针对基于相关函数的波达方向(direction of arrival,DOA)估计方法在冲击噪声环境下性能下降明显甚至失效的问题,提出基于相关熵(Correntropy)的二维ESPRIT算法;该方法利用相关熵在冲击噪声环境下具有鲁棒性的优点,将受干扰信号的自相关函数替换为相关熵函数,并结合二维ESPRIT算法实现在冲击噪声环境下进行二维DOA估计;仿真表明,与基于分数低阶统计(Fractional Lower Order Statistics,FLOS)算法相比,该算法呈现明显优势,特别在高的冲击噪声条件下(1<α<1.5)能对信源方向进行更加有效的估计,且均方误差值仍保持很低。
对传统网络自身的高分布特性难以实现网络智能化部署以及在传输过程中因网络拥塞带来的高丢包率等问题进行分析,设计一种在软件定义网络(Software Defined Network,SDN)中基于深度强化学习的路由(Deep Reinforcement Learning Routing in Software Defined Network,DRLR-SDN)算法。该算法通过将SDN与深度强化学习算法相结合,实现网络优化与网络资源的智能化管理,用以改善因网络拥塞带来的高丢包率问题。同时,设计了一种可调节的奖励机制实现源交换机和目的交换机之间的上下行调节,通过训练、学习并预测网络的行为,降低网络传输过程中的丢包率。实验结果表明,与非SDN结构相比,DRLR-SDN算法的加入能够降低网络时延、减弱网络抖动、降低网络丢包率,增大网络吞吐量。
针对软件定义网络(software defined network,SDN)中控制器发生故障问题,提出了一种基于多种群粒子群算法的SDN控制器故障恢复策略。从其他正常工作的子控制器集合中挑选出能够容纳失控交换机负载的备份控制器集,将精英种群与子种群组成多种群粒子群,采用预选和交互机制演化出备份控制器的最优位置,以保证交换机与控制器之间的传播时延最小,完成失控交换机的迁移。实验结果表明,相比于现有的控制器故障恢复算法,该算法在恢复时间、控制器负载利用方面均有所提升。
