基于路徑估計的網(wǎng)絡接納控制研究

邱恭安，徐晨，章國安,2，包志華

(1. 南通大學 電子信息學院，江蘇 南通 226019；2. 東南大學 移動通信國家重點實驗室，江蘇 南京 210096)

1 引言

未來寬度網(wǎng)絡將綜合承載語音、多媒體和數(shù)據(jù)業(yè)務，在為時延敏感業(yè)務提供時延保障的基礎(chǔ)上，為非實時彈性業(yè)務提供基本吞吐量。要在相同網(wǎng)絡上提供不同業(yè)務的差異化性能，可通過鏈路資源冗余方式，或應用接納控制策略[1]。然而，要在整個網(wǎng)絡中保持較低的端到端阻塞率，帶寬冗余是極其浪費的，網(wǎng)絡接納控制是有效方式[2,3]。通常鏈路接納控制僅計算下游鏈路對接入業(yè)務的資源保障，而不考慮網(wǎng)絡路徑后端瓶頸鏈路狀態(tài)，不能有效保障實時業(yè)務的端到端時延要求。網(wǎng)絡接納控制(NAC,network admission control)[4]評價既定網(wǎng)絡傳輸路徑資源能夠支持多少可保證QoS (quality of service)請求的應用，在多條鏈路構(gòu)成的路徑上提供一致的接納判決。因此，網(wǎng)絡接納判決的準確性取決于傳輸路徑狀態(tài)信息的有效性，然而傳輸延遲或網(wǎng)絡資源節(jié)省使得基于測量或路由表獲取的路徑狀態(tài)信息具有陳舊性[5]，不再能描述網(wǎng)絡的真實狀態(tài)[6]，因此，獲取實時或準實時的傳輸路徑狀態(tài)信息成為網(wǎng)絡接納控制的關(guān)鍵。

2 相關(guān)工作

根據(jù)接納判決方式，網(wǎng)絡接納控制分為基于預算的網(wǎng)絡接納控制(BNAC, budget based network admission control)和基于反饋的網(wǎng)絡接納控制(FNAC, feedback based network admission control)兩大類[7]。其中BNAC應用虛擬的路徑容量預算策略進行接納判決，而FNAC則根據(jù)返回的路徑測量信息作出判決，共同特點是基于流進行接納控制。FNAC首先從源端發(fā)送一個或幾個探測分組測量傳輸路徑負載狀態(tài)，根據(jù)返回分組的QoS指標判斷是否接納請求業(yè)務流，存在著測量準確性和網(wǎng)絡狀態(tài)陳舊性問題。而且，需要占用一定的網(wǎng)絡資源用于測量，鏈路資源效率存在著瓶頸上限。

BNAC需要與路徑相關(guān)所有鏈路虛擬容量預算均滿足業(yè)務請求時才接納該業(yè)務，由于網(wǎng)絡承載狀態(tài)的動態(tài)變化，BNAC容量預算不能準確反映路徑當前狀態(tài)，容易導致鏈路資源效率低下或后端瓶頸鏈路擁塞。根據(jù)容量預算類型不同，BNAC分為基于鏈路預算的網(wǎng)絡接納控制(LB NAC, link budget based network admission control)、基于輸入端輸出端預算的網(wǎng)絡接納控制(IB/EB NAC, ingress and egress budget based network admission control)和基于邊到邊預算的網(wǎng)絡接納控制(BBB NAC, border to border budget based network admission control)3種方法。LB NAC在路徑上的每條鏈路上執(zhí)行接納判決，狀態(tài)信息在沿途各個路由器中保留，存在可擴展性問題。IB/EB NAC在業(yè)務流路徑兩端執(zhí)行接納判決，實現(xiàn)了核心無狀態(tài)，但可能會因網(wǎng)絡中間鏈路失效而引起擁塞。BBB NAC在輸入端執(zhí)行判決，不要網(wǎng)絡內(nèi)部狀態(tài)，但使用虛擬通道進行資源預留，網(wǎng)絡節(jié)點額外開銷過多。

基于業(yè)務識別的流感知策略利用協(xié)議上層隱性的連接建立過程執(zhí)行業(yè)務接入判決，而公平調(diào)度算法本身的隱性測量功能可獲取本地鏈路實時狀態(tài)，結(jié)合路由廣播信息中的陳舊路徑狀態(tài)信息，可應用證據(jù)理論[8]推理出網(wǎng)絡路徑狀態(tài)的準實時狀態(tài)值。以此估計的準實時狀態(tài)作為網(wǎng)絡接納控制的判決條件，可以提高判決結(jié)果的準確性。

3 基于證據(jù)理論的網(wǎng)絡路徑態(tài)勢估計

對于網(wǎng)絡路徑態(tài)勢估計來說，命題即是網(wǎng)絡可能呈現(xiàn)的不同承載狀態(tài)。設網(wǎng)絡路徑態(tài)勢集為{輕載、重載、過載}3種假設，而本地狀態(tài)指標和陳舊路徑狀態(tài)指標對網(wǎng)絡態(tài)勢的估計作為證據(jù)體。因此，路徑態(tài)勢估計的實質(zhì)就是在當前態(tài)勢分類的條件下，將本地狀態(tài)指標和陳舊路徑狀態(tài)指標的不同估計值合成一個證據(jù)體，完成對態(tài)勢集中樣本進行識別的過程。

3.1 證據(jù)體及其基本概率賦值

在流感知網(wǎng)絡中，本地鏈路狀態(tài)指標為優(yōu)先隊列隊長和當前鏈路公平速率，分別描述優(yōu)先業(yè)務和彈性業(yè)務的承載狀態(tài)，而路由算法中的路徑參量則描述了網(wǎng)絡路徑的陳舊狀態(tài)。因此，本地鏈路狀態(tài)和陳舊路徑狀態(tài)指標合成后的基本概率賦值描述了網(wǎng)絡路徑態(tài)勢的估計，則可將最大置信度命題作為備選命題?？梢?，由兩類狀態(tài)指標推理得到對不同態(tài)勢類的基本概率賦值是路徑態(tài)勢估計的關(guān)鍵。

鑒于多業(yè)務區(qū)分過程中的模糊性，模糊流感知[9]將業(yè)務區(qū)分界值模糊化為邊界區(qū)間來處理此模糊性，以適應網(wǎng)絡狀態(tài)的動態(tài)變化。設鏈路狀態(tài)指標對鏈路態(tài)勢的估計為{O,H,L}，分別表示鏈路處于{過載，重載，輕載}3種態(tài)勢類，則狀態(tài)指標的模糊子集可以使用三角形和梯形實現(xiàn)對事件狀態(tài)的量化，如圖1所示。

圖1 鏈路狀態(tài)指標的模糊子集

設優(yōu)先隊列隊長為Q，擁塞門限為QT，隊列轉(zhuǎn)發(fā)門限為QFT，最大緩存容限為B，若取隊長Q=x,QT=xL, QFT=xU，并取x上限為B，則使用隊長模糊子集的隸屬函數(shù)對隊列指標的基本概率賦值函數(shù)mQ={q3, q2, q1}進行量化，如式(1)～式(3)，其中qi,i=3,2,1分別表示鏈路當前{O, H, L}3種狀態(tài)的基本概率賦值，且xM=(xU-xL)/2。

同樣，設節(jié)點下游鏈路當前公平速率為RF，擁塞門限為RT，擁塞告警門限為RCT，鏈路速率為C，若取變量RF=x, RT=xL, RCT=xU，并取x上限為C，則隸屬函數(shù)(1)～(3)能夠?qū)剿俾手笜说幕靖怕寿x值函數(shù)mR={R1, R2, R3}進行量化，其中Ri, i=1, 2,3分別表示鏈路當前{O, H, L}3種承載狀態(tài)的基本概率賦值。于是，本地鏈路狀態(tài)的基本概率賦值函數(shù) mL由優(yōu)先隊列指標和公平速率指標的正交和得到如下：

多業(yè)務網(wǎng)絡中，時延敏感實時業(yè)務通常選擇最短路徑優(yōu)先策略以減少路徑傳輸時延，而路徑有效帶寬最大化作為第二路由規(guī)則，即使用最寬最短路由算法(W-S, widest-shortest path algorithm)。由于所有選擇路徑均為最短路徑，傳輸路徑上的有效帶寬反映了實時業(yè)務的最優(yōu)路徑擁塞狀態(tài)，故可用有效帶寬描述實時業(yè)務的路徑擁塞度。路徑有效帶寬定義為傳輸路徑上所有鏈路有效帶寬的最小值。若鏈路容量為C，鏈路進程承載的優(yōu)先業(yè)務流和彈性流分別為(Ns, Ne)，優(yōu)先業(yè)務流平均恒定速率為Rs，則有效帶寬r為鏈路彈性流的平均有效速率：

對響應時間敏感的彈性流希望選擇有效帶寬最大路徑傳輸數(shù)據(jù)，而路由跳數(shù)最短作為次要條件，即使用最短最寬路由算法(S-W, shortest-widest path algorithm)，則路由跳數(shù)差Δh可以描述彈性流的路徑擁塞度，其中Δh為流當前選擇路徑的路由跳數(shù)與最短路徑路由跳數(shù)之差，路由跳數(shù)可由路由算法本身測量獲得。根據(jù)不同類型業(yè)務的路徑擁塞指標，定義如下路徑效用函數(shù)(utility function)[10]對網(wǎng)絡的路徑擁塞狀態(tài)進行描述。

其中，G∈(0,∞)為比例增益常數(shù)，默認為1，r為路徑P的有效帶寬。效用函數(shù)U隨有效帶寬r遞增而增大，隨路由跳數(shù)差Δh增加而線性遞減，當G=0時，效用函數(shù)退化為彈性流的有效帶寬最大路由算法(widest path algorithm)的選路標準；當G=∞時，效用函數(shù)又變?yōu)閮?yōu)先業(yè)務流的最短路徑路由算法(minimum-hop path algorithm)的選路標準。因此，效用函數(shù)能夠反映多業(yè)務網(wǎng)絡傳輸路徑的擁塞狀態(tài)。

由效用函數(shù)得到的路徑狀態(tài)是過時的，僅作為網(wǎng)絡路徑態(tài)勢估計的路徑狀態(tài)基本概率賦值函數(shù)的輸入值。當r≤RT時，路徑處于擁塞狀態(tài)，路由算法選擇最短路徑有效，即Δh=0，效用函數(shù)僅是有效帶寬的對數(shù)值，定義為效用函數(shù)的擁塞門限UT=lnRT。當r∈(RT, RCT]時，路徑處于重載狀態(tài)，為減小網(wǎng)絡阻塞率，彈性流盡量選擇最短路徑傳送分組，定義為效用函數(shù)的擁塞告警門限UCT=lnRCT。當r＞RCT時，路徑處于輕載，彈性流將優(yōu)先選擇S-W路由算法，路徑P的效用函數(shù)為UP=lnr-Δh, G=1。若路徑指標對路徑態(tài)勢的估計為{O, H, L}3種態(tài)勢，則路徑指標的模糊子集可量化實現(xiàn)為圖2所示，其中UM=(UCT-UT)/2。

圖2 效用函數(shù)的模糊子集

設路徑態(tài)勢估計的基本概率賦值函數(shù)為mP={A1, A2, A3}，其中Ai, i=1, 2, 3分別表示鏈路當前{O, H, L}3種態(tài)勢的基本概率賦值{μO(u), μH(u),μL(u)}，由模糊子集可分別量化為

3.2 網(wǎng)絡路徑態(tài)勢估計

網(wǎng)絡路徑態(tài)勢估計結(jié)果的正確性依賴于本地鏈路狀態(tài)和路徑狀態(tài)指標的周期性測量與更新，在測量本地鏈路狀態(tài)指標的基礎(chǔ)上，量化得到鏈路狀態(tài)的基本概率賦值 mL和路徑效用函數(shù)的基本概率賦值mP后，根據(jù)圖 3推理過程對網(wǎng)絡路徑態(tài)勢進行估計。

圖3 路徑態(tài)勢估計中的信息融合

設路徑態(tài)勢估計的辨識框架共有 3個命題，本地L表示本地鏈路狀態(tài)在t時刻對不同命題的判斷結(jié)果集。路徑P表示陳舊路徑狀態(tài)在t時刻對不同命題的判斷結(jié)果集，mL(Ai)/mP(Ai), i=1,2,3為對命題Ai的基本概率賦值，m(Ai)為經(jīng)過Dempster合成后得到網(wǎng)絡路徑的新基本概率賦值m(Ai), i=1,2,3，且有：

路徑狀態(tài)的新基本概率賦值 m(Ai)描述了根據(jù)最新測量數(shù)據(jù)推理得到的網(wǎng)絡路徑不同態(tài)勢的置信度（概率值）。路徑狀態(tài)的更新則隨路徑指標的周期性測量而由預計算模塊進行更新，但在同一測量周期內(nèi)路徑態(tài)勢集中樣本保持不變。

對于估計的網(wǎng)絡路徑態(tài)勢集及相應態(tài)勢樣本的概率賦值，設集合中不確定性概率 ()mΘ大于門限ε2，若某態(tài)勢A1具有最大概率賦值，且與其他態(tài)勢樣本的概率賦值差大于門限ε1，則取態(tài)勢A1作為傳輸路徑的準實時態(tài)勢值。即：

若態(tài)勢集樣本A1同時滿足下列不等式：

其中，ε1、ε2是預先設定的門限值。則路徑態(tài)勢計算模塊判決輸出 A1為路徑下一周期準實時路徑承載狀態(tài)。

4 基于路徑估計網(wǎng)絡接納控制算法

基于估計的當前路徑狀態(tài)，算法執(zhí)行兩級接納判決。首先進行粗粒度的路徑接納判決，并根據(jù)其判決結(jié)果決定是否進行本地鏈路接納判決。

4.1 路徑接納判決

當估計路徑態(tài)勢為過載時，節(jié)點直接丟棄業(yè)務請求分組而無需進行二次判決；當路徑態(tài)勢為重載時，為降低優(yōu)先業(yè)務的阻塞率并保證其低時延性能，本地網(wǎng)絡節(jié)點直接丟棄感知為彈性流的業(yè)務請求分組，僅對優(yōu)先業(yè)務流執(zhí)行本地鏈路判決。當路徑態(tài)勢為輕載時，所有業(yè)務流均被無區(qū)分接入，無需進行二次接納判決，僅由調(diào)度機制對接入的業(yè)務流進行區(qū)分轉(zhuǎn)發(fā)。

其中，Reject為對請求業(yè)務流的拒絕判決，Accept為接納請求業(yè)務流，而LD則是對請求業(yè)務流的本地鏈路接納判決(LD, local decision)，僅在路徑重載時對具有優(yōu)先權(quán)的優(yōu)先業(yè)務進行區(qū)分控制。

4.2 鏈路接納判決

本地鏈路接納判決僅在優(yōu)先隊列小于其擁塞門限，且網(wǎng)絡路徑重載時執(zhí)行。當優(yōu)先業(yè)務重載而彈性業(yè)務輕載時，優(yōu)先業(yè)務的接入必然增大優(yōu)先隊列長度，則以與隊長相關(guān)的概率拒絕優(yōu)先業(yè)務的接入。設拒絕概率為P1，且定義為

其中，隊長敏感指數(shù)k1描述了拒絕概率P1對隊長Q變化狀態(tài)的敏感程度。若k1較小，則增加隊長會顯著地增大拒絕概率，能有效抑制網(wǎng)絡路徑過載發(fā)生。同時，冗余了更多的網(wǎng)絡資源，將降低路徑資源利用率，因此，k1取值可根據(jù)實際應用要求進行設置。

當優(yōu)先業(yè)務輕載而彈性業(yè)務重載時，接入優(yōu)先業(yè)務會降低鏈路公平速率，惡化彈性流的基本吞吐量，因此，以與鏈路公平速率相關(guān)概率接納優(yōu)先業(yè)務。設接納概率為P2，且：

其中，速率敏感指數(shù) k2描述了接納概率 P2對鏈路公平速率R變化的敏感程度。若k2較大，則接納概率能較快地響應鏈路公平速率的變化，有益于鏈路效率的提高。但是P2頻繁地改變增大了鏈路流量的動態(tài)性。

當所有類型業(yè)務均處于重載時，上述兩類影響均存在，因此，接入概率為

則在網(wǎng)絡路徑重載時，可得網(wǎng)絡接納控制二次本地接納判決集為

與IB/EB NAC不同，基于路徑估計的網(wǎng)絡接納控制(PA NAC, path assessment based network admission control)雖然僅在網(wǎng)絡輸入端執(zhí)行本地接納判決，但在路徑判決時考慮了構(gòu)成網(wǎng)絡路徑的所有鏈路狀態(tài)，能以高概率避免網(wǎng)絡后端鏈路瓶頸遺漏問題。與BBB NAC不同，PA NAC雖然需要路徑狀態(tài)信息，但不需要網(wǎng)絡內(nèi)部鏈路參與，通過增加邊緣節(jié)點的預計算來實現(xiàn)網(wǎng)絡核心狀態(tài)無關(guān)。

5 算法復雜度分析

設網(wǎng)絡輸入輸出端節(jié)點數(shù)分別為 D、E，網(wǎng)絡中鏈路總數(shù)為N，則由IB/EB NAC算法原理可知，其分別在業(yè)務接入端和輸出端各執(zhí)行一次接納判決，故接納判決過程中需要兩次計算條件表達式是否滿足要求。針對每個判決條件，節(jié)點需要計算鏈路資源預算。對于每一個可能的路徑，需要獨立計算各節(jié)點及相應鏈路的預算資源，因此總共計算量為(D+E)+N，而且預算資源的計算量會隨源/宿端的增加而增加。

PA NAC僅在業(yè)務輸入端進行接納判決，對于被拒絕的業(yè)務流僅作出一次判決，因此為每個業(yè)務流作出判決的平均次數(shù)小于兩次。在一個允許接入的完整接納判決過程中，算法先后需要進行兩次搜索查表工作，而兩次獨立查表復雜度均為O(1)，故一次判決過程的計算復雜度為O(1)，但計算量不會隨端點增加而增加。

PA NAC計算量在兩級判決過程中均有不同程度地減少，簡化了接納控制模塊的復雜度。系統(tǒng)所增加的路徑態(tài)勢推理和本地鏈路狀態(tài)測量的計算由額外的模塊獨立進行，這正是應用并行計算減小網(wǎng)絡操作機制計算量的目的。

6 仿真計算

網(wǎng)絡接納控制機制在網(wǎng)絡重載時保護承載業(yè)務請求性能限，防止網(wǎng)絡過載的發(fā)生。在網(wǎng)絡輕載時，鏈路冗余本身能夠滿足接入業(yè)務端到端請求的性能限，執(zhí)行嚴格的接納判決導致業(yè)務性能的提高非常有限，因此仿真僅在重載條件下進行。

網(wǎng)絡模型使用簡單的多跳網(wǎng)絡仿真拓撲，如圖4所示，路徑鏈路參數(shù)如圖4所示。為簡化計算，取敏感指數(shù) k1=k2=1，仿真比較了 PA NAC與IB/EBNAC算法統(tǒng)計結(jié)果。PA NAC僅在源端網(wǎng)絡節(jié)點上進行判決，而IB/EBNAC則同時在源端和宿端 2個節(jié)點上使用各自的判決條件不等式進行決策，其網(wǎng)絡路徑資源的占用統(tǒng)計使用 Kaufman-Roberts algorithm (KRA)計算[11]。網(wǎng)絡態(tài)勢估計預計算和本地鏈路狀態(tài)測量分別由額外模塊輔助預計算，而預計算得到的狀態(tài)變量則由節(jié)點負責維護更新，其計算周期、狀態(tài)參數(shù)及路徑態(tài)勢估計更新周期與公平調(diào)度算法的測量周期同步，優(yōu)先業(yè)務和彈性業(yè)務路由分別使用WSP和SWP算法[12]。

圖4 多跳網(wǎng)絡仿真拓撲

仿真統(tǒng)計了低速語音流的阻塞率指標和鏈路效率曲線，分別如圖5和圖6所示。語音流阻塞率曲線顯示 PA NAC在重載時的阻塞率一直小于IB/EB NAC算法，因為在路徑態(tài)勢估計下的一次接納判決僅僅允許速率較低的優(yōu)先業(yè)務流接入網(wǎng)絡，進行了多業(yè)務的接入?yún)^(qū)分。而IB/EB NAC算法同等對待所有請求業(yè)務流，但這并不能實質(zhì)性地增加彈性流的吞吐量，因為鏈路重載時進一步接納高速業(yè)務會惡化網(wǎng)絡路徑狀態(tài)，增大分組丟失率，造成大量分組重傳，浪費了網(wǎng)絡資源。

圖5 64kbit/s語音流阻塞率

圖6 鏈路效率曲線

圖6中2種算法的鏈路效率證明了上述結(jié)論，鏈路效率定義為統(tǒng)計時間內(nèi)接收端完成流傳輸字節(jié)數(shù)與源端發(fā)送字節(jié)數(shù)之比的均值。在路徑鏈路重載時，IB/EBNAC算法鏈路效率低下，最大約為26%左右，而PA NAC明顯具有較高的鏈路效率，最大可達 67%左右，因為它不僅對多業(yè)務進行了接入?yún)^(qū)分，還進行了轉(zhuǎn)發(fā)區(qū)分，對網(wǎng)絡資源進行了相對嚴格的管理。當然，IB/EBNAC算法的資源利用率在3種BNAC算法中本身也是最低的，但其他算法付出的代價是要進行更多的判決決策，需要節(jié)點具備高性能計算能力和高效的資源分配策略。其中 LBNAC算法計算復雜度會隨源/宿端節(jié)點增多呈非線性增大，從而不能應用于實際的大規(guī)模網(wǎng)絡管理和控制。BBBNAC算法則增大了網(wǎng)絡路徑狀態(tài)信息的維護和更新開銷，路徑狀態(tài)信息的傳播時延和鏈路效率將隨網(wǎng)絡節(jié)點的增多而惡化。相反，當網(wǎng)絡節(jié)點增多時，PA NAC僅僅增加了路徑態(tài)勢估計的預計算量和節(jié)點管理路徑狀態(tài)的緩存開銷，但在二級本地接納判決時，它簡化了判決計算復雜度。

7 結(jié)束語

為保障不同業(yè)務差異化的端到端性能，平滑和抑制潛在的隨機擁塞，需要網(wǎng)絡接納控制實現(xiàn)業(yè)務接入?yún)^(qū)分。而待傳輸路徑的實時狀態(tài)信息決定了網(wǎng)絡接納控制的有效性，通過邊緣節(jié)點智能計算得到的路徑態(tài)勢估計有效減少了網(wǎng)絡核心狀態(tài)的復雜度。在估計的路徑狀態(tài)下執(zhí)行一級網(wǎng)絡接納判決，以判斷網(wǎng)絡是否需要進行二級接納判決。二級判決僅在鏈路重載時執(zhí)行，由本地鏈路狀態(tài)實現(xiàn)業(yè)務區(qū)分接入。PA NAC算法通過分解網(wǎng)絡接納判決過程實現(xiàn)計算簡化和網(wǎng)絡核心狀態(tài)無關(guān)，克服了BNAC計算繁雜和應用可擴展性問題，仿真顯示其更適合共同承載不同速率分布的多業(yè)務網(wǎng)絡。

[1] WRIGHT S. Admission control in multi-service IP networks: a tutorial[J]. IEEE Communications Surveys & Tutorials, 2007, 9(2):72-87.

[2] CHO I K, OKAMURA K. A centralized resource and admission control scheme for NGN core networks[A]. International Conference on Information Networking[C]. Chiang Mai, Thailand, 2009. 1 - 5.

[3] MARTIN R, MENTH M, CHARZINSKI J. Comparison of border-to-border budget based network admission control and capacity overprovisioning[A]. The 4th International IFIP-TC6 Networking Conference[C]. Waterloo, Canada, 2005. 1056-1068.

[4] MENTH M, KOPF S, MILBRANDT J. A performance evaluation framework for network admission control methods[A]. IEEE/IFIP Network Operations and Management Symposium[C]. Seoul, Korea,2004. 307- 320.

[5] 徐恪, 吳建平, 徐明偉. 高等計算機網(wǎng)絡——體系結(jié)構(gòu)、協(xié)議機制、算法設計與路由器技術(shù)[M]. 北京: 機械工業(yè)出版社, 2005.175-235.XU K, WU J P, XU M W. Advanced Computer Network-System Ar-chitecture, Protocol, Algorithm and Router Technology[M]. Beijing:Machine Industry Press, 2005. 175-235.

[6] CHENG G, ANSARI N. Minimizing the impact of stale link state information on QoS routing[A]. IEEE Global Telecommunications Conference[C]. Missouri, USA, 2005.5 - 9.

[7] MENTH M. Efficient Admission Control and Routing for Resilient Communication Networks[D]. University Wuerzburg, 2004.

[8] 賁可榮, 張彥鐸. 人工智能[M]. 北京: 清華大學出版社, 2006.142-181.BEN K R, ZHANG Y D. Artificial Intelligence[M]. Beijing: Tsinghua University Press, 2006. 142 - 181.

[9] 邱恭安, 張順頤, 胡雋. 基于模糊流感知的動態(tài)優(yōu)先公平調(diào)度算法[J]. 電子與信息學報, 2009, 31(2): 467-471.QIU G A, ZHANG S Y, HU J. Fuzzy flow awareness based dynamical priority fair scheduling algorithm[J]. Journal of Electronics & Information Technology, 2009, 31(2): 467-471.

[10] OUESLATI S, ROBERTS J. A new direction for quality of service:flow-aware networking[A]. Next Generation Internet Networks[C].Roma, Italy, 2005. 226-232.

[11] TOELLE D, KNORR R. Performance evaluation of potential and management based network admission control methods[A]. IEEE International Conference on Communications[C]. Istanbul, Turkey, 2006.754-759.

[12] HORNG M F, KUO Y H. An effective approach to adaptive bandwidth allocation with QoS enhanced on IP networks[A]. The 3rd International Conference on Ubiquitous Information Management and Communication[C]. Suwon, South Korea, 2009. 260-264.