针对网络中存在的对等网络（P2P）流量泛滥导致的流量失衡问题，提出将非平衡数据分类思想应用于流量识别过程。通过引入合成少数类过采样技术（SMOTE）算法并进行改进，提出了均值SMOTE （M-SMOTE）算法，实现对流量数据的平衡化处理。在此基础上分别采用3种机器学习分类器：随机森林（RF）、支持向量机（SVM）、反向传播神经网络（BPNN）对处理后各类流量进行识别。理论分析与仿真结果表明，在不影响P2P流量识别准确率的前提下，与非平衡状态相比，引入SMOTE算法将非P2P流量的识别准确率平均提高了16.5个百分点，将网络流量的整体识别率提高了9.5个百分点；与SMOTE算法相比，M-SMOTE算法将非P2P流量的识别准确率与网络流量的整体识别率分别进一步提高了3.2个百分点和2.6个百分点。实验结果表明，非平衡数据分类思想可有效解决P2P流量过多导致的非P2P流量识别率低的问题，同时所提M-SMOTE算法具有更高的识别准确度。

针对传统片上网络(NoC)流量模型的空间分布不符合实际应用中通信局部化特性、网络带宽开销大的问题,提出一种基于Rent规则的NoC局部化特性流量生成算法。该算法通过建立有限Mesh结构的通信概率分布模型,并利用通信概率矩阵对各节点匀速发包获得合成流量,实现通信局部化。实验模拟了不同局部化程度、不同网络尺寸的合成流量;仿真结果表明,与Random Uniform、Bit Complement、Reversal、Transpose、Butterfly等5种传统合成流量相比,该算法合成流量的局部化程特性更好、网络带宽开销更低,接近实际通信流量。

针对较大规模片上网络(NoC)远端节点和邻近节点之间的通信问题，提出一种基于区域划分的层次化簇状分层网（CHM）结构。在此基础上，针对中间节点拥塞严重导致网络性能降低的问题，提出一种基于源区域路径选择的自适应算法。该算法利用CHM结构区域特性将路由决策由源节点移至源区域，同时在原有底层和上层节点对的基础上增加自适应节点对，并增加该部分节点对路由选择性，从而缓解网络拥塞状况。仿真实验表明，与最短路径算法相比，在合成流量和局部化流量模式下，该算法下的CHM结构饱和注入率最多可分别提升约51%和31%，因此该算法可有效提升网络整体吞吐性能。

分析了分级移动IPv6（HMIPv6）现有移动锚点（MAP）选择算法的不足，提出了一种支持负载分担的新算法。该算法利用MAP的优先级值来表征MAP自身的负载情况，引入了分担门限对特定MAP的负载情况进行考察，并依据考察结果动态调整MAP选择策略，实现方法简单易行。仿真结果表明，该算法在有效减少协议开销的同时，达到了较好的负载分担效果。