基于模糊神经网络的通信网络拥塞控制方法研究

钟 坚

（南方电网数字电网集团有限公司广东分公司 广东 广州 510062）

0 引言

通信网络拥塞问题日益严峻，如何有效减少拥塞问题、促进通信网络服务质量提升，保证通信网络的有效性、稳定性和鲁棒性，成为众多研究学者重点关注的问题［1］。网络拥塞会导致网络中大量数据包丢失或被重新发送，从而降低了网络的吞吐量，增加数据传输时延。 如果情况严重，还可能导致网络瘫痪。 网络拥塞是网络运行过程中经常出现的一种网络过载现象［2］，是由于用户对网络资源的需求超出了网络原有的承载能力，进而使得网络失去原有平衡。 在通信网络中，处理器能力不足等问题都会导致网络的吞吐量降低，进而产生网络拥塞问题。 为了能够有效避免网络拥塞，提高通信网络的运行效率，进而促进通信网络服务质量的提升，本文将结合模糊神经网络，开展对通信网络拥塞控制方法的设计研究。

1 基于模糊神经网络的通信网络流量预测

为了避免通信网络出现拥塞问题，首先需要结合通信网络的运行特点，预测流量。 其次根据流量预测结果，采取相应的措施，实现控制。 在预测流量时引入模糊神经网络，是将模糊逻辑［3］与神经网络相结合，构成以下的新思路：若将网络中各节点的作用函数、连接权、模糊子集隶属度函数、模糊控制规则等有机地组合，就能获得较好的控制与预测效果［4－5］。 首先通过测定得到在某一时刻的通信网络路由器出口速率，然后将该速率结果与参考速率对比，并根据公式（1）计算得出偏差值：

式（1）中，r（t） 表示某一时刻t的出口速率；r0表示参考速率。 在式（1）中，r0应当满足r0≤C的条件，其中C表示瓶颈链路的链路带宽。 设计基于模糊神经网络的通信网络流量预测结构，如图1 所示。

图1 基于模糊神经网络的通信网络流量预测结构

将从通信网络中获取到的数据输入到构建的模糊神经网络中，通过神经网络的各个神经元实现对通信网络流量的预测。 对于模糊神经网络中的输入，可选择将获取数据的隶属度作为输入量，其表达式如式（2）所示。

式（2）中，Rj表示隶属度；Pj表示隶属度概率；wj表示权重；α表示隶属度系数。 基于上述模糊神经网络的输入，结合隐含层sigmoid 函数，通过偏差值进行优化，获取神经网络输出，即通信网络流量预测结果，公式如式（3）所示。

式（3）中，β为通信网络流量预测转换系数。

至此完成基于模糊神经网络的通信网络流量预测。

2 构建通信网络拥塞控制机制与模糊控制

基于通信网络流量预测结果，构建通信网络拥塞控制机制与模糊控制方法［6］。 建立通信网络拥塞控制的非线性微分方程如式（4）所示。

式（4）中，W（t） 表示通信网络拥塞窗口大小；R（t） 表示信元往返延长时间；p表示分组丢弃或标记概率。 该方程模拟了ECP 拥塞窗口的AIMD 过程，其中可以用于描述慢开始时的指数增长，W／2 可以用于对拥塞检测时乘性减小的描述。

基于以上论述，确定基于链路拥塞的通信网络控制机制有两种：一种为队列管理控制，另一种为队列调度控制。其中，前者主要是通过对路由器中的缓存队列进行管理，来确定是否将生成的数据包插入到缓存队列中或是丢弃。这样能有效地控制排队时间，将排队时间保持在一个相对合理的区间，减少了链路时延，提高了链路的吞吐率。 后者可根据多个队列中的数据包优先顺序，更大限度地使用带宽，实现更公平的带宽分配，从而使得队列之间能够实现共享。

考虑到通信网络存在非线性、时延和参数多变等特点，本文建立一个具备动态学习能力的模糊控制器方程，实现对通信网络拥塞的模糊控制，通过模糊控制分别调节网络参数的学习速率。 模糊控制的输入值如式（5）所示。

式（5）中，e（t） 表示误差值变化；δ表示模糊控制输入系数；ϕ表示时间转换系数。 将模糊控制的输入设置为模糊集，则模糊集为D＝｛d1（t），d2（t），…，dm（t）｝， 通过模糊集与神经网络的双曲正切函数（tanh）的一种变体函数结合，得到如下激活函数如式（6）所示。

通过式（6）激活后，对通信网络拥塞进行模糊控制，得到通信网络拥塞控制方法，可用公式表示如式（7）所示。

式（7）中，γ表示通信网络拥塞控制因子；E（t） 表示采样时刻队列长度与期望队列长度之差；表示差值因子。 至此完成基于模糊神经网络的通信网络拥塞控制方法设计。

3 对比实验

本文通过将模糊神经网络应用到通信网络拥塞控制中，提出了一种全新的控制方法。 为了验证新的控制方法在实际应用中能否实现对通信网络拥塞的有效控制，进而促进通信网络运行效率的提升，设计如下对比实验：

实验中将基于模糊神经网络的控制方法设置为实验组，将基于NS2 的控制方法设置为对照I 组，将没有任何控制方法应用下的常规无反馈设置为对照II 组。 应用三组控制方法对同一通信网络进行拥塞控制。 在该通信网络中存在一系列独立高斯白噪声，其均值设置为0.526，方差为1。 在实验的过程中，设置通信网络帧产生的速率为25 帧／s。 选用2 000 个数据，其中400 个数据用于两种控制方法的训练，后1 600 个数据用于对三组进行控制实验。 为了实现对本文控制方法的检验，选择将通信网络中帧的信元比特率作为评价指标，其公式如式（8）所示。

式（8）中，λ（n＋1） 表示第n帧的下一帧信元比特率；a和b均为常数，其中a取值为0.826 1，b取值为0.112 5；ω（n） 表示一系列独立高斯白噪声；λ（n） 表示第n帧的信元比特率，λ（n） 的单位取7.5 Mb／s。 通过上述公式计算得出的信元比特率，取值越高，说明在单位时间内传输或处理的数据比特数量越多，通信网络运行效率越高，拥塞问题发生的可能性越小；反之，取值越低，说明在单位时间内传输或处理的数据比特数量越少，通信网络运行效率越低，拥塞问题发生的可能性越大。 根据上述论述，记录三组不同实验条件下通信网络运行时的信元比特率，结果如表1 所示。

表1 三组实验条件下通信网络中信元比特率对比

从表1 中记录的数据可以看出，在三组实验条件下，实验组信元比特率最高，基本控制在0.85×7.5 ～0.97×7.5 Mb／s 范围内，而对照I 组信元比特率仅能控制在0.40×7.5～0.46×7.5 Mb／s 范围内，明显小于实验组。 对照II 组由于没有应用任何控制方法，因此其信元比特率最低，只能够维持在0.20×7.5 ～0.26×7.5 Mb／s 范围内，极易出现通信网络拥塞问题。 根据上述实验结果可以证明，在不进行控制时通信网络极易出现拥塞问题，造成通信网络的运行效率降低，而实验组控制方法与对照I 组控制方法相比，控制效果更理想，能够进一步提升网络的运行效率，减少甚至避免拥塞问题发生的可能。

接下来再从通信质量角度开展对三组实验条件下的通信网络拥塞控制实验。 选择将通信网络中信元的丢失率作为评价指标，丢失率越高，说明对应实验条件下通信网络的运行质量越差，控制效果越差；丢失率越低，说明对应实验条件下通信网络的运行质量越优，控制效果越优。在计算三组实验条件下通信网络信元丢失率时，可将公式（9）作为依据：

式（9）中，U表示通信网络的信元丢失率；u表示信元的丢失量；Z表示通信网络中传输的信元总量。 根据上述公式，对三组实验条件下通信网络的信元丢失率进行记录，并绘制如图2 所示的对比图。

图2 三组实验条件下通信网络信元丢失率对比图

从图2 中三条曲线对比可以看出，实验组条件下，在通信10 min 时间内，信元的丢失率始终未超过0.005，并且随着时间的增加，信元丢失率呈现出逐渐递减的趋势。 而对照I 组条件下，信元的丢失率基本控制在0.015 上下幅度范围，且随着通信时间的增加，信元丢失率明显呈现出递增的趋势。 对照II 组由于未应用任何控制方法，造成通信网络出现了拥塞问题，因此其信元丢失率最高，基本控制在0.025 ～0.035 范围内。 根据上述的实验结果可以证明，应用本文提出的基于模糊神经网络的控制方法可以有效降低通信网络中信元的丢失率，促进通信网络通信质量的提升，达到预期理想的控制效果。

4 结语

综上所述，为了解决通信网络拥塞控制中存在的信元比特率低和信元丢失率高的问题，本文提出了一种全新的基于模糊神经网络的控制方法。 该方法设计了模糊集，并且结合神经网络设计了通信网络拥塞控制机制，从而构建了通信网络拥塞控制方法。 通过对比实验的方式证明新的控制方法可以实现对通信网络拥塞问题的有效控制，提升信元比特率，降低信元丢失率，在极大程度上可以避免通信拥塞问题产生。 在实际应用中，本文提出的控制方法可以实现对通信网络流量的预测，因此结合得到的预测结果分配复用、路由和带宽，能够进一步促进通信网络运行性能的提升，对未来通信网络的建设和发展有较大的参考价值。