基于场景变化的传输控制协议拥塞控制切换方案.docxVIP

基于场景变化的传输控制协议拥塞控制切换方案 0引言传输控制协议（Transmission Control Protocol，TCP）拥塞控制是网络传输的传统问题，也是核心问题，传统的TCP协议通过调整拥塞窗口的方式来进行拥塞控制。而拥塞窗口的调整主要通过慢启动、拥塞避免、快速重传和快速恢复四个机制来实现，从而在避免拥塞的情况下实现吞吐量的最大化当前，在学术界和工业界，人工智能的研究与应用发展迅猛，包含机器学习、深度学习和深度强化学习等人工智能（Artificial Intelligence，AI）方法正越来越多地被应用于解决各种实际问题，并在人脸识别、推荐系统、语音识别、工业机器人等一系列领域取得了相当显著的成果。近年来，许多学者开始将人工智能方法用于TCP拥塞控制的领域本文的主要研究目标，就是在综合已有研究方案，尤其是轻量级基于学习的拥塞控制算法优缺点的基础上，提出一个新的基于场景变化的拥塞控制切换算法，力求能够提升吞吐量，降低时延，使网络的性能表现得到提高，最终目的是为了能够将基于学习的拥塞控制方案平稳地部署到日常的网络中。因此，本文先在全场景下分析基于学习的拥塞控制算法的优缺点，着重考察它们在不同场景、维度下的性能指标。以此为基础，提出基于场景变化的拥塞控制切换方案，并在网络仿真器3（Network Simulator 3，NS3）平台上进行仿真实验以验证其性能，将实验结果与已有方法进行对比，思考优缺点并做进一步的调试，最终实现上述目标。 以下是本文的组织结构：第1章为国内外研究现状，主要分传统拥塞控制、轻量级基于学习的拥塞控制、强化学习拥塞控制三类对国内外已有的拥塞控制方法进行概述，并对他们的优势与弱项进行简要的总结；第2章为现有方案的全场景性能分析，本章对NS3仿真实验的框架和带宽、延迟等参数的设置进行了介绍，通过大量的实验，在多种不同的网络场景下，从多种维度，对轻量级基于学习的拥塞控制算法的性能进行考察，总结出这些算法在各个场景下的优缺点，并找出每个场景下最适用的算法；第3章提出了基于场景变化的拥塞控制切换方案。从三个层次由浅入深地阐述方案的设计思路。在每个层次的方案概述之后，都使用NS3实验平台进行多组仿真实验，并用详细直观的图表展现实验结果；第4章为结语，本章对实验得到的结论进行了简要的概括，总结了本文的全部工作，并指出了文章所存在的不足，对未来的工作进行了展望。1国内外研究现状1.1轻量级基于学习的拥塞控制随着传统拥塞控制在吞吐量、时延、丢包率等指标上的表现越来越不符合用户的需求，以及近年来计算机算力的提升与人工智能的重新兴起，许多研究人员开始将机器学习、深度学习和强化学习等基于人工智能的方法应用到拥塞控制研究当中，亦取得了一定的成果。而这其中的主流是轻量级基于学习的拥塞控制，所谓“轻量级”，就是指这其中使用例如启发式算法、效用函数、梯度下降等未涉及深度学习（包括深度强化学习）的一类拥塞控制算法，这类算法训练时间短、成本低，因而称其“轻”。以下简要叙述使用该类方法的几项研究工作。1.1.1 PCC和PCC-VivacePCC是一个直接由发送端观测到的性能表现来决定下一时刻动作的算法。每个发送端只观察其动作与性能表现的联系，采用能带来最佳性能的动作。TCP硬连接映射需要对网络条件作出假设，但现实网络状况往往比假设复杂得多，且一旦不满足假设，后续的动作对性能非常有害（例如窗口减半）。而PCC使用实时数据，无任何假设，使用效用函数来描述“高吞吐量和低丢失率”。其收敛速度与TCP相近，且速率方差更小。下一时刻的发送速率由以下效用函数下面简要介绍PCC的控制算法，算法分为起始状态、决策状态和速率调整状态。起始状态：起始速率用最大报文段长度（Maximum Segment Size，MSS）和往返时间（Round-Trip Time，RTT）表示，起始速率为决策状态：使用RCTs（多重随机实验）速率调整状态：决策状态之后得到的速率其中PCC相比TCP的优点：同一个PCC学习算法可以适应不同的情况，但TCP不行——从基于延迟变换到基于丢包率，TCP需要例如active queue managementPCC存在的问题主要在于效用函数的选择：是否存在效用函数收敛到纳什均衡同时TCP友好（TCP友好性表示该算法能够与传统TCP流友好共处、公平竞争）？文章中介绍的效用函数都不包含时延，那么包含时延的效用函数是否可被证明收敛并且与默认效用函数表现一样好？这些问题都有待解决。针对PCC存在的问题，该研究小组之后又发表了PCC的升级版PCC-Vivace其中PCC-Vivace使用了修改后的同样是基于梯度上升的速率调节算法