| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.1.1 认知网络的研究和发展 | 第11-12页 |
| 1.1.2 认知网络的概念和模型 | 第12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 网络流量预测模型研究现状 | 第13-14页 |
| 1.2.2 负载均衡的研究现状 | 第14-15页 |
| 1.3 论文的主要研究内容和结构安排 | 第15-17页 |
| 第2章 网络流量预测和负载均衡的关键技术及介绍 | 第17-27页 |
| 2.1 网络流量特征 | 第17-18页 |
| 2.2 流量预测的短相关模型 | 第18-22页 |
| 2.2.1 马尔科夫模型 | 第19页 |
| 2.2.2 回归模型 | 第19-22页 |
| 2.2.3 短相关模型的缺点 | 第22页 |
| 2.3 流量预测的长相关模型 | 第22-24页 |
| 2.3.1 开关模型 | 第22-23页 |
| 2.3.2 分形布朗运动模型 | 第23-24页 |
| 2.3.3 长相关模型缺点 | 第24页 |
| 2.4 负载均衡概述 | 第24-25页 |
| 2.5 常用的负载均衡算法 | 第25-26页 |
| 2.6 常用的负载均衡算法缺陷 | 第26页 |
| 2.7 本章小结 | 第26-27页 |
| 第3章 认知网络中基于Kohonen神经网络的组合式流量预测模型 | 第27-52页 |
| 3.1 传统神经网络 | 第28-36页 |
| 3.1.1 BP神经网络 | 第31-34页 |
| 3.1.2 Elman神经网络 | 第34-35页 |
| 3.1.3 自适应线性神经网络 | 第35-36页 |
| 3.2 Kohonen神经网络 | 第36-41页 |
| 3.2.1 Kohonen神经网络结构 | 第38页 |
| 3.2.2 Kohonen神经网络算法 | 第38-41页 |
| 3.3 基于Kohonen神经网络的组合式流量预测模型 | 第41-46页 |
| 3.3.1 新预测模型结构 | 第42-43页 |
| 3.3.2 新模型Kohonen的训练算法 | 第43-44页 |
| 3.3.3 Kohonen分类预测的内部结构和预测算法 | 第44-45页 |
| 3.3.4 新预测模型的LMS算法 | 第45-46页 |
| 3.3.5 新预测模型的小波分解 | 第46页 |
| 3.4 仿真与分析 | 第46-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 认知网络中基于Kohonen预测模型的负载均衡 | 第52-64页 |
| 4.1 基于Kohonen预测网络的负载均衡总体设计 | 第53页 |
| 4.2 基于Kohonen预测网络的调度方案 | 第53-54页 |
| 4.3 改进的加权最小连接调度算法 | 第54-56页 |
| 4.4 改进的加权最小连接的流量调度算法实现 | 第56-57页 |
| 4.5 仿真与分析 | 第57-63页 |
| 4.5.1 基于Kohonen网络预测模型对应的进程模型 | 第58页 |
| 4.5.2 改进的加权最小连接流量调度对应的进程模型 | 第58-59页 |
| 4.5.3 基于Kohonen网络流量预测模型对应的节点模型 | 第59页 |
| 4.5.4 改进的加权最小连接流量调度对应的节点模型 | 第59-60页 |
| 4.5.5 网络模型 | 第60-61页 |
| 4.5.6 服务器负载效果分析 | 第61-62页 |
| 4.5.7 网络延迟分析 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第5章 总结与展望 | 第64-67页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 附录 | 第72页 |
