论文研究-改进的神经网络EPON动态带宽分配方法.pdf-其它代码类资源-CSDN下载

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
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

论文研究

试读 4P 论文研究-改进的神经网络EPON动态带宽分配方法.pdf