ATEMA-TCP:一种基于自适应阈值的多级决策新型TCP拥塞控制算法

《Computer Networks》:ATEMA-TCP: A novel adaptive threshold–based TCP congestion control algorithm with multi-level decision

【字体: 大 中 小 】 时间:2026年10月23日 来源:Computer Networks 4.7

编辑推荐:

   摘要 传输控制协议(TCP)需要高效的拥塞控制机制来维护网络稳定性并优化数据传输。过去三十年中,进行了大量研究以提升标准 TCP 变体的性能。许多传统 TCP 变体依赖固定的阈值来调整拥塞窗口,限制了其对动态网络条件的适应性。为解决这一局限性,提出了一种自适应拥塞控制机制,基

  

摘要
传输控制协议(TCP)需要高效的拥塞控制机制来维护网络稳定性并优化数据传输。过去三十年中,进行了大量研究以提升标准 TCP 变体的性能。许多传统 TCP 变体依赖固定的阈值来调整拥塞窗口,限制了其对动态网络条件的适应性。为解决这一局限性,提出了一种自适应拥塞控制机制,基于实时网络行为改善网络性能。该机制不使用静态阈值,而是采用指数移动平均(EMA)机制开发了一种基于 EMA 的自适应阈值(ATEMA)TCP 算法,动态调整拥塞检测参数。该方法使用 EMA 技术动态更新多个拥塞检测阈值,并采用多级决策过程来分类拥塞状态。这些自适应阈值有助于确定拥塞窗口的增长行为。仿真结果表明,在丢包率为 0.05 的高速有线网络场景中,与 BIC 相比,该方法实现了 86.31% 的吞吐量提升,与 CUBIC 相比实现了 73.74% 的吞吐量提升。

引言
过去三十年,传输控制协议(TCP)不断演进,增强了其支持跨互联网可靠数据传输的能力。作为传输层协议,它确保可靠的字节流数据传输。它是众多互联网应用的骨干,也引起了研究人员对其性能优化的极大关注 [1]。如今,许多应用,如电子邮件、视频流、在线游戏、文件传输等,需要高速率低延迟 [2]。这导致多个用户争夺共享介质上的有限资源。随着网络流量的增加,可能会导致高丢包率和延迟增加,从而降低服务质量(QoS)。因此,必须动态调整各种流量源的传输速率,以优化资源利用率并增强用户体验。拥塞控制(CC)机制在应对这些挑战和改善网络性能方面起着至关重要的作用。为此,TCP 采用 CC 机制来维护网络稳定性并提高传输效率。这些机制包括慢启动、拥塞避免、快速重传和快速恢复。

TCP CC 方法通过监控传入包的反馈信号来调节发送速率。基于这些信号,TCP 动态调整拥塞窗口(CWND)大小以控制数据传输速率。该机制确保了高效的带宽利用率,同时缓解了网络拥塞和丢包。CWND 和 CC 策略的结合使 TCP 能够调节网络上的数据传输。慢启动阶段是初始阶段,在此期间,发送方指数级增加 CWND,同时监控慢启动阈值(ssthresh)。一旦 CWND 达到 ssthresh,TCP 转入拥塞避免阶段。此阶段包含两个关键策略:加法增大,即 CWND 线性增长而非指数增长;乘法减小,即在检测到由三个重复确认(3 dup ACK)指示的丢包时,CWND 减半。当发送方收到丢失数据包的三个重复 ACK 时,它进入快速重传阶段,立即重传丢失的包,而不是等待超时。随后,快速恢复阶段使发送方在丢失事件后能够以加速速率继续数据传输,防止网络重新进入慢启动阶段。然而,这些传统 CC 算法由于依赖静态阈值,难以应对日益增长的拥塞、高带宽时延积(BDP)链路和快速队列波动。

隐式或显式生成的反馈信号始终有助于 TCP 确定链路容量。这些信号使发送方能够调整 CWND 以最大化链路利用率。隐式反馈信号可能由缓冲区溢出或延迟增加引起。基于这些信号,TCP CC 变体分为三类:基于丢包、基于延迟和基于混合的 CC 算法 [3]。基于丢包的方法将丢包解释为网络拥塞的迹象。此类算法的例子包括 Tahoe、Reno、Newreno、BIC、TCP-FIT 和 CUBIC [4], [5]。Tahoe 是为 TCP 引入的第一个 CC 算法。然而,由于其缺乏快速恢复机制,丢包时 CWND 会急剧减少,导致带宽利用率效率低下。基于延迟的方法将往返时间(RTT)的增加视为网络拥塞的信号。此类算法的例子包括 Vegas 和 FAST-TCP,它们基于 RTT 的变化调整 CWND 以主动避免拥塞 [6], [7]。混合方法结合了基于丢包和基于延迟的 CC 机制的优势。此类算法的例子包括 CTCP(复合 TCP)、Illinois 和 Veno,它们利用丢包和 RTT 变化来实现更好的网络适应性和性能 [8], [9]。通过显式拥塞通知(ECN)实现的显式拥塞机制将数据包标记为拥塞的早期指标。这使得发送方能够主动调整 CWND,防止不必要的减少并避免丢包。

无线设备的日益普及导致网络流量大幅增加,对传输层协议提出了更高的要求 [10]。过去二十年来,提出了众多 TCP CC 算法。其中,CUBIC 是使用最广泛的 CC 算法之一 [11]。它使用立方函数调整 CWND,使其在高带宽环境中具有更好的可扩展性。然而,其在高带宽高延迟网络中的激进增长可能导致队列过度堆积,增加缓冲区膨胀的风险。此外,当与基于延迟的 CC 算法竞争时,它也面临公平性挑战,因为其激进特性可能导致带宽分配不均。为了区分由于网络拥塞或随机丢包导致的丢包,Fu 和 Liew 使用了 TCP Veno [12]。随机丢包可能由链路错误、干扰或噪声引起。然而,由于依赖静态阈值(取值为 3),该算法缺乏适应性,这可能导致动态环境下的次优 CC。

传统 TCP CC 算法依赖固定参数集来调整 CWND,使其在动态网络环境中效果不佳。许多现有的 TCP 变体,如 Reno、CUBIC、Veno 和 Vegas,基于丢包或延迟变化调整 CWND。然而,它们也依赖静态拥塞阈值,这往往导致性能次优。这种依赖性会导致吞吐量和丢包率下降,特别是在高带宽低延迟环境中。此外,这些方法缺乏对实时网络条件的适应性。

图 1 显示了不同网络条件下静态和动态阈值的行为。红色虚线代表静态阈值,在不同拥塞级别下保持不变。这种固定阈值无法适应网络行为的快速变化,可能导致性能下降。它无法提供拥塞事件(如队列堆积和过度丢包)的早期检测,导致拥塞管理效率低下。相比之下,蓝色虚线代表动态阈值,根据当前网络拥塞级别调整其值。通过自适应地改变阈值,它能够实现更有效的拥塞管理并改善整体网络性能。

为了克服这些局限性,提出了一种使用指数移动平均(EMA)的自适应 CC 机制。该方法基于实时网络条件动态调整 CWND。通过消除僵硬的阈值依赖性,通过引入自适应阈值确保高效的带宽利用率并改善拥塞响应,使其适用于动态网络环境。引入自适应阈值来更新窗口增长将使网络在传输速率方面保持稳定,无论网络条件如何。网络中随机流量的加入可能会使其不稳定。然而,提出的算法,即基于指数移动平均的自适应阈值(ATEMA)TCP 算法,能够设置动态阈值来处理此类情况。

论文目标
本文的目标是:
• 进行背景研究,并就 TCP CC 机制阐明文献综述。
• 提出一种名为"ATEMA-TCP"的新方法,以解决传统 TCP 变体中静态拥塞阈值的局限性。它采用 EMA 动态更新多个阈值,创建一个多级拥塞分类模型,动态调整 CWND 大小。
• 将提出的方法与现有技术进行比较,如 TCP Reno、Newreno、BIC、CUBIC、Vegas、CTCP 和 Veno。
• 在各种性能指标上测试和验证提出的方法,包括吞吐量、丢包率和端到端延迟。

本文其余部分组织如下:第 2 节包括相关工作,讨论了各种类型的 CC 算法。第 3 节介绍了与所提出方法相关的关键术语。第 4 节突出了所提出的方法。第 5 节阐明了实验、结果和分析。最后,第 6 节总结了论文并提出了未来展望。

章节片段
文献综述
本节讨论了各种类型的 TCP CC 算法。表 1 显示了 TCP CC 算法随时间的历史演变。
Saedi 和 El-Ocla [13] 提出了一种发送端、基于丢包的 CC 方法,名为增强随机丢包拥塞控制(CERL+)。该方法旨在区分拥塞引起的丢包和无线随机丢包。为了更准确地检测拥塞,作者将队列长度作为关键指标纳入其中,这提高了无线环境下的 TCP 性能。

相关术语
本节讨论了与所提出方法相关的各种技术术语。

系统模型
系统模型考虑了一个由 n 个 TCP 发送器和接收器组成的网络,它们通过瓶颈链路进行通信,该链路可能包括一个或多个中间路由器。设 TCP 流 f={f1,f2,f3,f4,…,fn},其中每个流属于单独的端到端路径,并与其他流至少共享一个瓶颈链路。连接到瓶颈链路的中间路由器遵循先进先出(FIFO)策略,具有有限的缓冲区大小。提出的 ATEMA-TCP CC 算法运行在...

有线网络仿真设置
对于仿真,使用了 ns-2 模拟器。图 3 显示了用于性能分析的网络拓扑。该拓扑由 25 个源节点和 25 个目标节点组成。源节点用黄色表示,而目标节点用绿色表示。每个源节点连接到路由器 R1 和 R2,带宽为 0.5 Gbps,传播延迟(dprop)为 10 ms。同样,目标节点连接到路由器 R3 和 R4,带宽为 0.5 Gbps,传播延迟为...

结论与未来展望
本文提出了一种基于 EMA 的 CC 方法,以基于实时网络条件动态调整 CWND 增长。提出的 ATEMA-TCP 使用 EMA 技术不断更新估计数据包积压的阈值。进一步地,它将网络状态分类为不同的拥塞级别。这种自适应行为实现了更按需的 CWND 调整,确保高效的带宽利用率,同时最小化丢包。连续阈值更新有助于...

CRediT 作者贡献声明
Subhra Priyadarshini Biswal:写作 – 原稿,可视化,概念化。Anand Nayyar:写作 – 审查与编辑,验证,监督,项目管理,方法论,调查。Sanjeev Patel:写作 – 审查与编辑,可视化,验证,数据整理。

利益冲突声明
作者声明他们没有任何已知的竞争财务利益或个人关系,这些利益或关系可能影响本文报告的工作。

Subhra Priyadarshini Biswal | Anand Nayyar | Sanjeev Patel
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号