未来通信网络将朝着智能性和自适应性方向发展,认知网络在这一背景下应运而生。认知网络是一种智能的网络系统,它能够对当前网络状况进行感知以及对未来网络的变化状况进行预测,并以此为基础作出更加智能的决策,提高资源利用率。但同时,认知网络对网络资源管理分配的方法也提出了新的需求。论文主要研究认知网络端到端的资源管理与分配技术。本论文的主要工作包括以下几个方面:(1)在认知网络中,能够影响业务服务质量的多种网络因素均应被视为认知网络可以管控的资源。在本文分析端到端传输场景中,主要选取最为重要的链路资源和节点资源作为管控的对象。通过对链路资源和节点资源进行表征,扩展了传统网络对资源的定义。然后把链路资源和节点资源进行关联处理,成为统一管理分配的基础。最后根据认知网络的特点提出了资源分配算法模型。(2)对端到端流量预测算法进行研究。本论文对马尔科夫流量预测模型进行改进,提出了减法聚类的马尔科夫流量预测算法。算法首先将端到端流量样本进行模糊聚类,求出隶属度矩阵,然后根据隶属度矩阵建立马尔科夫转移概率矩阵,根据建立的转移模型获得端到端的流量预测。(3)对认知网络的资源分配策略进行详细的讨论。针对传统干扰最小化算法缺乏对未来流量的预测,只是单纯的对所有入出口对执行最大流计算并确定其关键链路集合的不足,提出了基于流量预测的干扰最小化资源分配算法。根据减法聚类的马尔科夫预测模型预测出未来流量的变化,结合节点对的最大网络流值,计算出各链路的权值,并将其作为链路资源重要性的评判标准:链路的权值越大,越是需要保护的。同时,针对基于流量预测的干扰最小化资源分配没有考虑到面向用户服务质量时,需要考虑时延这一属性。本文提出了基于流量预测的干扰和时延联合优化资源分配算法。把多目标优化通过模糊评判转化为单目标优化,然后通过改进式的启发式搜索算法进行路径搜索。