一、网络性能指标及测量技术（论文文献综述）
顾静玲[1]（2021）在《面向可编程网络的网络性能指标测量研究》文中研究说明网络性能指标是表征网络运行状态的参数,通常包括时延、丢包率、可用带宽等。网络性能指标测量就是采用特定的测量方法获取网络性能指标,进而为网络行为监控、网络异常发现以及网络故障分析等网络管理提供必要的输入信息。传统网络由于缺乏灵活的控制能力以及基本的网络测量功能,存在测量任务实施复杂度高、测量粒度较粗且准确性低等问题。在可编程网络中,用户能够通过统一的开放接口和编程语言自定义数据分组的处理流程,这样灵活的处理能力为网络性能指标测量带来了新的契机。网络性能指标一般分为端到端性能指标以及链路性能指标,链路性能指标粒度更细,更能直观反映网络内部单个设备的运行状态。因此,本文主要针对可编程网络中链路性能指标的测量方法进行研究。链路往返时延是数据包在链路两个方向上传输所花费的时间之和,是反映网络链路传输性能的重要指标。对链路往返时延进行测量有助于发现网络拥塞,从而找到异常链路并及时进行网络优化。带内网络遥测技术（Inband Network Telemetry,INT）能通过数据包携带网络设备的内部状态信息进而得到链路往返时延,但INT技术需要转发芯片支持,部署成本高。因此,本文研究在这种具有INT功能的交换机以及普通SDN（Software-Defined Networking,SDN）交换机的混合可编程网络中,使用带内与带外相结合的方式获取链路往返时延的方法。首先,为减少测量成本,本文研究了监测器容量限制下的监测器部署问题,并证明该问题是NP-hard问题。为有效解决该问题,本文提出一种基于“竞标”的启发式算法。然后,在确定监测器放置的基础上,本文还设计了最小化探测代价的探测路径构建方法。实验表明,本文提出的链路往返时延测量方法能够在多个网络拓扑中获得接近最优解的监测器部署解决方案,测量结果准确性高且测量成本随着INT节点部署比例的增大而降低。网络链路性能指标异常定位是指通过获取网络链路状态信息定位出网络中传输性能异常的链路,是网络日常管理的重要问题之一。通常而言,链路性能指标异常定位需要获取网络每条链路的状态信息。在可编程网络中,INT技术能够通过数据包携带链路性能指标的方法收集每条链路的性能指标,但这种在网络每个节点将链路性能指标附加到数据包上的方式开销过大,且受到最大报文长度的限制。因此,如何在尽量少地携带链路性能指标的同时找到存在传输性能指标异常的链路这具有重要价值。本文提出一种基于强化学习的可编程网络链路性能指标异常智能定位方法。该方法使用DQN算法,以业务流的端到端时延作为输入信息,智能选择可能出现传输性能异常的链路进行监测,从而缩小链路状态监测的范围。通过实验表明,本文提出的可编程网络链路性能指标异常智能定位方法能够智能选择可能出现传输性能异常的链路进行性能指标测量,大大减少链路性能指标收集的开销。
李惠康,高艺,董玮,陈纯[2]（2021）在《网络断层扫描:理论与算法》文中研究表明网络测量为网络设计者与管理者提供网络内部细粒度的运行状态信息,是对网络进行高效管理与优化的基础.网络断层扫描是网络测量领域的一个研究热点,是一种端到端的网络测量方法.与传统网络内部测量方法不同,网络断层扫描利用端到端的测量信息计算和推断网络内部性能和状态,从而实现与网络组成和协议无关的网络测量,具有较低的测量开销.对近年来国内外学者在网络断层扫描研究领域取得的成果进行了系统的总结.首先介绍了网络断层扫描的基本模型,并指出了影响网络断层扫描性能的3个重要因素:监测节点部署、测量路径构造和测量数据分析;接着,依次归纳了这3个方面的研究进展和研究成果;随后分析了已有网络断层扫描方法在实际应用中存在的缺陷,并给出了应对这些核心缺陷的理论和关键算法;最后,基于现有研究成果讨论了网络断层扫描的发展趋势和进一步的研究方向.
李惠康[3]（2020）在《基于断层扫描的网络测量关键技术研究》文中指出随着信息技术的不断发展和人们通信需求的不断增加,催生出各式各样的网络系统和服务。一方面,用户数量的增长使得有线IP网络的规模变得越来越庞大,多跳连接成为了地理位置分布广泛的主机间正常通信的基本前提。另一方面,物联网技术和应用的成熟使得物联网设备的数量经历着快速的增长。截至2019年,全球物联网设备数量达到110亿。为了实现资源受限物联网设备的互联互通,涌现出多种无线多跳数据传输技术。面对这些普遍存在的大规模多跳网络,如何对其进行有效的监控和测量成为亟需解决的关键问题。网络测量为服务提供商与管理员提供网络内部细粒度的运行状态信息,是网络管理与优化的基础。网络断层扫描是一种有效地利用监测节点间端到端测量数据推测网络内部运行状态的测量技术,具有较低的测量开销,引起了国内外学者的广泛关注和研究。现有网络断层扫描研究工作主要集中于测量网络所有链路性能指标的确切值,存在实现难度大,测量成本高、可用性差等问题。此外,现有研究工作往往基于固定网络拓扑和可靠网络通信的理想假设,未考虑拓扑变化和链路失效对网络测量的影响。面对大规模多跳网络组成复杂、拓扑频繁变化及通信容易失效的重要特征,现有网络断层扫描方法将难以达到预期的效果。为此,本文总结了大规模网络性能测量面临的主要挑战,并针对这些挑战提出了四项关键技术,以构建灵活、高效及鲁棒的性能测量体系。1)基于界限值推断的链路测量技术。本文研究了对网络特定链路（即目标链路）性能界限值的测量问题,在满足应用需求的前提下,通过灵活调整链路性能测量的精确度,以降低测量复杂度和测量开销。具体地,本文首先提出了一种高效的目标链路性能界限值推断算法,能够在任意一个给定监测节点和端到端测量数据的网络中快速地计算出所有目标链路最紧的性能界限值（包括最紧上界值和下界值）。基于此,本文进一步提出了一种新监测节点的部署算法,在网络原有监测节点的基础上,通过增加一个新监测节点从而最大程度地减少目标链路性能界限区间的长度,以及通过部署最少监测节点以满足服务提供商与管理员对目标链路性能界限区间长度减少量的需求。和现有最好方法相比,本文提出的方法大幅地减小了目标链路性能界限区间的总长度并显着减少了监测节点的部署数量。相关工作发表在着名国际会议IEEE INFOCOM 2020上。2)基于界限值推断的路径测量技术。本文研究了对网络特定路径（即目标路径）性能界限值的测量问题,以较小的开销实现对网络关键服务端到端性能的测量。具体地,本文提出了一种目标路径性能界限值推断算法,基于给定监测节点间的测量数据,推算出网络所有目标路径最紧的性能界限值。此外,本文提出了一种新监测节点的部署算法,在网络已有监测节点的基础上,通过增加一个新监测节点以最大程度地减少目标路径性能界限区间长度,以及通过部署最少监测节点以满足对目标路径性能界限区间长度减少量的需求。和现有方法相比,本文提出的方法大幅地减小了目标路径性能界限区间的长度并减少了监测节点的数量。相关工作投稿到着名国际期刊IEEE/ACM Transactions on Networking上。3)基于时变拓扑序列的链路测量技术。针对网络拓扑的动态性,本文提出了一种面向时变拓扑的链路性能测量技术。基于对网络连通性的预测,本文设计了一种简洁通用的时变拓扑刻画模型。基于该模型,本文提出了一种预先式监测节点部署算法,便于服务提供商与管理员在网络规划阶段,完成对网络运行阶段性能测量所需监测节点的部署,从而减少监测节点更换的开销并提高测量的稳定性。和现有方法相比,本文提出的方法放宽了对网络拓扑模型的假设,从而能够适应更多实际应用场景的需求。相关工作发表在着名国际会议IEEE ICNP 2017和着名国际期刊IEEE/ACM Transactions on Networking上。4)基于失效分类建模的链路测量技术。针对网络通信的易失效性,本文研究了在不同类型的网络失效下链路性能的测量问题。具体地,基于网络链路失效的可预测性与不可预测性,本文对链路失效进行了不同形式的建模。基于此,本文提出了多种鲁棒的监测节点部署算法,利用监测节点间端到端的测量数据,推算出网络所有非失效链路的性能指标值,包括:（i）简单的部署算法（联合部署和一次性部署）,将现有针对不可预测链路失效的部署算法应用于一组由可预测链路失效生成的拓扑（即预测拓扑）,（ii）增量部署算法,基于已有监测节点,在一组预测拓扑上依次部署额外的监测节点,（iii）综合部署算法,将监测节点部署问题映射为广义的碰撞集问题以全面考虑所有预测拓扑上监测节点的部署需求。此外,论文提供了一个冗余监测节点的识别和移除算法,进一步提高监测节点部署的性能。和现有方法相比,本文提出的方法在保证链路性能可识别性的同时,能够很好地实现测量开销与时间复杂度的平衡。相关工作发表在国际会议ACM TUR-C 2017和着名国际期刊IEEE/ACM Transactions on Networking上。
许振兴[4]（2020）在《基于深度强化学习的自适应光学波前控制研究》文中指出自适应光学（Adaptive Optics,AO）技术通过改变波前校正器相位来补偿入射畸变波前,从而改善光学系统的性能,被广泛应用于天文观测、激光通信系统、视网膜成像、激光光束净化等光学系统。AO系统作为有效的主动补偿技术,虽然在各领域取得了很好的校正效果,但传统闭环控制方法将AO控制系统视为线性时不变系统,这使得传统控制方法无法处理各类误差带来的不确定性,无法发挥系统潜力获得最优性能。本文从传统AO控制方法与深度强化学习找到结合点并做探索性研究,建立自学习智能控制模型。深度学习与强化学习的结合将感知环境和系统控制无缝连接,使AO能够自动感知不确定的环境状态并完成自适应控制。该AO智能控制模型具有通用性,不依赖于建立准确模型,只需与环境互动学习,利用从外界反馈的回报信号和采集的环境状态不断调整控制策略,使其在线自学习最优控制策略或次优控制策略,可根据系统状态保持或逼近最佳性能。具体来说,传统基于离线建模的线性时不变控制方法无法处理以下三种情形:（1）AO控制平台在长时间运行过程中,受机械平台振动等时变因素的影响,波前校正器与波前传感器的相对位置发生偏移导致对准误差,使得系统参数发生异变无法自适应对准误差。（2）哈特曼传感器缺光引起的斜率信息缺失或噪声引起的斜率测量误差。这类误差直接耦合控制模型,斜率测量误差的传递造成控制性能下降或不稳定。（3）AO系统中时滞普遍存在,时滞校正误差对系统的性能影响很大,因此具有静态控制策略的控制方法无法实现自适应预测控制。本文围绕上述三种情形,展开理论分析和实验研究,建立线性和非线性两种针对AO的智能控制模型。该模型根据当前AO的环境特性进行在线策略优化,始终满足性能约束指标,为解决传统控制手段难以处理误差带来的控制性能下降,以及难以建立准确的系统模型和湍流模型提供了新思路。本文的主要研究内容如下:1.基于哈特曼传感器的AO系统其误差传递过程不可避免,误差传递将影响系统的校正性能,最大程度的补偿或抑制误差传递可显着提高系统的校正性能。AO主要误差来源分为五类:（1）H-S透镜阵列对波前的有限分割采样带来的空间采样误差;（2）斜率测量过程中噪声因素引入的斜率测量误差;（3）强闪烁条件下H-S子孔径斜率探测不理想或信息缺失;（4）H-S与变形镜的空间失配导致对准误差;（5）系统时滞因素导致的时滞校正误差。通过对上述五类误差进行分析,将其转化为组合目标函数的优化问题,推导出了利用组合目标函数的梯度信息作为误差补偿手段,为后续基于梯度信息的在线学习模型提供了理论基础。2.提出了AO系统的线性学习模型,该模型将远场性能指标和估计误差平方和的线性组合作为目标函数,能够自适应系统参数变化,不依赖于建立准确的系统模型。为使得学习模型保持良好的跟踪特性,引入了梯度动量项,动量项累积了之前迭代时的梯度信息,逐步弱化了历史梯度信息对当前模型训练的影响,提高了当前梯度信息的影响,动量项的引入避免了在线样本存储。同时还给出了模型的并行异步优化方法以及模型参数的初始化策略。最后,搭建了AO实验平台来验证线性学习模型的性能,实验结果表明该模型兼顾了斜率信息缺失补偿和自适应抑噪能力,显着提高了系统控制精度。数值分析表明,在不需要重新测量响应矩阵的情况下,实现了对准误差下的自适应性。该模型简单高效,具有一定的工程意义,但由于线性模型学习能力有限,当存在多对一映射关系时其学习过程容易产生线性偏移。3.针对线性学习模型存在的学习能力有限问题以及对湍流扰动的预测控制问题进行建模。提出了基于深度强化学习理论的非线性动态学习模型,该模型采用神经网络的泛映射性拟合策略函数,并通过强化学习的确定性策略梯度方法实现在线滚动优化策略。但是在实际在线策略优化时,若模型目标函数的梯度矩阵测量不准确或突增,则可能导致梯度爆炸使得学习模型不能正常工作。为避免梯度爆炸,保证网络模型稳定收敛,在该梯度反向传入网络模型之前,将梯度矩阵投影至较小的尺寸上,进行裁剪和约束。同时为了避免学习速率衰减过快,能够对每个网络参数自适应不同的学习速率,采用三点解决方案:一是使用历史窗口;二是对参数梯度动量项的历史窗口序列（不包括当前）使用均值;三是最终梯度项为历史窗口序列均值与当前梯度动量项的加权平均。最后,通过搭建AO实验系统来验证非线性动态学习模型对静态像差以及动态像差的校正能力,实验中引入了HT200热风式大气湍流模拟器来产生不同强度的大气湍流。实验结果表明,非线性动态学习模型具有建模方便以及过程描述可在线获得的特点,能及时弥补由于模型失配、畸变、干扰等因素引起的不确定性,模型通过在线误差补偿和噪声抑制提高了系统的控制精度,其自适应性提高了系统的稳定性。由于模型可在线学习湍流统计特性,无需离线建立湍流模型,实现了自适应预测控制模型,具有明显的工程和理论意义。
朱杨[5]（2020）在《基于Labview的光纤时间传递上位机控制系统》文中研究指明随着由多地子系统所组成的集成系统在雷达、通信和国防等重要领域的逐步发展,为了完成异地系统的精确同步作业,异地系统对时间信号传递和同步技术提出了更高的要求,时间传递技术逐渐成为了国内外研究小组关注的重要技术。以往国内外基于光纤的时间传递系统中,上位机控制系统现了对时间间隔、光纤时延、光纤温度等参数进行实时数据采集、数据处理和数据传输,并提供可视化的数据分析面板的功能。但由于功能上未能做进一步的拓展,存在着人工调节手段较多、参数固定难以实时修正的问题。同时,在时间传递系统中,温度是影响光纤链路传输时延和系统性能的重要参数,采用温度计的温度监测系统难以对实地光纤温度进行测量。本论文针对实地光纤时间信号传输中,人工调节过程繁琐、内部参数固定难以进行实时调节、异地测量时难以直接测量温度等问题,分别设计了相应的功能模块。论文主要工作如下:1、对人工神经网络模型和算法进行了研究,对温度测量系统的功能进行了拓展,对神经网络预测值和实际温度测量值进行了比较。通过对神经网络输入数据段的选取,在有监督学习体系下进一步优化了预测性能,在Labview平台与Matlab软件进行联动,设计完成了温度预测模块。2、本文针对控制系统内部参数固定,无法进行实时修正,从而导致系统性能波动的问题,设计了参数修正模块。这进一步减少了人工手调环节,实时修正固定在程序中的内部参数,将系统抖动减小了8ps以上。3、本文对系统各模块进行单元测试和功能测试,并和预期性能指标进行比对。在实验中,本文利用搭建的30km实验室光纤链路,使用上位机控制系统记录不同状态下的测试数据,从而验证系统的创新性和有效性。
任智杰[6]（2020）在《基于优化探针的网络性能测量方法研究与工具实现》文中认为随着互联网繁荣发展,其架构组织变得越发复杂,网络设备数量和规模也越发巨大。互联网的管理原则是分域而治,各ISP对所管理的网络自治域通常会有不同的Qo S策略和安全策略,使得不同协议的网络应用即便在相同的网络路径下仍可能得到不同的网络性能体验。由于传统的网络性能测量工具的探测报文通常基于ICMP报文或TCP控制报文如SYN、ACK、RST等实现,因此难以真实反映互联网应用的实际网络体验。此外,传统的主动测量工具的探测报文还存在开销过大、可测性能参数较为单一等诸多缺点,为网络测量的实际部署带来非常大的局限性。针对上述问题,本文提出了一种基于优化探针方法的网络性能测量工具TCPProbe。与传统网络性能测量工具不同,该工具通过构造合法的TCP数据报文作为探测报文进行测量,因而测量结果能准确反映数据报文路径的性能指标情况。该工具借助互联网主流业务WEB服务如HTTP和HTTPS协议来构造探测报文,支持同时测量多个网络性能指标,如往返时延、单向丢包率、单向乱序率等。TCPProbe同时支持协作式测量模式和非协作式测量模式,可以覆盖多种测量场景。其中,非协作式测量模式主要面向HTTPS应用协议,通过内存BIO的方式关联Open SSL库与原始套接字,实现HTTPS报文的构造与解析以及TLS/SSL的握手机制,从而构造合法的HTTPS Request报文作为探测报文进行测量;协作式测量模式则面向TCP传输层协议,通过设计一套完整的报文交互协议以及部署代理服务端程序的方式,以对探测端发来的探测报文做出正确的响应来完成测量工作。代理服务端基于线程池和I/O多路复用架构实现,尽可能降低服务端处理时延对测量结果的影响。由于TCPProbe只需读取报文的报头信息即可完成测量,配合Libpcap库的报文过滤器可以只捕获测量路径上的报文,因此运行内存可以控制在30MB以内,能轻量化部署、运行在小内存的网络终端设备上。最后,本文围绕TCPProbe的功能正确性、性能指标以及测量结果的准确性进行测试。其中,协作式测量模式部署在局域网环境下进行测试,测试结果表明该模式内存占用较小,测量结果具有较高的准确性;非协作式测量模式则部署在互联网环境下测试,测试结果表明性能表现较优,具备一定的互联网业务网络性能测量能力。
刘芬[7]（2020）在《基于ADP的能量采集无线传感器网络协同目标跟踪方法研究》文中指出协同目标跟踪是无线传感器网络最重要的应用之一。由于感知、通信和计算等资源有限,无线传感器网络通常依赖于传感器调度平衡跟踪精度、能量消耗及网络生存周期。随着能量收集技术的不断发展,基于能量采集的无线传感器网络也引起了人们的关注。该种网络克服了网络中节点电池能量的限制,理论上可以将网络的生命周期扩展到无限长。然而,传感器的能量采集能力毕竟有限,因此,如何在无限长生命周期上设计传感器调度方案,为协同目标跟踪提出了新的技术挑战。另一方面,作为一个新兴的优化算法,自适应动态规划（Adaptive Dynami c Programming,ADP）融合了神经网络、自适应评判设计、强化学习等技术,为无限长生命周期上的优化控制问题提供了一种有效的方法。本文面向能量采集无线传感器网络的协同目标跟踪,研究了如下几种基于无限长生命周期上全局性能最优化的传感器调度方法:（1）面向单目标跟踪问题,研究了基于ADP的多传感器调度方法。利用扩展卡尔曼滤波估计和预测目标状态,结合跟踪性能与能量消耗构建性能指标,采用神经网络逼近最优的性能指标,从而得到近似最优控制策略。同时,给出了算法的最优性分析。（2）面向单目标跟踪问题,研究了基于多步预测ADP的多传感器调度方法。基于决策树搜索获取多步最优传感器调度方案,并通过神经网络迭代更新余下的无穷步性能指标。（3）面向多目标跟踪问题,研究了基于ADP的目标和传感器协同调度方法。采用目标跟踪性能的加权与能量消耗加权作为性能指标,通过神经网络逼近无穷步最优性能指标,迭代地得到近似最优控制策略,为每个时间步调度一个目标作为感知对象,并为其设置多个传感器作为感知任务执行者。
傅礼玉[8]（2020）在《面向大规模AGV的多路径TCP性能分析与优化》文中研究表明在新基建的国家发展战略中,工业物联网作为信息基础建设的重要产业具有重大前景,同时在认识和实践中具有很大的挑战。智能仓储是工业物联网中的典型项目,可以降低成本提升效率,但是在感知、决策、通信、执行方面具有一系列问题。本文主要关注智能仓储的通信问题,当智能仓储规模变大后,需要大量的自动导引运输车（Automated Guided Vehicle,AGV）进行作业,大规模AGV与控制服务器进行通信是一个前所未有的挑战。在世界第二大智能无人仓库中就出现了大规模AGV的掉线问题,针对此问题,本文做了如下研究内容:本文从实际运行的智能无人仓库中大规模AGV控制网络中AGV掉线问题出发,对AGV掉线问题进行分析,发现是无线网卡的漫游问题是导致AGV掉线的主要原因;提出基于多路径TCP的大规模AGV控制网络方案加以解决,进行了基于多路径TCP的大规模AGV控制网络方案的设计和测试,最后将基于多路径TCP的大规模AGV控制网络方案应用智能无人仓库中。实际运行结果表明基于多路径TCP的大规模AGV控制网络方案解决了大规模AGV掉线问题。本文对使用了基于多路径TCP的大规模AGV控制网络进行大规模测量,设计并实现了大规模AGV控制网络测量系统,使用该系统对基于多路径TCP的大规模AGV控制网络进行了性能测量,使用决策树对测量数据进行统计分析,挖掘了影响大规模AGV时延的主要因素为AGV的运动状况和AGV的漫游状况。本文根据测量数据和分析结果,指出基于多路径TCP的大规模AGV控制网络中出现AGV掉线问题和AGV卡顿停车问题的原因,针对问题进行优化和改进:提出实时监控子流状态保证多子流同时存在的Keep Full Mesh路径管理算法来解决AGV掉线问题;提出通过在不常用子流上进行探测,发现链路抖动或发生超时重传时切换到冗余模式的Probe Jitter Redundant调度算法解决AGV短暂延迟波动问题。通过重放大规模AGV网络中的链路数据,对Keep Full Mesh路径管理算法和Probe Jitter Redundant调度算法进行了实验测试,测试结果表明Keep Full Mesh路径管理算法和Probe Jitter Redundant调度算法能够显着改善AGV掉线问题和AGV卡顿停车问题。
张志鹏[9]（2020）在《面向流量工程的SDN分段路由算法研究》文中研究说明随着通信网络基础设施的高速发展,互联网规模不断扩大。网络资源需求的快速增长对流量的调度能力提出了严格的要求,流量工程问题日益重要。通过网络架构的进一步创新,充分利用流量工程技术方案来提高网络吞吐量,提高数据流传输性能,保证网络的可用性和可靠性。本文结合分段路由（Segment Routing,SR）和软件定义网络（Software-Defined Networking,SDN）,对实际流量工程中涉及到的段列表管理、负载均衡、服务质量（Quality of Service,QoS）路由等问题进行研究,研究成果如下:（1）针对源路由的标签数量需求较大,对于网络设备的性能要求较高,而又存在最大栈深度（Maximum Stack Depth,MSD）的物理限制问题,提出一种反向最长匹配中继压栈（Reversed Longest Match Relay Push,RLMRP）的段列表管理算法,并通过数学建模方式对网络资源数目进行分析。实验结果表明:RLMRP算法可以根据初始转发表使多条链路共用同一标签,减少标签数量、数据包包头开销和流表项数目,解耦路由计算和段列表计算,可以实现任意长路径的中继节点压栈转发。（2）针对当前以云计算、大数据为代表的新兴业务需求,现有的MPLS网络存在协议复杂、扩展性差、运维困难等问题,提出了一种基于受限K最短路径（Constrained K-Shortest Paths,CKSP）的分段路由负载均衡算法,通过端口绑定组表支持重路由。实验结果表明:CKSP算法根据链路利用率和跳数进行非均匀加权,可以增大网络吞吐量,平滑流量分布,降低数据流平均时延和网络总丢包率。（3）针对当前网络的多业务特征数据流的QoS性能要求问题,引入区分服务模型,实现SDN网络中QoS指标的测量方法,结合数据流的DSCP提出一种基于流量控制的蚁群优化（Ant Colony Optimization based Traffic Control,ACOTC）算法。该算法以计量表和队列控制数据流实时传输速率,通过蚁群迭代寻路逐步找到QoS度量值最小的最优路径。实验结果表明:ACOTC算法利用SDN的全局网络视图和流量控制可以增大数据流的剩余带宽,减小丢包率、时延和抖动,提高QoS路由效果。
代岳[10]（2020）在《基于三阶等效电路模型的超声换能器测量系统的研究》文中认为随着科学技术的不断发展,超声波检测技术在医疗健康、工业检测、交通运输、能源安全等领域有着越来越广泛的应用。超声换能器作为超声波检测设备等应用超声技术设备的关键器件,其地位十分重要,因为超声换能器性能指标的质量直接决定了整个超声设备性能的好坏,而传统的测量超声换能器等无源器件性能指标的技术方法存在着一定的局限性。本文以超声换能器在工程应用中的性能指标测量为研究背景,针对传统测量技术方法的不足,研究实现高效地无线联合测量超声换能器等无源器件的阻抗特性和频率特性这两个关键性能指标,建立分类测试算法模型,提出并搭建一套基于分类可选测试电路的无线测量超声换能器等无源器件性能指标的系统,通过实验验证所提方法的可行性,这将对超声换能器的匹配电路设计和指导超声设备进行更高效的工作等方面有着重要的意义。本文完成的主要研究工作和创新点有以下三个方面:1.阐述并总结常见且经典的阻抗测量技术方法和频率特性测量技术方法,并进行优缺点分析,同时介绍两者的重点研究方向,提出并设计一套基于分类可选测试电路的无线测量超声换能器等无源器件性能指标的系统,介绍系统的硬件和软件相关工作,阐述系统的总体测量步骤。2.建立分类测试算法模型,把分类可选测试电路看作信道,利用信号处理等方法得到被测电路的频率特性函数及被测无源器件的参数,分类测试指根据被测无源器件特性切换不同特性及参数的信号输出支路进行测量。3.对单个元件进行仿真和实物测量,测量结果的平均误差小于1.5%,验证了所述算法的准确性和分类测试的必要性。把超声换能器等效成三阶的组合电路模型并对三阶组合电路进行仿真和实物测量,最后对常用的压电超声换能器进行实物测量,测量结果的平均误差小于3%,良好的实验结果验证了本文所述方法的可行性和应用价值。
二、网络性能指标及测量技术（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、网络性能指标及测量技术（论文提纲范文）
（1）面向可编程网络的网络性能指标测量研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 可编程网络 |
| 1.2.2 链路性能指标测量 |
| 1.3 本文的主要贡献与创新 |
| 1.3.1 链路往返时延测量 |
| 1.3.2 链路性能指标异常定位 |
| 1.4 本论文的结构安排 |
| 第二章 相关技术 |
| 2.1 可编程数据平面 |
| 2.1.1 P4语言 |
| 2.1.2 可编程交换机 |
| 2.2 带内网络遥测 |
| 2.3 本章小结 |
| 第三章 可编程网络中带内和带外结合的链路往返时延测量方法 |
| 3.1 引言 |
| 3.2 网络模型 |
| 3.3 设计思路 |
| 3.4 离线阶段-监测器部署 |
| 3.4.1 问题建模 |
| 3.4.2 测量路径 |
| 3.4.3 模型分析 |
| 3.5 基于“竞标”的监测器部署算法 |
| 3.5.1 算法流程 |
| 3.5.2 探测成本修改 |
| 3.5.3 基于贪心的链路选择 |
| 3.6 在线测量阶段 |
| 3.7 仿真实验 |
| 3.7.1 仿真设置 |
| 3.7.2 结果与分析 |
| 3.8 本章小结 |
| 第四章 可编程网络链路性能指标异常智能定位 |
| 4.1 引言 |
| 4.2 强化学习介绍 |
| 4.2.1 强化学习基础 |
| 4.2.2 Q-leaming |
| 4.2.3 Deep Q-leaming Network |
| 4.3 基于强化学习的链路性能指标异常定位 |
| 4.3.1 问题模型 |
| 4.3.2 系统框架 |
| 4.3.3 基于DQN的决策算法设计 |
| 4.4 仿真与分析 |
| 4.4.1 仿真设置 |
| 4.4.2 结果与分析 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（2）网络断层扫描:理论与算法（论文提纲范文）
| 1 网络断层扫描基础 |
| 1.1 网络断层扫描的基本概念 |
| 1.2 网络断层扫描的形式化表述 |
| 1.3 网络断层扫描的简单例子 |
| 2 相关工作 |
| 2.1 网络监测节点部署 |
| 2.1.1 传统网络断层扫描监测节点部署 |
| 2.1.2 布尔网络断层扫描监测节点部署 |
| 2.2 测量路径构造与选取 |
| 2.3 测量数据分析与推断 |
| 3 应用挑战与关键技术 |
| 3.1 粒度可调网络断层扫描理论与技术 |
| 3.2 动态拓扑网络断层扫描理论与技术 |
| 3.3 通信失效网络断层扫描理论与技术 |
| 4 总结和未来工作 |
（3）基于断层扫描的网络测量关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与研究内容 |
| 1.3 论文组织 |
| 第2章 相关工作 |
| 2.1 网络测量概述 |
| 2.2 精度及粒度固定的网络测量技术 |
| 2.3 静态拓扑的网络测量技术 |
| 2.4 通信可靠的网络测量技术 |
| 2.5 本章小结 |
| 第3章 基于界限值推断的链路测量技术 |
| 3.1 需求与挑战 |
| 3.1.1 测量精度与测量开销平衡 |
| 3.1.2 链路性能界限值推断 |
| 3.2 设计与实现 |
| 3.2.1 链路性能界限值的定义 |
| 3.2.2 图论相关概念 |
| 3.2.3 最紧链路性能界限值推断算法 |
| 3.2.4 最紧链路性能界限值推断算法分析 |
| 3.2.5 新监测节点的部署算法 |
| 3.2.6 新监测节点的部署算法分析 |
| 3.3 性能评价 |
| 3.3.1 评价方法 |
| 3.3.2 链路性能界限紧密性评价 |
| 3.3.3 新监测节点部署开销评价 |
| 3.4 本章小结 |
| 第4章 基于界限值推断的路径测量技术 |
| 4.1 需求与挑战 |
| 4.1.1 网络路径监测 |
| 4.1.2 路径性能界限值推断 |
| 4.2 设计与实现 |
| 4.2.1 路径性能界限值的定义 |
| 4.2.2 最紧路径性能界限值推断算法 |
| 4.2.3 最紧路径性能界限值推断算法分析 |
| 4.2.4 新监测节点的部署算法 |
| 4.2.5 新监测节点的部署算法分析 |
| 4.3 性能评价 |
| 4.3.1 评价方法 |
| 4.3.2 路径性能界限紧密性评价 |
| 4.3.3 新监测节点部署开销评价 |
| 4.4 本章小结 |
| 第5章 基于时变拓扑序列的链路测量技术 |
| 5.1 需求与挑战 |
| 5.1.1 拓扑动态性 |
| 5.1.2 预先式监测节点部署 |
| 5.2 设计与实现 |
| 5.2.1 时变拓扑刻画模型 |
| 5.2.2 预先式监测节点部署算法 |
| 5.2.3 预先式监测节点部署算法分析 |
| 5.3 性能评价 |
| 5.3.1 评价方法 |
| 5.3.2 预先式监测节点部署性能评价 |
| 5.3.3 监测节点部署算法运行开销 |
| 5.4 本章小结 |
| 第6章 基于失效分类建模的链路测量技术 |
| 6.1 需求与挑战 |
| 6.1.1 网络通信失效 |
| 6.1.2 网络测量鲁棒性 |
| 6.2 设计与实现 |
| 6.2.1 链路失效类型的定义 |
| 6.2.2 图论相关概念 |
| 6.2.3 鲁棒监测节点部署算法 |
| 6.2.4 鲁棒监测节点部署算法分析 |
| 6.2.5 冗余监测节点识别算法 |
| 6.2.6 冗余监测节点识别算法分析 |
| 6.3 性能评价 |
| 6.3.1 评价方法 |
| 6.3.2 鲁棒监测节点部署性能评价 |
| 6.3.3 链路失效对网络测量的影响 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结及创新点 |
| 7.2 未来工作 |
| 参考文献 |
| 攻读博士学位期间主要的研究成果 |
| 致谢 |
（4）基于深度强化学习的自适应光学波前控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 波前控制技术国内外研究历史与现状 |
| 1.2.1 有波前探测控制技术 |
| 1.2.2 无波前探测控制技术 |
| 1.3 论文结构安排 |
| 第二章 传统线性控制模型的误差传递 |
| 2.1 像差表述 |
| 2.2 哈特曼斜率计算 |
| 2.3 波前复原 |
| 2.3.1 区域法 |
| 2.3.2 模式法 |
| 2.3.3 直接斜率法 |
| 2.4 传统线性控制模型 |
| 2.5 控制模型的误差传递 |
| 2.5.1 斜率测量误差 |
| 2.5.2 斜率信息缺失 |
| 2.5.3 空间采样误差 |
| 2.5.4 波前测量误差的敏感度分析 |
| 2.6 H-S与波前校正器的对准误差 |
| 2.7 本章小结 |
| 第三章 远场指标梯度抑制误差传递 |
| 3.1 远场指标梯度估计 |
| 3.2 梯度信息补偿误差传递分析 |
| 3.3 梯度信息补偿对准误差分析 |
| 3.4 本章小结 |
| 第四章 在线自学习线性控制模型 |
| 4.1 线性动态学习模型 |
| 4.2 模型的训练方法 |
| 4.3 递归最小二乘参数估计 |
| 4.4 学习模型流程及优化 |
| 4.5 模型参数初始化策略 |
| 4.6 实验与分析 |
| 4.6.1 测量噪声抑制 |
| 4.6.2 斜率信息缺失补偿 |
| 4.6.3 自适应对准误差及其数值分析 |
| 4.7 模型的线性偏移 |
| 4.8 本章小结 |
| 第五章 深度强化学习控制模型 |
| 5.1 非线性动态学习模型 |
| 5.2 神经网络基本原理 |
| 5.2.1 前馈计算 |
| 5.2.2 误差反向传播 |
| 5.3 模型的训练方法 |
| 5.4 梯度约束及其优化 |
| 5.5 强化学习理论框架 |
| 5.5.1 马尔科夫决策过程 |
| 5.5.2 值函数与最优性原理 |
| 5.5.3 TD方法与值函数逼近 |
| 5.5.4 策略梯度 |
| 5.6 策略优化流程 |
| 5.7 实验与分析 |
| 5.7.1 测量噪声抑制 |
| 5.7.2 斜率信息缺失补偿 |
| 5.7.3 动态波前预测控制 |
| 5.7.4 自适应对准误差及其数值分析 |
| 5.8 抑制线性偏移 |
| 5.9 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 论文主要创新点 |
| 6.3 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（5）基于Labview的光纤时间传递上位机控制系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和目的 |
| 1.2 国内外研究现状 |
| 1.2.1 概述 |
| 1.2.2 研究现状 |
| 1.2.3 现存问题 |
| 1.3 主要工作和结构安排 |
| 1.3.1 论文研究目标 |
| 1.3.2 本论文的主要工作 |
| 第二章 相关理论与技术 |
| 2.1 双向比对 |
| 2.1.1 双向比对的基本原理 |
| 2.1.2 双向比对系统的硬件搭建架构 |
| 2.1.3 双向时间比对的关键参数 |
| 2.2 软件开发平台 |
| 2.2.1 虚拟仪器概述 |
| 2.2.2 Labview简介 |
| 2.2.3 Matlab简介 |
| 2.3 神经网络理论 |
| 2.3.1 神经网络的意义 |
| 2.3.2 神经网络的数学模型 |
| 2.4 本章小结 |
| 第三章 时间传递上位机控制系统的设计 |
| 3.1 系统的总体设计 |
| 3.1.1 系统设计需求 |
| 3.1.2 系统的设计思路 |
| 3.2 系统的软件设计 |
| 3.2.1 系统的软件架构 |
| 3.2.2 仪器指令系统 |
| 3.3 系统各模块的设计与实现 |
| 3.3.1 数据通信模块 |
| 3.3.2 初始化模块 |
| 3.3.3 数据传输模块 |
| 3.3.4 数据处理存储模块 |
| 3.3.5 参数修正模块 |
| 3.3.6 温度预测模块 |
| 3.4 本章小结 |
| 第四章 神经网络预测方法的研究 |
| 4.1 神经网络预测温度的意义 |
| 4.1.1 温度对于光纤色散与时延的影响 |
| 4.1.2 输入特征设计 |
| 4.2 基于Elman神经网络的温度预测 |
| 4.2.1 数据预处理 |
| 4.2.2 Elman神经网络 |
| 4.2.3 数学模型 |
| 4.2.4 学习算法 |
| 4.2.5 Elman神经网络的训练流程 |
| 4.3 除Elman网络以外的神经网络 |
| 4.3.1 BP神经网络简介 |
| 4.3.2 BP神经网络构建 |
| 4.3.3 RBF神经网络简介 |
| 4.3.4 RBF神经网络构建 |
| 4.4 神经网络预测方法的比较 |
| 4.5 本章小结 |
| 第五章 系统的验证 |
| 5.1 系统的性能指标 |
| 5.1.1 时间信号的抖动 |
| 5.1.2 温度预测的残差抖动 |
| 5.2 系统的自动测试与参数修正 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 未来展望 |
| 参考文献 |
| 缩略词对照表 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（6）基于优化探针的网络性能测量方法研究与工具实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 网络测量研究现状 |
| 1.2.2 网络性能测量工具研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 本文组织结构 |
| 第2章 相关技术研究 |
| 2.1 网络测量 |
| 2.1.1 网络测量的指标 |
| 2.1.2 网络测量的分类 |
| 2.2 One Probe测量技术研究 |
| 2.2.1 测量原理 |
| 2.2.2 RTT的测量 |
| 2.2.3 丢包或乱序的18种情形 |
| 2.3 HTTPS协议介绍 |
| 2.3.1 HTTP与 HTTPS协议 |
| 2.3.2 SSL握手机制 |
| 2.4 本章小结 |
| 第3章 基于优化探针的网络性能测量工具设计 |
| 3.1 设计目标及需求分析 |
| 3.2 总体架构设计 |
| 3.3 测量工具功能模块划分 |
| 3.4 配置模块的设计 |
| 3.5 探测器模块的设计 |
| 3.6 探针模块的设计 |
| 3.6.1 上层协议模块 |
| 3.6.2 One Probe模块 |
| 3.7 测量结果分析模块的设计 |
| 3.8 代理服务端程序的设计 |
| 3.8.1 测量协议报文设计 |
| 3.8.2 探测端与代理服务端的测量流程 |
| 3.9 本章小结 |
| 第4章 基于优化探针的网络性能测量工具实现 |
| 4.1 测量工具主程序流程 |
| 4.2 配置模块的实现 |
| 4.3 探测器模块的实现 |
| 4.4 探针模块的实现 |
| 4.4.1 上层协议模块的实现 |
| 4.4.2 One Probe模块的实现 |
| 4.5 基础组件模块的实现 |
| 4.5.1 环形缓存区 |
| 4.5.2 探针哈希表 |
| 4.6 代理服务端程序的实现 |
| 4.7 本章小结 |
| 第5章 测试与结果分析 |
| 5.1 测试项目 |
| 5.2 测试环境 |
| 5.3 测试方案与结果分析 |
| 5.3.1 WEB服务测量功能验证测试 |
| 5.3.2 协作式测量模式准确性测试 |
| 5.3.3 系统资源占用测试 |
| 5.3.4 Internet测量 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（7）基于ADP的能量采集无线传感器网络协同目标跟踪方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 能量采集无线传感器网络的发展现状及动态分析 |
| 1.1.1 无线传感器网络的发展现状 |
| 1.1.2 能量采集无线传感器网络的发展现状 |
| 1.2 无线传感器网络协同目标跟踪问题研究现状 |
| 1.3 自适应动态规划(ADP)发展现状 |
| 1.4 本文的主要工作及结构安排 |
| 2 ADP基础知识 |
| 2.1 动态规划基本理论 |
| 2.1.1 离散时间动态系统的动态规划方法 |
| 2.1.2 连续时间动态系统的动态规划方法 |
| 2.2 ADP的基本思想 |
| 2.3 ADP的典型结构 |
| 2.4 本章小结 |
| 3 基于ADP的协同目标跟踪多传感器调度方法 |
| 3.1 引言 |
| 3.2 模型介绍 |
| 3.2.1 能量采集模型 |
| 3.2.2 能量消耗模型 |
| 3.2.3 基于扩展卡尔曼滤波的目标状态预测与估计模型 |
| 3.2.4 跟踪性能度量 |
| 3.3 协同目标跟踪传感器调度优化问题 |
| 3.4 基于ADP的协同目标跟踪多传感器调度 |
| 3.5 性能分析 |
| 3.5.1 理论分析 |
| 3.5.2 仿真实验 |
| 3.6 本章小结 |
| 4 基于多步预测ADP的协同目标跟踪多传感器调度方法 |
| 4.1 引言 |
| 4.2 跟踪性能的度量 |
| 4.3 协同目标跟踪多步传感器优化调度问题 |
| 4.4 基于多步预测ADP的多传感器调度 |
| 4.5 仿真实验 |
| 4.6 本章小结 |
| 5 基于ADP的多目标跟踪传感器调度方法 |
| 5.1 引言 |
| 5.2 多目标跟踪传感器优化调度问题 |
| 5.3 基于ADP的多目标跟踪传感器调度 |
| 5.4 仿真实验 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 论文工作与创新点 |
| 6.2 未来工作 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（8）面向大规模AGV的多路径TCP性能分析与优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源与研究意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究意义 |
| 1.2 课题相关技术的研究现状 |
| 1.2.1 Wi-Fi网络移动性研究现状 |
| 1.2.2 多路径TCP研究现状 |
| 1.2.3 基于数据挖掘的网络性能测量的研究现状 |
| 1.3 本文研究内容及章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第2章 基于多路径TCP的大规模AGV控制网络 |
| 2.1 研究动机 |
| 2.1.1 大规模AGV控制网络 |
| 2.1.2 AGV掉线问题分析 |
| 2.1.3 AGV掉线问题解决方案对比 |
| 2.2 基于多路径TCP的大规模AGV控制网络方案设计 |
| 2.2.1 基于多路径TCP的大规模AGV控制网络方案总体架构 |
| 2.2.2 代理环境测试及实验 |
| 2.3 基于多路径TCP的大规模AGV控制网络方案应用 |
| 2.3.1 基于多路径TCP的大规模AGV控制网络方案应用 |
| 2.3.2 方案调优 |
| 2.3.3 方案效果 |
| 2.4 本章小结 |
| 第3章 生产环境中的大规模AGV网络性能测量 |
| 3.1 大规模AGV的网络性能测量动机 |
| 3.2 大规模AGV的网络性能测量方案 |
| 3.2.1 测量方案设计 |
| 3.2.2 测量工具开发 |
| 3.2.3 方案部署与数据收集 |
| 3.3 AGV时延变化的原因分析 |
| 3.3.1 数据预处理 |
| 3.3.2 特征工程 |
| 3.3.3 基于决策树模型的数据分析 |
| 3.4 本章小结 |
| 第4章 大规模AGV的多路径TCP核心算法优化 |
| 4.1 引言 |
| 4.2 Keep Full Mesh路径管理算法 |
| 4.2.1 AGV掉线问题分析及解决思路 |
| 4.2.2 Keep Full Mesh路径管理算法设计与实现 |
| 4.2.3 实验分析 |
| 4.3 Probe Jitter Redundant流量调度算法 |
| 4.3.1 AGV减速卡顿停车问题分析及解决思路 |
| 4.3.2 Probe Jitter Redundant流量调度算法设计 |
| 4.3.3 实验分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（9）面向流量工程的SDN分段路由算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景、目的和意义 |
| 1.2 相关领域国内外研究现状 |
| 1.2.1 段列表管理 |
| 1.2.2 负载均衡 |
| 1.2.3 QoS路由 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第2章 相关技术概述 |
| 2.1 SDN |
| 2.1.1 SDN架构 |
| 2.1.2 OpenFlow协议 |
| 2.1.3 SDN网络设备 |
| 2.2 分段路由 |
| 2.2.1 分段路由的相关概念 |
| 2.2.2 分段路由的特点 |
| 2.3 本章小结 |
| 第3章 基于RLMRP的段列表管理算法研究 |
| 3.1 段列表管理主要功能模块 |
| 3.1.1 拓扑发现模块 |
| 3.1.2 初始表项构建模块 |
| 3.1.3 段列表计算模块 |
| 3.2 数学模型 |
| 3.2.1 最长路径匹配原理 |
| 3.2.2 网络资源数目分析 |
| 3.3 核心算法设计 |
| 3.3.1 初始表项构建算法 |
| 3.3.2 LMRP算法 |
| 3.3.3 RLMRP算法 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 算法性能评估 |
| 3.5 本章小结 |
| 第4章 基于CKSP的分段路由负载均衡算法研究 |
| 4.1 负载均衡主要功能模块 |
| 4.1.1 数据包解析模块 |
| 4.1.2 路由计算模块 |
| 4.1.3 重路由模块 |
| 4.2 数学模型 |
| 4.2.1 网络流模型 |
| 4.2.2 CKSP路由计算 |
| 4.3 核心算法设计 |
| 4.3.1 Dijkstra算法 |
| 4.3.2 CKSP算法 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 算法性能评估 |
| 4.5 本章小结 |
| 第5章 基于ACOTC的 SDN QoS路由算法研究 |
| 5.1 SDN QoS指标测量模块 |
| 5.1.1 吞吐量测量 |
| 5.1.2 丢包率测量 |
| 5.1.3 时延测量 |
| 5.1.4 抖动测量 |
| 5.2 SDN QoS路由计算模块 |
| 5.2.1 QoS服务模型 |
| 5.2.2 QoS优先级 |
| 5.2.3 SDN流量控制 |
| 5.2.4 SDN QoS路由计算 |
| 5.3 数学模型 |
| 5.3.1 QoS统计指标 |
| 5.3.2 ACOTC模型 |
| 5.4 核心算法设计 |
| 5.4.1 ACOTC算法 |
| 5.4.2 信息素更新算法 |
| 5.5 实验结果与分析 |
| 5.5.1 实验设置 |
| 5.5.2 算法性能评估 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（10）基于三阶等效电路模型的超声换能器测量系统的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究意义 |
| 1.3 研究现状 |
| 1.4 主要研究工作及创新点 |
| 1.5 论文的基本结构安排 |
| 第二章 系统的理论基础 |
| 2.1 阻抗的基本概念 |
| 2.2 阻抗测量方法与仪器 |
| 2.2.1 阻抗的主要测量方法 |
| 2.2.2 常见的阻抗测量仪器简介 |
| 2.3 频率特性的概念 |
| 2.4 RLC元件的幅频特性 |
| 2.4.1 理想的RLC元件的幅频特性 |
| 2.4.2 实际电路中的RLC元件的幅频特性 |
| 2.5 频率特性的主要测量方法 |
| 2.6 本章小结 |
| 第三章 系统的设计与算法 |
| 3.1 系统的总体设计方案 |
| 3.2 系统的硬件组成 |
| 3.2.1 信号转换与放大 |
| 3.2.2 无线传输 |
| 3.2.3 分类可选测试电路 |
| 3.3 系统的软件编写 |
| 3.3.1 系统的数据采集 |
| 3.3.2 系统的数据波形显示 |
| 3.4 系统的算法和实现步骤 |
| 3.4.1 系统的激励信号和幅频特性求解方法 |
| 3.4.2 最小二乘法 |
| 3.4.3 系统总体测量步骤演示 |
| 3.5 本章小结 |
| 第四章 单个元件的分类测试实验 |
| 4.1 对单个电阻元件进行分类测试算法验证 |
| 4.1.1 对单个电阻元件进行分类测试的算法实现 |
| 4.1.2 对单个电阻元件进行分类测试的实验结果 |
| 4.2 对单个电感元件进行分类测试算法验证 |
| 4.2.1 对单个电感元件进行分类测试的算法实现 |
| 4.2.2 对单个电感元件进行分类测试的实验结果 |
| 4.3 对单个电容元件进行分类测试算法验证 |
| 4.3.1 对单个电容元件进行分类测试的算法实现 |
| 4.3.2 对单个电容元件进行分类测试的实验结果 |
| 4.4 本章小结 |
| 第五章 超声换能器性能指标测量实验 |
| 5.1 超声换能器的等效RLC电路 |
| 5.2 三阶RLC组合电路的验证性实验 |
| 5.2.1 对三阶RLC组合电路进行分类测试的算法实现 |
| 5.2.2 对三阶RLC组合电路进行分类测试的实验结果 |
| 5.3 压电陶瓷超声换能器实物测量 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附录 |
四、网络性能指标及测量技术（论文参考文献）
- [1]面向可编程网络的网络性能指标测量研究[D]. 顾静玲. 电子科技大学, 2021(01)
- [2]网络断层扫描:理论与算法[J]. 李惠康,高艺,董玮,陈纯. 软件学报, 2021(02)
- [3]基于断层扫描的网络测量关键技术研究[D]. 李惠康. 浙江大学, 2020(02)
- [4]基于深度强化学习的自适应光学波前控制研究[D]. 许振兴. 电子科技大学, 2020(03)
- [5]基于Labview的光纤时间传递上位机控制系统[D]. 朱杨. 北京邮电大学, 2020(05)
- [6]基于优化探针的网络性能测量方法研究与工具实现[D]. 任智杰. 哈尔滨工业大学, 2020(12)
- [7]基于ADP的能量采集无线传感器网络协同目标跟踪方法研究[D]. 刘芬. 北京科技大学, 2020(01)
- [8]面向大规模AGV的多路径TCP性能分析与优化[D]. 傅礼玉. 哈尔滨工业大学, 2020(02)
- [9]面向流量工程的SDN分段路由算法研究[D]. 张志鹏. 武汉理工大学, 2020(08)
- [10]基于三阶等效电路模型的超声换能器测量系统的研究[D]. 代岳. 华南理工大学, 2020(02)