论文研究-改进的神经网络EPON动态带宽分配方法.pdf

所需积分/C币:9 2019-09-08 01:47:49 506KB .PDF
4
收藏 收藏
举报

动态带宽分配(DBA)是EPON的关键技术,根据数据业务流量的突发性调整了ONU授权时隙的顺序,提出了一种改进的轮询算法,构造了微粒群(PSO)优化的神经网络预测模型,提高了轮询周期内ONU新增数据的预测精度,从而保证了带宽分配公平性。仿真结果表明,该算法在优化带宽资源分配、降低平均数据时延方面均优于传统DBA算法。
1142012,48(36) Computer Engineering and Applications计算机工程与应用 周期分配的带宽,B=1∑B为ONU万史平均分 历史业务流量 输入层 配的带宽。 神经元 ONU的 Report消息并不是在发送完数据后就发 W 送,而是等待到轮询周期结束前向OLT发送,从而 隐藏层 OIT能根据最新的OUN队列信总进行预测,突发性 神经元 越强的ONU需要预测的时间区间越小。如图1(c)所 W 示,突发性最强的ONUn1需要预测的时间区间Tn-1 输出层 最短,而突发性次强的ONU2需要预测的时间区间 神经元 72′大于Tn-1。由于越突发数据越难预测,通过这种 B B 预测值 B=Br+B+B 方式大大提高ONU业务流量的预测精度。与 PFEBA 图2神经网络颜测模型 算法相比,提高了轮询周期后半部分突发ONU业务 流量预测精度,例如ONU需要预测的时间区间从 神经网络学习算法容易陷入局部最优值,降低 Tn-1减少到T21 了预测精度。本文对此作了改进,使用具有全局搜 空闲时隙主要包括 Report/Gato往返时延(RTT)索能力的微粒样算法训练神经网络,并改进了微粒 和DBA运算时延。减少空闲时隙的方法主要有轻负群算法。微粒群的行为分析表明,质量差的微粒搜 载ONU提前授权和ONU交织轮询两种,两者复杂索到最优点的概率很小,对整个微粒群的贡献较小, 的机制给管理带来难。结合预测机制提出一种新因此,优化质量较差的微粒有助丁改善微粒群的收 的空闲时隙利用方法,首先让排在轮询周期最后面敛性能。每次迭代结束之后,对质量较差微粒施加 的ONU(如图1(c)中的ONU)在授权时隙到来时提随机扰动,促使其向更好的位置移动然后对扰动的 中前发送R9pr消息,随后再发送业务数据,这时 REport效果进行评估如果微粒进化则接受扰动如果微粒 报告的队列长度应减去OL本次轮询分配的带宽,退化则进行多次扰动直至进化如果扰动次数达到 其他ONU的 Report消息在ONUn发送数据的同时向上Km而没有进化,则以一定概率接受退化的扰 OT发送,由于Reot消息并不占用OL上行带宽,动,退化幅度越大接受的概率越小,从而避免微粒过 两者可以并行传输。OLT收到全部的 Report消息后,度退化。随机概率退化机制在微粒“集中”的同时有 进行下一个轮询周期ONU带宽需求预测,根据预测 定“扩散”保证了种群多样性,通过对较差微粒的 结果调用DBA算法分配时隙,通过Gae消息发送给优化提高了微粒群收敛速度和精度。 每个ONU,整个过程都在ONU发送数据的同时进 经过预测后ONU带宽请求包括两部分R0 行,ONU发送完数据后就可以立即开始下一轮询周R+R,其中R为 Report报告的队列长度,R为新 期的数据发送,这样就可以充分利用空闲时隙(Idel增数据预测值。OL为每个ONU预分配的带宽按 Time),提高带宽资源利用率。全过程如图1(c所示。式(3)进行分配。 R total B Rtotal available (3) 3神经网络预测模型 ∑ IP数据固有的突发性、自相似等非线性特征造 成线性预测误差较大,使用具有自学习能力的神经其中,Bh为OT可提供的带宽。同时根据服务 网络预测算法对轮询周期T内ONU新增数据进水平约定(SIA),OL为每个ONU分配一个保证带宽 行预测。神经网络通过先验知识学习获得预测能m,则0NU实际分配到的带宽G=mn(B,B=)。 力,并通过在线学习,实时修改参数,提高非线性数为了保证剩余带宽分配公半,首先为请求带宽B小 据预测精度。预测模型如图2所示,通过历史流量于保证带宽Bam的ONU分配带宽然后根据公式(3) 司时预测ONU的畅通业务(EF)保证带宽业务(AF)对剩余带宽进行分配,重负载ONU最终分配到与负 和尽力而为业务(BF)的带宽需求,不仅提高了预测载同比例的带宽,从而实现了ONU之间带宽分配的 精度,而且减少了各个等级业务分开预测的运算量。公平性。ONU内部各业务之间根据服务水平约定 江晓明,朱娜,董亮,等:改进的神经网络EPON动态带宽分配方法 2012,48(36)115 1.0 0.9 IPFEBA算法 IPFEBA算法 0.8 PFEBA算法 FEBA算法 传统DBA算法 传统DBA算法 0.7 豆 0.6 0.5 回究 6 0.4 0.3 0.2 0.I 0.2 4 0.60.8 网络负载 网络负载 图3带宽利用率 图4平均包时延 〔SLΔ)规定的业务权重w分配带宽,即:G≡G×W整了轮询周期内ONU授权发送数据的顺序,提出了 其中cc{EF,AF,BF}。 一种新的轮询机制,引入微粒群优化算法改进神经 网络预测模型,提高了对突发ONU的轮询周期内新 4实验分析 增数据预测精度,减少了空闲时隙,提高了带宽利用 实验中,使用 OPNET搭建了EPON仿真平台 率。基于预测的带宽分配算法实现ONU之间带宽分 个光线路终端(OLT),32个光网终单元ONU,上行配的公平性,降低了数据包的平均时延。 和下行链路速度为1Gb/s,OLT与OLT距离均匀分配 在1020km的范围内。采用了自相似的突发数据源参考文献: 中和泊松模型数据源以随机比例叠加作为仿真数据1] Kramer G, Mukherjee, Pesavento G IPACT: a dynamic 源,其中,EF、AF和BF业务的比例为1:2:3。ONU缓 protocol for an Ethernet PON(EPON) [J].IEEE Commu 存队列容量无限大,以测试算法过载时的性能。分 nications Magazine, 2002, 40(2): 74-80 [2] Hwang I-Shyan, Shyu Zen-Der, Ke Liang-Yu, et al.A novel 别采用不同的负载对算法进行仿真,带宽利用率随 arly DBA mechanism with prediction-based fair exces- 网络负载的关系如图3所示, IPFEBA算法和 PFEBA sive bandwidth allocation scheme in EponJj.CompuTer 都优于传统DBA算法,这时因为两种算法都充分利 Communications, 2008.31:1814-1823 用了空闲时隙( Idle Time),提高了带宽资源利用率。[3]甘苹高效公平的 EPON DBA算法设计原则J上海应用 图4表示的是三种算法的平均包时延随网络负载变 技术学院学报,2008(4):284-289 化关系,时延曲线表明改进的PFBA算法在高负载4高隽人工神经网络原理及仿真实例北京:机械工业出 时具有明显优秀的时延特性,这是因为预测算法精 版社,2003:1-53 确地预测了新增数据,侏证了带宽分配的公平性,从 [5 Doulamis A D, Doulamis N D, Kollias s D An adaptable eural-network model for recursive nonlinear traffic pre 而降低了数据包的平均时延 diction and modeling of MPeg video sources[JIEEE Transactions on Neural Networks, 2003, 14(1): 150-166 5结论 6]董传成,朱娜,孙万举,等智能光网络BoD业务在线预测 本文创新之处,根据ONU历史流量的突发性,调 与带宽调整研究光通信研究,2010,2(1):8-10.

...展开详情
试读 4P 论文研究-改进的神经网络EPON动态带宽分配方法.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
weixin_38744153 如果觉得有用,不妨留言支持一下
2019-09-08
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

    成功上传501个资源即可获取
关注 私信
上传资源赚积分or赚钱
最新推荐
论文研究-改进的神经网络EPON动态带宽分配方法.pdf 9积分/C币 立即下载
1/4
论文研究-改进的神经网络EPON动态带宽分配方法.pdf第1页

试读结束, 可继续读1页

9积分/C币 立即下载 >