面向复杂、多样、异构的网络,稳定、高效、智能的拥塞控制的研究是一个重要且具有挑战性的课题。论文在大系统控制论的指导下,结合智能建模方法,研究并构建了“基于多重广义算子的复杂网络”模型,进而,以多重广义算子模型为基础,以分解-联合模式,从横向及纵向、多粒度、多角度展开了复杂网络智能拥塞控制研究的科研工作。论文的主要研究工作:网络技术的发展、应用的深入、用户的普及多方面不断的融合促进,带来了多元、异构、混合的复杂网络时代。复杂网络的复杂概括了网络在技术、结构、数据等多方面的特性,我们从两种代表性的复杂网络系统,端到端系统及非端到端系统展开了关于智能拥塞控制的研究。网络作为一个复杂的大系统,拥塞控制的研究无论是在网络源端、链路还是在自主移动节点的路由策略方面的工作,都不是一个独立自治的过程,各对象、各过程之间应该是一个协作的整体,达到协同智能、控制优化的目标。论文的主要研究内容和创新点如下:(1)研究了多重广义算子模型的建模方法,定义了“多层广义算子复杂网络模型”的概念,根据大系统控制论的“广义模型化”的思想,基于“多重广义算子建模方法”,论述了复杂网络广义算子模型构建的约束条件,给出了复杂网络多重广义算子模型的架构。为解决模型构建中的随机性与模糊性,借鉴“云模型”的思想和方法,提出了基于云模型的模型评价方法,应用于Internet建模评价中,并给出了具体的评价过程,验证了方法的有效性及合理性。(2)分析讨论了现有TCP源端拥塞控制算法在高误码率、低带宽、非对称链路、长时延的混合异构复杂网络中,面临的挑战和性能下降的问题,深入分析算法在参数及负载的敏感性、未区分拥塞程度和丢包类型等局限性问题,提出基于带宽预估自适应源端拥塞控制方法,算法针对不同网络状况能够对链路带宽及其波动性进行较为实时和准确的估计,实现了网络传输中对于丢包、延迟和拥塞控制参数等关键指标一定程度上的解耦;通过反映网络拥塞状态的带宽利用率因子细化了控制方案,实时有效、适度地进行网络拥塞控制。实验结果表明,该方法能针对不同网络状况进行实时拥塞控制,吞吐量、丢包容忍和延迟等相比已有的拥塞控制算法有显著提升。(3)讨论了链路级拥塞控制的重要性,并针对传统的链路控制算法RED中队列长度与丢包设置的线性增长关系所造成的性能不稳定问题,以及算法变量参数的优化问题,提出了基于隶属云理论的非线性链路拥塞控制算法,利用半升云隶属模型,重点解决了丢包率函数非线性处理和参数自适应动态设定问题。仿真对比实验结果表明,算法在丢包率、平均队列长度、时延抖动、吞吐量方面的性能均有比较好的表现,而且对RED算法存在的全局同步现象也有一定的改善。(4)不存在完整链路的复杂网络系统的应用与关注正在不断地扩展,以机会网络为典型的研究对象,从路由策略设计的角度研究其拥塞控制算法。结合深度学习模型进行社会属性挖掘,借鉴和扩展社会网络的研究成果,基于社会感知,将节点的社会属性及社会关联引入到路由决策中,提出了基于节点关系和社区协作的机会网络路由算法,算法不仅结合了节点的社会属性并充分考虑了社会性的动态演化特征,根据节点间的社会关系强度动态自适应地将节点分割为多个社区,以节点社会属性与社区间协作共同完成机会路由转发。仿真结果表明,算法能够有效提高消息的投递率,降低网络的转发时延,减小网络资源的耗费。