網(wǎng)絡擁塞是在網(wǎng)絡中傳輸數(shù)據(jù)包數(shù)量過多時,由于轉發(fā)節(jié)點等資源的限制而引起的數(shù)據(jù)傳輸速率及傳輸性能下降的現(xiàn)象,其本質是網(wǎng)絡本身的處理能力無法滿足用戶對網(wǎng)絡資源的需求。為了增加網(wǎng)絡資源的利用效率,提高網(wǎng)絡傳輸速率,增加用戶網(wǎng)絡使用的幸福度,設計出性能更好的網(wǎng)絡擁塞控制算法是計算機網(wǎng)絡方向的熱點研究課題。本文針對人工設計擁塞控制算法較為繁瑣,人工設計算法的速度無法跟上網(wǎng)絡環(huán)境的變化速度等問題;將網(wǎng)絡擁塞控制問題轉化為機器學習問題,使用機器學習中學習方法替代人工設計,提高了開發(fā)擁塞控制算法的效率。首先,本文首先將網(wǎng)絡擁塞控制問題轉化為機器學習分類問題提出了MLCC算法。MLCC算法以傳統(tǒng)算法作為“教師”收集得到數(shù)據(jù)集,后通過使用分類器模型學習隱藏在數(shù)據(jù)集中映射規(guī)則完美的復現(xiàn)了傳統(tǒng)的網(wǎng)絡擁塞控制算法。實驗證明MLCC算法在吞吐量,公平性,擁塞控制曲線調(diào)整等方面與傳統(tǒng)擁塞控制算法基本相同,驗證了MLCC算法的有效性。將網(wǎng)絡擁塞控制問題轉化為機器學習分類問題后,通過對收集得到的數(shù)據(jù)集中特征和標簽的對應關系分析后得到新的擁塞控制算法的建立可以轉換為數(shù)據(jù)集中新的映射關系的建立�；谏鲜龇治�,本文提出使用半... 

【文章來源】：哈爾濱理工大學黑龍江省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

MLCC與Compound算

哈爾濱理工大學工學碩士學位論文-27-圖3-8中橫軸代表仿真實驗模擬時間，縱軸為擁塞控制窗口大校從圖3-8中可以看出，MLCC算法生成的擁塞窗口控制曲線基本和Compound算法生成的擁塞窗口控制曲線一致如50Mb到500Mb環(huán)境下，MLCC算法曲線和Compound算法曲線基本重合，在10Mb的環(huán)境下，兩個算法雖然沒有重合但兩個算法曲線的變化趨勢是完全相同的。表明了MLCC算法在擁塞窗口的調(diào)節(jié)上和Compound算法基本沒有差別。3.4.2網(wǎng)絡吞吐量實驗本實驗分為兩組進行。第一組中，使用四個發(fā)送端，發(fā)送端都嵌入分類器擁塞控制算法MLCC；第二組中，使用四個發(fā)送端，發(fā)送端使用Compound擁塞控制算法。兩種算法吞吐量的對比如圖3-9所示。圖3-9MLCC與Compound算法網(wǎng)絡吞吐量對比Figure3-9MLCCandCompoundalgorithmnetworkthroughputcomparison在圖3-9中，橫軸代表網(wǎng)絡鏈路的延時和帶寬參數(shù)，縱軸則是吞吐量大�？梢钥闯�，使用MLCC算法的TCP連接產(chǎn)生的吞吐量和使用Compound算法的TCP連接產(chǎn)生的吞吐量基本相等，表明了MLCC算法在吞吐量上和Compound算法基本沒有差別。3.4.3往返延時實驗本實驗分為兩組進行。第一組中，使用四個發(fā)送端，發(fā)送端都嵌入分類器擁塞控制算法MLCC；第二組中，使用四個發(fā)送端，發(fā)送端使用Compound擁塞控制算法。兩種算法的RTT往返時延對比如圖3-10所示：

哈爾濱理工大學工學碩士學位論文-28-圖3-10MLCC與Compound算法RTT對比Figure3-10MLCCversusCompoundalgorithmRTT在圖3-10中，橫軸代表網(wǎng)絡鏈路的延時和帶寬參數(shù)，縱軸為RTT大校我們同時對比了MLCC和Compound算法的最大鏈路時延MAX-Compound和MAX-MLCC、最小鏈路時延MIN-Compound和MIN-MLCC和平均鏈路時延AVG-Compound和AVG-MLCC�？梢钥闯�，使用MLCC算法的TCP連接的時延和使用Compound算法的TCP連接產(chǎn)生的連接的時延基本相等，表明了MLCC算法在時延上的表現(xiàn)和Compound算法基本沒有差別。3.4.4協(xié)議內(nèi)公平性實驗本實驗分為兩組進行。第一組中，使用四個發(fā)送端，發(fā)送端都嵌入分類器擁塞控制算法MLCC；第二組中，使用四個發(fā)送端，發(fā)送端使用Compound擁塞控制算法。兩種算法的網(wǎng)絡公平性指數(shù)進行計算并對比如圖3-11所示。圖3-11MLCC與Compound算法協(xié)議內(nèi)公平性因子對比Figure3-11comparisonoffairnessfactorsbetweenMLCCandCompoundalgorithm

【參考文獻】：
期刊論文
[1]基于XGBoost的短時交通流預測模型[J]. 鐘穎,邵毅明,吳文文,胡廣雪.  科學技術與工程. 2019(30)
[2]基于卷積神經(jīng)網(wǎng)絡和XGBoost的情感分析模型[J]. 韓濤,尹偉石,方明.  復旦學報(自然科學版). 2019(05)
[3]基于超像素多特征融合的快速圖像分割算法[J]. 侯小剛,趙海英,馬嚴.  電子學報. 2019(10)
[4]有監(jiān)督主題模型的SLDA-TC文本分類新方法[J]. 唐煥玲,竇全勝,于立萍,宋英杰,魯明羽.  電子學報. 2019(06)

博士論文
[1]TCP技術在內(nèi)容分發(fā)網(wǎng)絡上的應用研究[D]. 章俊.清華大學 2016

碩士論文
[1]基于FAST TCP擁塞控制分析與改進的研究[D]. 黃鐵.華中師范大學 2015



本文編號：2983403