 每个突触的权值都可通过动态重构被改变，这样的实现充分利用训练阶段的并行性，可对权值进行批处理操作 。 要任务和创新点 作中的重点 和目标 本设计要达到的目标是选择出较好的易于硬件实现的算法组件，设计出快速实现 法的硬件模块，并在时序和功能上予以仿真， 最后在 实现。 首先 估算神经网络隐含层节点数目 ，确定神经网络的结构；其次 对神经网络硬件实现的结构进行优化 ，这里 选择了 s 型函数作为 激励函数 ，应用现行的多种硬件实现方法来拟合该函数，同时考虑到浮点数的精度问题， 在控制器中的设计中选用了最优的设计方案。 硬件实现阶段采用 司的 片，在设计过程中，将运用该控制器对 复接器缓冲区 队列 状态，历史观测到的复接器流量以及过去几个周期复接器流量到达情况等样本数据进行学习训练 , 通过仿真软件，对建立的模型进行仿真，从中选择出最合理的网络模型。 作中的亮点 经网络的 激励函数用 法实现，把指数函数运算化简成加法和移位，组合建立 数的查找表，使其适合于硬件实现 ； 设计方法采用 合运用 进行系统建模和仿真，自动产生代码。这样一种设计方法及设计流程是比较新的，也是一种趋势，目前可供参考的 资料较少，特别是 于硬件设计开发，都是最新的技术 ；把 神经网络 用在 网络 路由 器 处 ，通 过并行化和流水线操作，提高算法运行效率， 可以在拥塞发生之前预测到突发情况，及时调整发送速率或改变路由 ， 充分体现硬件实现 在 实时性的应用 中 的速度优势 。 2 人工神经网络 理论基础 神经元 理论 模型 随着脑科学和生物控制论的发展，人们对神经元的结构和功能有了进一步的了解。 神经元由细胞体及其发出的许多突起构成。细胞体内有细胞核，突起的作用是传递信息。作为输入信号的若干个突起，称为树突 ； 作为输出端的突起 只有一个，成为轴突。树突与轴突一一对接，从而把众多的神经元连成一个神经元网络。 图 1 生物神经元 人脑神经元进行抽象简化后得到一种称为 型的人工神经元， 神经元模型的输出矢量可表示为： )(1 nk (这就是著名的 型。 式中 )1(1 为连接权值 ,即 两个神经元之间突触联接强度； )(g 为激活函数 ， 可以是 阈值函数、分段线性函数或者是 ； 为阈值 。 图 2 人工神经元 模型示意图 经网络模型 12)(g胞体（ 树突（ 轴突（ 突触（ 人脑的某种抽象、简化，它可以 模拟 神经元之间同时相互作用的动态过程 。 虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的 ，信息的储存体现在网络中神经元互联分布形式上，网络的学习和识别取决于神经元间联接权系数的动态演化过程 。 5 经网络结构特点 人工神经网络 又若干个神经元以一定的形式联接而成，各神经元间的联接强度由神经网络内部的权值决定。 大量神经元可产生繁多的联接方式应用于不同领域。 工神经网络分类 按照网络结构大致分为两大类，即前馈型网络和后馈型网络。 无反馈的前向网络 ，如图 3 所示，神经元分层排列， 可以 划分为输入层、输出层和隐含层 （或称中间层，有一层或多层）三部分。每一层的神经元只接受前一层神经元的输出信号，各神经元之间没有反馈。 图 3 前馈 网络结构图 反馈网络 ，如图 4 所示，网络仍由前述三部分组成，但从输出层到输入层之间有反馈，网络中每个节点都表示一个计算单元，同时接受外加输入和其他节点的反馈输入，也有可能是自环反馈。 图 4 反馈网络结构 差回传神经网络 误差回传神经网络即 络，它是一种无反馈的前向网络，网络结构如图3 所示，每一层内神经元传送信号由联接权来 达到 增强、减弱或抑止输出。 网络的 实质 是 实现了一个从 M 维欧式空间 到 N 维欧式空间 的映射功能， 即 数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题 。 网络能通过学习带正确答案的实例集自动提取 “合理的 ”求解规则，即具有自学习能 力 ，因此 网络具有一定的推广、概括能力 ，对于具有一定非线性因素的网络拥塞控制工程，采用 络来描述，不失为一种好的选择。 络的 基本思想是最小二乘算法。其 工作过程分为两个部分：学习期和工作期。学习期由前向网络计 算和误差的反向传播两个过程组成，工作期中只有输入信息的正向传播。前向网络计算过程中，输入信息经过输入层、隐含层和输出层逐层处理；如果输入层的输出与给出的样本期望输出存在误差，则转入反向传播，将误差沿原来的连接通路返回，通过修改各层神经元之间的权值，使得误差达到最小。 习规则 以 图 3 是 为例 ， 这是一 个 m 个输入， n 个输出，一个隐含层（ h 个神经元）的 络。其中，输入层的第 i 个神经元到隐含层第 j 个神经元的联接权值为第 j 个节点的输入为 ,隐含层第 j 个神经元到输出层第 k 个神经元的联接权值为对于隐含层，第 j 个节点的输入为： mi （ 输出为： )( 11 jj （ 输出层的第 k 个节点的输入为： hj 2 （ 输出为： )( 22 kk （ 络采用 有 监督的学习方式 ，在给出输入模式 X 的同时，也在输出侧给出相应的目标模式 T，按照 习算法来调整权值 ，使网络中每一输出单元的实际输出在某种统计意义上最逼近于目标输出。 )(输入为 )(神经元 k 在 n 时刻的实际输出， )(示相应的目标输出，误差信号为： )()()( （ 由于前向网络计算中初始值是随机给出的，误差信号值比较大，在确定了网络结构之后，通过调整值，逐步降低 )(提高网络的计算精度。 令基于 )(差 函数为： k k (21)( 2 （ 权系数沿着 E 函数梯度变化的反方向进行调整，输出层第 k 个神经元权值的修正公式为： )()()()()()1(（ )1,0( 为学习速率； )()()()()()( 22 （ 根据式 得， )()()( ，即 )()()()( )(2et （ )()()()(2 （ 根据式 得 )()()()( )( 22 nn （ 输出层的权值修正公式为 )()()()()1(22 nn e （ 同理可得，隐含层的 权值修正公式为： )()()()1(111 （ P 算法步骤 1) 初始化权值较小的随机数，初始化迭代次数 a 1；给出训练样本 , 21 ,目标输出 ,21 ； 设定 E(n)的收敛精度和最大迭代次数； 2) 进入前向计算过程，分别根据式（ （ 算隐含层和输出层各个神经元的输出； 3) 根据式（ 算目标输出和实际输出 之间的误差； 4) 计算输出层网络 权值 修正量5) 计算隐含层网络权值 修正量6) 如果迭代次数 a 小于最大迭代次数， a=a+1，返回步骤 2)，直到误差函数 E(n)到达设定的精度 活函数 神经元在获得网络输入后，应该给出适当的输出。根据生物神经元的特性，每个神经元有一个阈值，当神经元获得的输入信号的累积效果超过这个阈值时，它就处于激发状态；反之，处于抑止态。人工神经元用变化函数来执行对该神经元所获得的网络输入的变化，这就是激活函数， 也 叫做 激励 函数 、活化函数。 在不同的应用场合，所采用的激活函数也不 同 ，典型的激活函数有 线性函数、阶跃函数 和 S 型函数 ，见图 5。 活函数 特性 线性激活函数 f(x)连续取值， 其表达式为： )( (阶跃激活函数是一种非线性函数， 输出只取两个值，如图中 1 与 0，当净输入大于 ，输出 1，反之取 0,其表达式为： 00,0,1)( xx (S 型激活函 数是限制在两个有限值之间的连续非减函数， 双曲正切 S 型函数的表达式为： 11)(对数 S 型函数 的 其表达式为： 1)(0,1 1)( x (图 5 激活函数 3 基于网络拥塞控制的神经网络构造 随着计算机网络的快速发展 ， 网络拥塞 (为用户越来越关注的问题 ， 也成为网络运营商不得不面对的难题。网络拥塞是指在某段时间内 ， 对网络某一资源 (如链路容量、交换机缓冲区、 等 )的需求超过了该资源所能提供的能力 ， 网络性能出现下降的现象。拥塞可使网络不可靠、不稳定 , 可使网络延迟甚至崩溃，表现在用户端则是邮件丢失、邮件内容显示为乱码、视频文件下载完了却无法打开 。 络拥塞问题发生的原因 从本质上讲 ， 拥塞发生的原因是“需求”大于“供给” 。 拥塞总是发生在网络中资源“相对”短缺的位置。但很多学者在研究中也发现 ， 虽然拥塞源于资源短缺 ， 但增加资源并不能避免拥塞的发生 ， 有时甚至会加重拥塞程度。单纯地增加网络资源之所以不能解决拥塞问题 ， 因为拥塞本身是一个动态问题 ， 它不可能只靠静态的方案来解决 ， 而需要协议能够在网络出现拥塞时保护网络的正常运行。网络中有限的资源由多个用户共享使用 ， 由于没有 接纳控制算法 ， 网络无法根据资源的情况限制用户的数量 ； 缺乏中央控制 ， 网络也无法控制用户使用资源的数量。目前 ， (包括校园网络在内 ) 用户和应用的数量都在迅速增长 ，如果不使用某种机制协调资源的使用 ， 必然会导致网络拥塞。 引起网络拥塞的原因有很多 ： 如链路容量太小 、 结点交换机的缓冲区容量太小 、 处理机的速度太慢 、 中间节点的处理能力弱等等。但我们认为发生网络拥塞的最根本原因在于 P 协议的固有缺陷。 P 协议是 通用的传输层协议之一 ， 也是目前应用最广泛的传输控制协议。据 统计 ， 互联网上 95%的数据流使用的是 P 协议。由于 一个无连接、无状态的协议 ， 只有基于窗 口的流控制机制而没有拥塞控制机制 ， 因此 在发生拥塞时不向端系统提供任何显式的反馈信息。这样做固然简化了网络的设计 ， 使网络的中间节点上无需保留和连接有关的状态信息 ， 但无连接模型很难引入接纳控制 ， 在用户需求大于网络资源时难以保证服务质量 ， 只能靠降低服务质量来继续为用户服务 ， 也就是“尽力而为”的服务。此外 ， 由于对数据发送源的追踪能力很差 ， 给网络安全也带来了隐患。除了 P 协议的固有缺陷外 ， 校园网 络架构不合理、网络结构过于复杂、交换机或路由器性能不佳等也是造成校园网络拥塞的技术原因。 除了上述技术层面的原因之外 ， 用户层面的因素也会影响到校园网的正常运行。校园网的用户一般是都是在校大学生 ， 这些年轻学生正值青春年少 ， 有着强烈和求知欲和好奇心 ， 对于网络这种新生事物更是兴趣浓厚。撇开上网查阅资料、浏览信息等正常学习活动不谈 ， 很多在校大学生更多的是将计算机和网络作为一种娱乐消遣工具 。 网络游戏 、 在线看电影 、 大批量下载视频等上网行为成为很多高校学生的日常活动。 特别是随着近年来各种 件的流行 ， 更是为下载音 频视频提供了有力的工具。于是 ， 学生宿舍内几乎人手一台的电脑屏幕右下角总会有一个甚至几个下载软件在后台马不停蹄的运行着 ， 疯狂占用着有限的校园网带宽。这是造成校园网络阻塞的不可忽视的原因之一。此外 ， 还有一些人利用网络的一些漏洞或网络配置的不完善性 ， 出于某种目的应用某种方法故意使网络拥塞。这些人的目的有些是恶意的 ， 有些是出于好奇心 ， 如学计算机的学生在实践黑客应用程序过程中不慎造成了网络拥塞。造成校园网络拥塞的其它原因还有诸如网络攻击、蠕虫病毒等。 塞控制方法 拥塞控制就是对网络节点采取措施以避免拥塞的发生或者对 拥塞的发生作出反应。目前对互联网进行的拥塞控制主要是依靠在源端执行的基于窗口的 塞控制机制 ， 网络本身对拥塞控制所起的作用较小。相对于 议内含的流控制机制而言 ， 议的拥塞控制机制更注重整体 ， 考虑端节点之间的网络环境 ， 使负载不超过网络的传送能力 ， 是一种全局控制机制。 塞控制算法的目标是最大限度利用网络带宽 ， 同时不产生数据流传输中的拥塞现象。 由于网络拥塞是一个动态的问题 , 要实现拥塞控制是非常具有挑战性的。就现有的控制策略来看 ， 可分为主动控制和被动控制两种方式。主动控制是在设计网络时 事先将有关发生拥塞的因素考虑周到 , 力求网络在工作时不出现拥塞 ； 而被动控制则是基于反馈环路的概念 ， 监测网络系统以检测到拥塞在何时、何处发生 , 然后将拥塞发生的信息传送到可采取行动的地方 , 最后通过调整网络系统的运行以解决出现的问题。从本质上讲 , 拥塞控制的问题主要集中在效率和公平的平衡上 。 网络资源的使用效率是指源端要求的总资源与网络所能提供的资源之间的关系 。 如果二者刚好相等或者很接近 , 那么这种算法的效率就是高的 ， 否则就是效率不高的表现。公平性是指在网络发生拥塞时各连接是否能公平地共享网络资源。产生公平性的 根本原因在于拥塞发生必然导致数据包丢失 ， 而数据包丢失会导致各数据流之间为争抢有限的网络资源发生竞争 ， 竞争能力强的数据流将得到更多的网络资源 ， 从而损害了其他数据流的利益。网络资源分配的不公平反过来会加重拥塞情况 ， 甚至可能导致拥塞崩溃。 于 测的拥塞控制 返延时）是 议中接受端唯一能体现网络整体状况的指标，和丢包率参数相比 , 较早地反映出网络所发生的拥塞 6。 它由 3 部分决定：线路的传播时间、末端系统的处理时间和路由器的缓存中的排队和处理时间。 文献 7中提出一种 根据往返延迟的增大判 断发生拥塞 ， 从而在拥塞发生前就可以及时采取措施减小发送方的发送速度 ， 达到避免 网络进入拥塞恶化阶段 的 方法 。 该文献借用 了 文献 8中提到的超时重传定时器 来预测往返延迟 R T T N E W )1( （ 81 ） （ 这种预测方法 与传统的 塞控制算法相比来看，拥塞窗口变化相对平稳，出现超时重传和丢包快速重传的机率 也 大大减少。 文献也指出，该预测方法只考虑到前一时刻 值，以牺牲网络吞吐量为代价来获取较平稳的网络状况。 经网络预 测 经网络预测控制是智能预测控制研究的热点之一， 将神经网络引入流量控制， 是考虑到了网络参数特有的性质。 首先 ， 网络上的数据具有较强的随机性 。 这种随机性常常表现 为由 网络设备的数据吞吐量受网络环境和网络设备性能 引起的短期 高频噪声。由于网络中两个节点之间的数据流常常有很多通路可以到达 ， 每个数据包所流经的路径不同 ， 自然 可能不同 ； 另一方面 ， 即使所考察的数据流中每个数据包都是经由相同的路径到达目的节点的 ， 由于这个路径中的网络设备（如交换机、路由器）是网络共享的 ， 在不同的数据包通过时他们所承担的数据传送 任务（排队队列的长度）也是不同的 ， 因此 可能不相同 。 这种短期噪声导致的随机性往往会影响相关研究结果的准确性。 网络状况和网络设备性能在较长期（以秒为周期）内的参数又是相对稳定的。如网络交通拥挤 时段其网络传送效率和其他的参数与网络交通不甚拥挤时又有明显的不同 ，而这种拥挤和不 拥挤的状况并不是完全随机的 ， 它是由网络节点的群体行为决定的 ， 这种群体行为决定的特征使得网络状况又具有一定的稳定性。9 网络数据是在随机和稳定这两种因素的共同制约下产生的 ， 因此我们 关注 的应该 是网络节点的群体行为赋予网络数据的规律性。 建 立神经网络辨识模型 作为预测模型 ， 利用其处理不确定性问题和自学习能力， 采用并行分布处理算法快速进行实时运算等特点，它弥补了传统预测控制算法精度不高、仅适用于线性系统、缺乏自学习和自组织功能、鲁棒性不强的缺陷 10。在 进行 测 时 ，除了可以快速缓解拥塞，还可以在网络拥塞消除之后通过速率控制进一步增加网络吞吐量。 P 网络的性能分析 前文提到本文采用 经网络建模进行 测， 这是目前应用最多的神经网络。 P 网络 优点 分析 （ 1） 结构简单，虽然只是实现一个从输入到输出的映射，但理论证明它具有实现任何复杂非线性映射。 文献 11中对 能做比较时就指出， 尽管 络的 逼近精度更胜一筹，但其 隐层神经元数远远高于 络 ，使得 络的复杂度大大增加，结构过于庞大，从而运算量也有所增加 ，这对于硬件实现来说是致命的缺点。 （ 2） 具有自学习能力，通过训练样本集自动得到“合理的”求解规则。 （ 3） 具有推广、容错和概括能力 P 网络的 弱点 分析 当然， 络也不是非常完美的，他的缺点表现在： （ 1） 收敛 速度较慢。传统的梯度下降法 使得网络在训练时遇到神经元输出接近 0 或 1 的情况下，权值误差改变很小，训练几乎停顿。 （ 2） 网络训练失败的可能性较高。网络 的结构、样本的选取都直接影响到 络的学习情况。 （ 3） 新加入的样本会影响已经学习成功的网络。 （ 4） 会出现 “ 过拟合 ” 现象。在网络的预测能力提高到一定程度，如果再继续训练网络，预测能力反而会下降。