網(wǎng)絡(luò)已經(jīng)滲透到社會(huì)經(jīng)濟(jì)、文化和科學(xué)等各個(gè)領(lǐng)域,網(wǎng)絡(luò)性能的好壞直接或間接影響到人們的生活。當(dāng)前網(wǎng)絡(luò)中大部分?jǐn)?shù)據(jù)流和業(yè)務(wù)都是基于TCP的,因而用戶所能感知到的網(wǎng)絡(luò)性能的好壞主要取決于TCP的性能。傳統(tǒng)的TCP性能分析從吞吐量、延遲和丟包率等TCP數(shù)據(jù)傳輸?shù)恼w考慮,無(wú)法表征TCP數(shù)據(jù)傳輸過(guò)程中更細(xì)致的特征。而TCP狀態(tài)能從數(shù)據(jù)包級(jí)反映出TCP的性能,從而更細(xì)致的分析出影響TCP性能的因素。本文圍繞TCP狀態(tài)進(jìn)行研究,主要包括構(gòu)建TCP狀態(tài)數(shù)據(jù)集和使用不同的算法對(duì)TCP狀態(tài)進(jìn)行估計(jì)。1)針對(duì)現(xiàn)有研究中沒(méi)有TCP狀態(tài)數(shù)據(jù)集,我們通過(guò)研究TCP協(xié)議,修改Linux內(nèi)核的網(wǎng)絡(luò)協(xié)議棧,將ssthresh和cwnd字段添加到TCP頭部選項(xiàng)中。之后搭建數(shù)據(jù)采集平臺(tái),在多場(chǎng)景中采集TCP數(shù)據(jù),對(duì)TCP狀態(tài)進(jìn)行標(biāo)注,構(gòu)建了多網(wǎng)絡(luò)場(chǎng)景下的TCP狀態(tài)數(shù)據(jù)集。2)針對(duì)TCP狀態(tài)估計(jì)問(wèn)題,提出了基于規(guī)則的TCP狀態(tài)估計(jì)算法。通過(guò)研究TCP數(shù)據(jù)傳輸在不同狀態(tài)下的表現(xiàn),使用改進(jìn)后的Self-Clocking算法估計(jì)RTT,然后估計(jì)cwnd,設(shè)計(jì)規(guī)則對(duì)TCP狀態(tài)進(jìn)行估計(jì)。運(yùn)用擁塞窗口平滑技術(shù)平滑cwnd估計(jì)誤差,提高TC... 

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)
第2章 TCP狀態(tài)數(shù)據(jù)集
    2.1 TCP協(xié)議概述
        2.1.1 TCP原理
        2.1.2 TCP頭部格式
        2.1.3 TCP狀態(tài)
    2.2 平臺(tái)搭建
        2.2.1 內(nèi)容服務(wù)器搭建
        2.2.2 代理服務(wù)器搭建
    2.3 構(gòu)建數(shù)據(jù)集
        2.3.1 采集數(shù)據(jù)
        2.3.2 解析數(shù)據(jù)
        2.3.3 TCP狀態(tài)標(biāo)注
    2.4 本章小結(jié)
第3章 基于規(guī)則的TCP狀態(tài)估計(jì)
    3.1 TCP狀態(tài)分類的原理
    3.2 算法模型及實(shí)現(xiàn)
        3.2.1 算法框架
        3.2.2 往返時(shí)延及擁塞窗口估計(jì)
        3.2.3 重疊窗口平滑
    3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.1 算法評(píng)價(jià)標(biāo)準(zhǔn)
        3.3.2 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小結(jié)
第4章 基于決策樹(shù)的TCP狀態(tài)估計(jì)
    4.1 決策樹(shù)概述
        4.1.1 決策樹(shù)原理
        4.1.2 決策樹(shù)構(gòu)建
    4.2 算法模型及實(shí)現(xiàn)
        4.2.1 算法框架
        4.2.2 特征工程
    4.3 實(shí)驗(yàn)及結(jié)果分析
    4.4 本章小結(jié)
第5章 基于LSTM特征提取的TCP狀態(tài)估計(jì)
    5.1 LSTM的基本原理
        5.1.1 傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)RNN
        5.1.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)LSTM
    5.2 算法模型及實(shí)現(xiàn)
        5.2.1 算法框架
        5.2.2 單層LSTM網(wǎng)絡(luò)
        5.2.3 多層LSTM網(wǎng)絡(luò)
    5.3 實(shí)驗(yàn)及結(jié)果分析
        5.3.1 LSTM網(wǎng)絡(luò)
        5.3.2 LSTM神經(jīng)元數(shù)實(shí)驗(yàn)
        5.3.3 LSTM層數(shù)實(shí)驗(yàn)
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 現(xiàn)有工作總結(jié)
    6.2 未來(lái)工作展望
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的研究成果



本文編號(hào)：3701566