1、隨著現(xiàn)代網(wǎng)絡(luò)技術(shù)的高速發(fā)展，新的網(wǎng)絡(luò)服務(wù)不斷涌現(xiàn)，人們對通信質(zhì)量的要求也越來越高，這也帶來了一系列的問題，比如網(wǎng)絡(luò)的兼容性差、網(wǎng)絡(luò)業(yè)務(wù)延遲嚴重、業(yè)務(wù)流擁堵、網(wǎng)絡(luò)的負載均衡效果差等問題。而且傳統(tǒng)的流量預測模型一般只處理流量的短相關(guān)特性或長相關(guān)特性，不能完整地刻畫網(wǎng)絡(luò)流量的突發(fā)性、混沌性、自相似性、周期性等其它特性，導致預測誤差較大。同時，現(xiàn)有的網(wǎng)絡(luò)負載機制一般不能對網(wǎng)絡(luò)狀況提前感知并自適應地調(diào)整網(wǎng)絡(luò)參數(shù)，導致網(wǎng)絡(luò)一定的遲滯性，無法保證網(wǎng)絡(luò)

2、業(yè)務(wù)QoS。因此，建立一個精確的網(wǎng)絡(luò)流量預測模型和高效的負載均衡機制，已成為國內(nèi)外學者研究的熱點。
　　認知網(wǎng)絡(luò)具有自主學習和重配置能力，它通過提前感知網(wǎng)絡(luò)環(huán)境，智能、自適應地調(diào)整網(wǎng)絡(luò)參數(shù)，從而實現(xiàn)網(wǎng)絡(luò)的負載均衡，并能有效地提高網(wǎng)絡(luò)資源利用率，保證網(wǎng)絡(luò)業(yè)務(wù)的QoS。因此，針對上述問題，并結(jié)合認知技術(shù)，本文搭建了基于Kohonen網(wǎng)絡(luò)的組合式流量預測模型。該模型根據(jù)Kohonen網(wǎng)絡(luò)訓練速率快、分類性能強、抗噪聲能力強等特性，來提高

3、對多尺度、非線性的流量的預測精度。同時，本文又在基于Kohonen神經(jīng)網(wǎng)絡(luò)流量預測模型的基礎(chǔ)上，改進目前廣泛應用的加權(quán)最小連接調(diào)度算法，建立了認知網(wǎng)絡(luò)中基于Kohonen網(wǎng)絡(luò)流量預測的負載均衡模型。通過認知網(wǎng)絡(luò)的感知特性，提前配置網(wǎng)絡(luò)的可用資源，實現(xiàn)對業(yè)務(wù)流動態(tài)、實時的調(diào)度，最終實現(xiàn)網(wǎng)絡(luò)的負載均衡。
　　本文具體的工作和研究成果：
　　首先，本文介紹了認知網(wǎng)絡(luò)的概念和模型，重點研究了認知網(wǎng)絡(luò)自學習、自適應的特性。并簡要介紹了

4、網(wǎng)絡(luò)流量的多種不同的特性，同時，結(jié)合這些特性，仔細分析和研究了現(xiàn)階段的流量預測模型和負載均衡模型，并相應的總結(jié)了它們的優(yōu)缺點。
　　其次，設(shè)計了一種基于認知網(wǎng)絡(luò)的Kohonen神經(jīng)網(wǎng)絡(luò)組合式流量預測模型。
　　本文選擇認知網(wǎng)絡(luò)作為主要研究方向，根據(jù)認知網(wǎng)絡(luò)的自學習、自適應的特性，同時又重點引入Kohonen神經(jīng)網(wǎng)絡(luò)。利用Kohonen神經(jīng)網(wǎng)絡(luò)學習速率快、分類精度高、抗噪聲能力強、自組織和自適應、訓練收斂速度快、聚類等特性，同

5、時結(jié)合小波在多尺度數(shù)據(jù)分解的優(yōu)勢，AR模型在線性數(shù)據(jù)處理方面的優(yōu)勢，BP神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)擬合方面的優(yōu)勢以及LMS技術(shù)，設(shè)計了一種基于認知網(wǎng)絡(luò)的Kohonen神經(jīng)網(wǎng)絡(luò)組合式流量預測模型。首先，將網(wǎng)絡(luò)流量經(jīng)過LMS處理，然后，通過小波變換，將流量分解為高頻部分和低頻部分，并分別采用Kohonen模塊和自回歸AR組合模塊進行預測，最后，重組預測流量，并用BP網(wǎng)絡(luò)進行進一步擬合。通過Matlab軟件一步步仿真，經(jīng)過驗證得到，該模型相比較其它傳統(tǒng)網(wǎng)

6、絡(luò)流量預測模型，有效地改善了結(jié)構(gòu)復雜的網(wǎng)絡(luò)流量預測精度。
　　最后，設(shè)計一種認知網(wǎng)絡(luò)中基于Kohonen網(wǎng)絡(luò)流量預測模型的動態(tài)負載均衡模型及其對應改進的流量調(diào)度算法。
　　本文將上一章的基于Kohonen神經(jīng)網(wǎng)絡(luò)的組合式流量預測模型結(jié)合認知網(wǎng)絡(luò)，并改進現(xiàn)有的加權(quán)最小連接調(diào)度算法。由于該算法沒有自學習，自適應的特征，同時又沒有綜合考慮服務(wù)器的參數(shù)性能，導致網(wǎng)絡(luò)具有一定的滯后性，因此，提出了一種認知網(wǎng)絡(luò)中基于Kohonen神經(jīng)網(wǎng)

7、絡(luò)預測模型的負載均衡模型和改進的流量調(diào)度算法。該模型根據(jù)認知網(wǎng)絡(luò)認知和學習的特性，提前學習和調(diào)整網(wǎng)絡(luò)參數(shù)，并結(jié)合本文改進的流量調(diào)度算法，最終實現(xiàn)網(wǎng)絡(luò)的負載均衡。本文用OPNET軟件對新的負載均衡模型進行仿真，分別仿真了對應的進程模型、節(jié)點模型、網(wǎng)絡(luò)模型，并對服務(wù)器的負載效果和網(wǎng)絡(luò)延遲與一般網(wǎng)絡(luò)未改進的加權(quán)最小連接調(diào)度模型進行對比分析。結(jié)果表明，認知網(wǎng)絡(luò)中基于Kohonen網(wǎng)絡(luò)預測模型改進的負載均衡算法有效地提高了服務(wù)器的負載均衡效果，并