基于深度强化学习的网络拥塞控制结题报告.docVIP

基于深度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发展，全球互联网流量呈现出爆炸式增长态势。据国际数据公司（IDC）统计，2025年全球数据总量将达到175ZB，且仍以每年20%以上的速度持续增长。海量数据的传输对网络带宽、延迟和可靠性提出了更高要求，而网络拥塞作为制约网络性能提升的核心问题，愈发受到学术界和工业界的关注。

传统的拥塞控制机制如TCPReno、CUBIC等，主要基于启发式规则和固定算法调整发送速率，在面对复杂多变的网络环境时存在明显局限性。例如，TCPReno通过丢包判断拥塞，容易导致误判和吞吐量下降；CUBIC在长肥管道网络中表现较好，但在短距离高带宽场景下适应性不足。此外，传统机制难以应对异构网络（如卫星网络、车载网络）、动态流量（如实时视频、AR/VR应用）和突发业务带来的挑战，无法实现全局最优的资源分配。

深度强化学习（DeepReinforcementLearning,DRL）作为人工智能领域的前沿技术，通过智能体与环境的交互学习最优策略，为解决复杂动态系统的决策问题提供了新途径。将DRL应用于网络拥塞控制，有望突破传统机制的瓶颈，实现更加智能、高效、自适应的流量管理。

二、相关研究现状

（一）传统拥塞控制算法的演进

自TCP协议诞生以来，拥塞控制算法经历了多次迭代优化。早期的TCPTahoe和