具有预测与自我调节能力的拥塞控制算法

　　随着网络技术的日益发展，计算机网络的拥塞问题已极大地影响了用户的使用体验与数据传递。单一地提高硬件设备的投入并不能持续地防止网络的拥塞。因此，近年来相继出现了许多拥塞的控制算法，其中比较常见的为基于速率的拥塞控制算法。这些算法根据端点间的数据反馈进行流控制，即控制网络的信源速率、接收速率或瓶颈节点的容量。但这些拥塞控制算法通常在低速交换的网络中才能发挥拥塞控制效果，在高速交换的网络中往往会出现数据延时，进而造成网络的动态不稳定。而神经网络凭借其良好的自我学习与硬件兼容特点，使其在计算机网络性能分析、控制以及人工智能等领域进行交叉和有机结合，以适应人们日益发展网络建模及性能分析的需要。为解决在不同交换速度下的网络中保持网络的数据传递效果，结合神经网络与拥塞控制算法，进而实现网络拥塞控制最大化的控制效果。

　　本文在模糊神经网络的基础上对网络的拥塞进行预测与控制，提出一种具有自我调节能力的拥塞控制算法。根据神经网络中的队列长度对网络进行拥塞预测，实时地反馈于信源并对其速率进行控制，为实现网络的自适应调节，此外，通过网络的递增参数和递减参数等变量动态调节发送速率。