基于神经网络的自适应RED算法及其仿真研究(2)
5 结论和展望 38
5.1 结论 38
5.2 展望 38
致谢 40
参考文献 41
1 绪论
1.1 网络拥塞控制的研究现状
1.2 主动队列管理算法的发展及分类
主动队列管理一直是一个很活跃的领域，近年来相继产生了许多的AQM算法。随机早期检测 (Random Early Detection，RED) [14]算法是由Floyd和Jacobson提出的最早的AQM算法，通过平均队列长度来衡量网络的拥塞程度，以一定的概率丢弃或标记数据包，在吞吐量和延迟间达到很好的平衡，从而提高网络利用率。但是该算法的不足之处在于参数设置敏感，容易造成振荡和失稳。为此，人们提出了改进的RED方法，如ARED[15][16]，SRED[17]，FRED[18]，BLUE[19]，AVQ[20]，GREEN[21]等。上述基于直觉和启发式的AQM算法难以保证系统的稳定性。文献[22]采用流体流和随机微分方程进行分析，建立了AQM机制作用下TCP窗口的动态模型，并在此模型的基础上，将控制理论引入到AQM算法设计当中。Hollot等人采用小信号分析法对非线性TCP/AQM模型进行线性化处理，提出了PI算法[23]。该算法采用瞬时队列长度作为衡量拥塞的指标而非平均队列长度，因此相比RED以及RED的改进算法拥有更快的响应。然而当网络负载增加时，该算法需要较长的响应时间且容易发生缓冲队列溢出现象。针对这些问题，学者们做出了不同的改进。PIP算法[24]通过增加反馈补偿装置来减少控制器对负载变化的敏感性。PD算法[25]引入微分结构来预测队列长度的变化从而提升算法的响应速度。PID算法[26][27]是由PI和PD算法结合而来的，能够很快地检测和响应早期拥塞信号。基于经典控制理论的AQM算法可有效地将队列长度控制在期望长度附近，然而这些算法的设计都是针对特定的网络拓扑结构，并假定网络参数是固定不变的。网络参数(负载数N、可用链路C、往返时间τ)的变化会对算法的整体性能(队列稳定、丢包数目、链路使用率、队列延迟)产生较大的影响，因此AQM控制器应具备对网络参数变动的自适应。
近来学者们开始研究将高级控制理论引入到AQM机制的设计当中，如 控制理论[28]、变结构控制[29]、神经网络控制[30]。这样设计的AQM算法不仅表现出优越的稳定性能且能很好地适应网络参数的变化。文献[31]提出了基于滑模变结构控制的AQM控制器，因为滑模变结构控制这种方法所具有的特性，这种AQM算法对时变网络的参数变动和干扰具有很好的鲁棒性。文献[32] 基于变结构提出了一种支持显示拥塞指示ECN(Explicit Congestion Notification)机制的AQM算法，ECN的工作机理[33]是当网络发生轻微拥塞时，路由器对新到来的分组不是丢弃而是进行标记，从而把拥塞信息传递到源端，调整其发送速率，有效地减轻网络拥塞程度。仿真结果表明此算法对负载数N、链路容量C和往返时间τ的变动具有很好的鲁棒性。文献[34]采用神经网络来设计主动队列管理机制，最优控制器参数通过在线实时学习获得，而其他AQM控制器的参数选取则依赖控制系统模型。
这些算法根据采用方法的不同大致可分为如下三类：启发式AQM、基于优化理论的AQM和基于控制理论的AQM。
1.2.1 基于启发式的拥塞控制
随机早期检测(Random Early Detection，RED)算法[14]是1993年由Floyd和Jacobson提出的最早的AQM算法。RED算法的网络拥塞衡量指标是平均队列长度，以和平均队列长度成正比的丢包率对到达的包进行丢弃或者标记，尽早对网络拥塞信息采取行动，以达到拥塞避免的目的。RED算法在一定程度上能够缓解网络拥塞，却存在两个明显的问题：参数难以合理配置和对端负载的依赖。参数的不合理配置会使得丢包数目增加和链路利用率变低，造成网络资源的浪费。