基于强化学习的网络拥塞控制结题报告.docVIP

基于强化学习的网络拥塞控制结题报告

一、研究背景与问题提出

随着5G、物联网、云计算等技术的快速普及，全球互联网流量呈现出爆发式增长态势。据国际数据公司（IDC）预测，2025年全球数据总量将达到175ZB，其中跨区域数据传输占比超过60%。传统网络拥塞控制机制如TCPReno、CUBIC等，基于固定的启发式规则设计，在面对复杂多变的网络环境时暴露出明显局限性。例如，在高带宽延迟积（BDP）网络中，传统TCP协议的窗口增长机制无法充分利用网络带宽；在无线网络场景下，随机丢包与拥塞丢包的误判导致吞吐量急剧下降；而在多路径传输环境中，传统协议难以实现路径间的流量动态分配。

强化学习（ReinforcementLearning,RL）作为一种通过试错与奖励机制优化决策的机器学习方法，为解决网络拥塞控制问题提供了新的思路。与传统基于模型的方法不同，强化学习智能体能够通过与环境的持续交互，自主学习最优的拥塞控制策略，无需预先设定复杂的网络模型。本研究旨在构建基于强化学习的网络拥塞控制框架，突破传统协议的性能瓶颈，实现复杂网络环境下的高效、稳定传输。

二、相关研究现状分析

（一）传统拥塞控制协议的演进

TCP协议自1974年诞生以来，经历了多次重要演进。早期的TCPTahoe协议采用慢启动和拥塞避免机制，通过超时重传检测拥塞；TCPReno在此基础上引入快速重传和快速恢复算法，提升了