面向边缘物联网网关的动态缓冲区主动队列管理方法

《IEEE Transactions on Nanotechnology》：DBSDD-AQM: Dynamic Buffer Sizing-Based Deep Deterministic Active Queue Management for Edge IoT Networks

　　

摘要：

突发性异构流量在边缘物联网网关处，当提供负载汇聚于较低速率瓶颈时，会形成持续性排队。传统的主动队列管理（AQM）在固定缓冲区容量下调节分组丢弃，而自适应缓冲区调整本身并不能将容量调整与队列移除控制协同起来。我们提出基于动态缓冲区调整的深层确定性主动队列管理（DBSDD-AQM），该方法将有限缓冲区调整循环与更快的连续队列移除控制器相结合。DBS 根据持续性队列演化调整可接受容量，而 DDPG Actor 则针对驻留积压选择分组粒度的移除动作。一种类感知扩展将三个并发服务类别映射到共享同一动态物理缓冲区的逻辑 FIFO 队列。DBSDD-AQM 基于 NS3-PyTorch 框架实现。综合实验将其与 RED、ARED、PIE、CoDel 和 DQN-AQM 进行比较，而类感知评估则额外纳入了 FQ-CoDel 和 FQ-PIE。匹配 DBS 的比较显示，各综合控制器之间吞吐量相似，但时延-丢包运行点不同，组件消融实验则区分了容量适应与学习型队列移除的效果。相对于固定的 50 KB 缓冲区，在受控传输实验中，DBS 将 UDP 的平均排队时延降低了 16.23%，TCP Westwood 的平均排队时延降低了 17.70%。在评估的三类过载场景中，所有类别均保持非零吞吐量。类感知 DBSDD-AQM 提供了更强的 D 类和 T 类区分度，而 FQ-CoDel 和 FQ-PIE 则产生更均匀的类别级结果和更强的 R 类性能。在报告的 x86-64 平台上，实测的第 95 百分位批量 Actor 推理时延为 0.109 毫秒。