基于模糊神经网络的RTT智能预测算法.docVIP

基于模糊神经网络的RTT智能预测算法 　　摘要：在网络拥塞控制的重要参数中，RTT（Round trip time）尤为突出，因为它能对网络所发生的拥塞作出较早的反映。所以对RTT的精确预测程度，无论是对网络拥塞控制还是流量、带宽估计都很有意义。分析了RTT的特性，发现其有很强的高频噪声，因而采用低通滤波和MBP网络相结合的RTT预测策略。实验表明，即使在网络状况较忙的情况下，也能获得很好的预测结果。 　　关键词：网络拥塞控制；往返延时； 模糊神经网络； 智能预测 　　中图分类号：TP312 文献标识码：A 文章编号2013）009005303 　　基金项目：江苏省高校自然科学基金项目（13KJB520007） 　　作者简介：张莉（1981-），女，硕士，天津现代职业技术学院讲师，研究方向为软件开发、数据库应用；邹宽胜（1983-），男，博士，江苏师范大学讲师，研究方向为图像处理、多媒体检索。 　　0引言 　　RTT作为网络拥塞控制的重要参数，能对网络所发生的拥塞作出较早的反映。文献[1]根据求得的RTT估计值，提出一种RTT驱动的拥塞控制算法，此算法在实时性和网络状态的震荡抑制等方面，比基于丢包率的拥塞控制算法有明显改善。 　　选取公式（1）来估计RTT的值： 　　RTTn+1=RTTn+gE （E=RTTm-RTTn） （1） 　　其中RTTm为当前所测得的RTT值；RTTn为上一探测包的平均RTT估值，g∈（0，1]。不同网络或同一网络的不同时段对g的选取有很大影响。文献[2]针对可靠组播传输，提出了一种基于主动式网络的往返行程时间估算策略，可靠组播协议借助这一策略可以有效地减少网络中不必要的控制信息，根据网络环境可以及时准确地确定进入网络的数据包速率，从而提高整个组播组的吞吐量。RTT预测研究目前是一个热点问题，对RTT进行精确预测很有意义。文献[3]采用基于波形平滑指数和波形突变指数的滑动窗口加权平均RTT估计算法，对RTT值进行平滑估计。利用神经网络对RTT进行了预测，达到了较好的效果。但这仅限于网络比较空闲的状态下。利用算术平均滤波和BP网络相结合的办法，对RTT进行预测，在网络较拥塞的情况下，预测结果不太理想。这是由于RTT误差值随着网络负荷加重时也会增加，因为队列延时和延时的抖动都会随着网络拥塞程度加重而明显增加。另外，在网络拥塞时会导致数据包或ACK包丢失，这些都会导致估计RTT的难度增加并且估计出的RTT值也不准确，出现一些波动，导致网络有时出现训练失控状态。所以本文采用了低通滤波和MBP网络相结合的预测策略。本文主要分析了RTT的特性，发现其有很强的高频噪声，采用低通滤波和MBP网络相结合的RTT预测策略。实验表明，即使在网络状况较忙的情况下，也能获得很好的预测结果。 　　1网络往返延时特性 　　网络环境和网络设备的性能对数据吞吐量影响很大，致使网络上的数据具有较强的随机性，常常表现为短期的高频噪声。由于网络中两个节点之间的通信数据流可以有很多的路径到达，如果每个数据包所流经的路径不同， RTT就可能不同；另一方面，即使每个数据包是经由相同的路径到达目的节点，但是由于这个路径中的网络设备是网络共享的，在不同的数据包通过时网络设备所承担的数据传送任务也不会相同，这就导致RTT也可能不相同，相关研究结果的准确性会受到这种短期噪声导致的随机性影响。 　　网络状况和网络设备性能在较长期内的参数是相对稳定的。由于网络数据是在随机和稳定这两种因素的共同制约下产生的，所以滤波对于研究网络数据是必不可少的，因为此时我们主要关注的是网络节点的群体行为给予网络数据的规律性。 　　2RTT数据预处理 　　低通滑动滤波算法的思想为：取a为（0，1）之间的数据，则： 　　本次滤波结果=（1-a）×本次采样值+a×上次滤波结果。它的优点在于对周期性的干扰具有很好的抑制作用，适用于波动频率较高的场合。选取a=0.05。 　　RTT的测试实验是在校园网上进行的。源节点和反馈节点分别位于天津职业技术师范大学和天津工业大学。在实验中，每隔100ms就发送200个10bytes大小的TCP数据包，然后记录发送时间和接收返回结果的时间，并计算它们的差值，差值就是RTT。 　　3基于MBP网络的RTT预测算法 　　图1所示，RTT在网络比较忙的时候，有极强的波动性，用BP网络作为RTT智能预测器，采用低通滤波和BP网络相结合的算法，预测曲线有太多毛刺，在RTT值突变更大的情况下，极容易出现失控现象。由于BP网络是一种全反传式的前向网络，所以BP网络学习算法的收敛速度很慢，即只要存在误差反传信号，网络所有层的权值将会统一修正，这样就会拖延学习时间。如果在修正神经网络的误差反传权值时增加一个协