基于场景变化的传输控制协议拥塞控制切换方案

doi:10.11772/j.issn.1001-9081.2021050722

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (4): 1225-1234.DOI: 10.11772/j.issn.1001-9081.2021050722

所属专题： CCF第36届中国计算机应用大会 (CCF NCCA 2021)

• CCF第36届中国计算机应用大会 (CCF NCCA 2021) • 上一篇下一篇

基于场景变化的传输控制协议拥塞控制切换方案

赖涵光¹, 李清², 江勇¹()

^1.清华大学深圳国际研究生院，广东深圳 518055
^2.南方科技大学未来网络研究院，广东深圳 518055

收稿日期:2021-04-22 修回日期:2021-06-04 接受日期:2021-06-08 发布日期:2021-07-22 出版日期:2022-04-10
通讯作者: 江勇
作者简介:赖涵光（1995—），男，福建泉州人，硕士研究生，主要研究方向：端到端智能传输控制
李清（1985—），男，江苏徐州人，副教授，博士，主要研究方向：未来网络体系架构与传输协议、端到端智能传输控制、基于边缘计算的智能视频传输
基金资助:
广东省重点领域研发计划项目(2018B010113001)

Transmission control protocol congestion control switching scheme based on scenario change

Hanguang LAI¹, Qing LI², Yong JIANG¹()

^1.Shenzhen International Graduate School，Tsinghua University，Shenzhen Guangdong 518055，China
^2.Institute of Future Networks，Southern University of Science and Technology，Shenzhen Guangdong 518055，China

Received:2021-04-22 Revised:2021-06-04 Accepted:2021-06-08 Online:2021-07-22 Published:2022-04-10
Contact: Yong JIANG
About author:LAI Hanguang， born in 1995， M. S. candidate. His research interests include end-to-end intelligent transmission control.
LI Qing， born in 1985， Ph. D.， associate professor. His research interests include future network architecture and transmission protocol， end-to-end intelligent transmission control， intelligent video transmission based on edge computing.
Supported by:
Key-Area Research and Development Program of Guangdong Province(2018B010113001)

摘要/Abstract

摘要：

针对轻量级基于学习的拥塞控制算法在某些场景下性能表现会出现断崖式下滑的问题，提出了一种基于场景变化的传输控制协议拥塞控制切换方案。首先，该方案模拟实时的网络环境；然后，根据实时的环境参数来识别场景；最后，将当前的拥塞控制算法切换至该场景下相对最优的轻量级基于学习的拥塞控制算法。实验结果表明，所提方案相较于原来使用单个拥塞控制算法的方案，例如测量瓶颈链路带宽和时延的拥塞控制（BBR）方案、面向性能的拥塞控制（PCC）方案等，可以使不同场景下的网络性能得到显著提升，总吞吐量增幅达到5%以上，总时延降幅达到10%以上。

关键词: 拥塞控制, 场景变化, 轻量级, 基于学习, 传输控制协议

Abstract:

Aiming at the problem that the performance of lightweight learning-based congestion control algorithms will fall off a cliff in some scenarios， a transmission control protocol congestion control switching scheme based on scenario change was proposed. Firstly， the real-time network environment was simulated by this scheme. Then， the scenario was identified according to the real-time environment parameters. Finally， the current congestion control algorithm was switched to the relatively optimal lightweight learning-based congestion control algorithm in this scenario. Experimental results prove that the proposed scheme is able to significantly improve network performance compared to the original schemes using a single congestion control algorithm， such as congestion control based on measuring Bottleneck Bandwidth and Round-trip propagation time （BBR） and Performance-oriented Congestion Control （PCC） with a total throughput increase of more than 5% and a total delay drop of more than 10%.

Key words: congestion control, scenario change, lightweight, learning-based, Transmission Control Protocol (TCP)

中图分类号:

TP393.0

赖涵光, 李清, 江勇. 基于场景变化的传输控制协议拥塞控制切换方案[J]. 计算机应用, 2022, 42(4): 1225-1234.

Hanguang LAI, Qing LI, Yong JIANG. Transmission control protocol congestion control switching scheme based on scenario change[J]. Journal of Computer Applications, 2022, 42(4): 1225-1234.

图/表 13

表1 网络带宽为5 Mb/s和网络延迟为100 ms时的平均吞吐量与平均时延

Tab. 1 Average throughput and average delay with network bandwidth of 5 Mb/s and network delay of 100 ms

拥塞控制算法	平均吞吐量/（Mb·s^-1）	平均时延/ms
BBR	4.87	132
PCC-Vivace	4.49	113
Copa	4.78	106
Cubic	4.63	141

图1 随机丢包率0.1%时各方案的公平性

Fig. 1 Fairness of each scheme with random packet loss rate of 0.1%

图2 随机丢包率0%时BBR的TCP友好性

Fig. 2 TCP friendliness of BBR with random packet loss rate of 0%

表2 考察吞吐量时的最优拥塞控制算法

Tab. 2 Optimal congestion control algorithm when focusing on throughput

链路带宽/（Mb·s^-1）	网络延迟/ms	随机丢包率/%	使用算法
1~100	1	0	Vivace
	10	0	Copa
	100	0	BBR
	500	0	BBR、Copa
5	1	0.1~1	Vivace
	10	0.1~1	Copa
	100	0.1~1	BBR
	500	0.1~1	BBR、Copa

表3 考察时延时的最优拥塞控制算法

Tab. 3 Optimal congestion control algorithm when focusing on delay

链路带宽/（Mb·s^-1）	网络延迟/ms	随机丢包率/%	使用算法
1~20	1	0	Copa
1	10	0	Copa
5	10	0	Copa、Vivace
20	10	0	Vivace
1	100	0	Vivace
1	100	0	Copa
5~20	500	0	Vivace
5~20	500	0	Copa
1	10	0.1	Copa
5	10	0.1	Vivace
20	10	0.1	Vivace
1	10	0.5~1	Copa
5	10	0.5~1	Vivace
20	10	0.5~1	Copa

表4 考察公平性时的最优拥塞控制算法

Tab. 4 Optimal congestion control algorithm when focusing on fairness

链路带宽/（Mb·s^-1）	网络延迟/ms	随机丢包率/%	使用算法
1~100	100	0	Vivace
1~100	100	0.1~1	Copa

表5 考察TCP友好性时的最优拥塞控制算法

Tab. 5 Optimal congestion control algorithm when focusing onTCP friendliness

链路带宽/（Mb·s^-1）	网络延迟/ms	随机丢包率/%	使用算法
1	1	0~1	Copa
5	1	0~0.5	Vivace
5	1	1	BBR
20	1	0~1	BBR
100	1	0~0.1	BBR
100	1	0.5~1	Vivace

图3 方案架构

Fig. 3 Scheme architecture

表6 三组实验随机产生的参数

Tab. 6 Randomly generated parameters in 3 sets of experiments

组别	时刻	变化时刻/s	带宽/（Mb·s^-1）	延迟/ms
1	t₁	8	193	5
	t₂	243	45	17
	t₃	364	7	91
	t₄	445	5	40
2	t₁	48	19	22
	t₂	178	2	16
	t₃	285	275	1
	t₄	438	2	7
3	t₁	50	1	18
	t₂	139	172	47
	t₃	368	2	13
	t₄	447	82	2

表7 四个随机时刻下3组实验根据环境参数求得的拥塞控制算法

Tab. 7 Obtained congestion control algorithm based on environmental parameters at 4 random moments in 3 sets of experiments

时刻	第1组		第2组		第3组
时刻	吞吐量	时延	吞吐量	时延	吞吐量	时延
t₁	Copa	PCC-Vivace	BBR	PCC-Vivace	Copa	Copa
t₂	BBR	Copa	BBR	Copa	BBR	Copa
t₃	BBR	Copa	PCC-Vivace	Copa	Copa	Copa
t₄	BBR	Copa	Copa	Copa	PCC-Vivace	Copa

图4 第1组实验中，原方案与本文方案的平均吞吐量和平均时延比较

Fig. 4 Comparison of average throughput and average delay between original and proposed schemes in experiment 1

图5 第2组实验中，原方案与本文方案的平均吞吐量和平均时延比较

Fig. 5 Comparison of average throughput and average delay between original and proposed schemes in experiment 2

图6 第3组实验中，原方案与本文方案的平均吞吐量和平均时延比较

Fig. 6 Comparison of average throughput and average delay between original and proposed schemes in experiment 3

参考文献 25

1	ALLMAN M， PAXSON V， STEVENS W. TCP congestion control： RFC 2581 ［S］. Reston， VA： Internet Society， 1999-04.
2	SIVARAMAN A， WINSTEIN K， THAKER P， et al. An experimental study of the learnability of congestion control［C］// Proceedings of 2014 ACM Conference on SIGCOMM. New York： ACM， 2014：479-490. 10.1145/2740070.2626324
3	JAY N， ROTMAN N H， GODFREY P B， et al. A deep reinforcement learning perspective on internet congestion control［C］// Proceedings of the 36th International Conference on Machine Learning. New York： JMLR.org， 2019：3050-3059.
4	ABBASLOO S， YEN C Y， CHAO H J. Classic meets modern： a pragmatic learning-based congestion control for the internet［C］// Proceedings of the 2020 Annual Conference of the ACM Special Interest Group on Data Communication on the Applications， Technologies， Architectures， and Protocols for Computer Communication. New York： ACM， 2020：632-647. 10.1145/3387514.3405892
5	CARDWELL N， CHENG Y， GUNN C S， et al. BBR： congestion-based congestion control［J］. Communications of the ACM， 2017， 60（2）： 58-66. 10.1145/3009824
6	DONG M， LI Q X， ZARCHY D， et al. PCC： re-architecting congestion control for consistent high performance［C］// Proceedings of the 12th USENIX Symposium on Networked Systems Design and Implementation. Berkeley： USENIX Association， 2015：395-408.
7	ARUN V， BALAKRISHNAN H. Copa： congestion control combining objective optimization with window adjustments［C］// Proceedings of the 15th USENIX Symposium on Networked Systems Design and Implementation. Berkeley： USENIX Association， 2018：329-342. 10.1145/3232755.3232783
8	ALIZADEH M， GREENBERG A， MALTZ D A， et al. Data center TCP （DCTCP）［C］// Proceedings of the 2010 ACM SIGCOMM Conference. New York： ACM， 2010：63-74. 10.1145/1851182.1851192
9	SIVARAMAN A， WINSTEIN K， SUBRAMANIAN S， et al. No silver bullet： extending SDN to the data plane［C］// Proceedings of 12th ACM Workshop on Hot Topics in Networks. New York： ACM， 2013：No.19. 10.1145/2535771.2535796
10	DONG M， MENG T， ZARCHY D， et al. PCC Vivace： online-learning congestion control［C］// Proceedings of the 15th USENIX Symposium on Networked Systems Design and Implementation. Berkeley： USENIX Association， 2018：343-356.
11	SCHAPIRA M， WINSTEIN K. Congestion-control throwdown［C］// Proceedings of the 16th ACM Workshop on Hot Topics in Networks. New York： ACM， 2017：122-128. 10.1145/3152434.3152446
12	GETTYS J， NICHOLS K. Bufferbloat： dark buffers in the Internet［J］. Communications of the ACM， 2012， 55（ 1）：57-65. 10.1145/2063176.2063196
13	HA S， RHEE I， XU L S. CUBIC： a new TCP-friendly high-speed TCP variant［J］. ACM SIGOPS Operating Systems Review， 2008， 42（5）：64-74. 10.1145/1400097.1400105
14	SCHWARZ M， SAUER C， DADUNA H， et al. M/M/1 Queueing systems with inventory［J］. Queueing Systems， 2006， 54（1）： 55-78. 10.1007/s11134-006-8710-5
15	WINSTEIN K， BALAKRISHNAN H. TCP ex Machina： computer-generated congestion control［C］// Proceedings of the 2013 ACM SIGCOMM Conference. New York： ACM， 2013：123-134. 10.1145/2486001.2486020
16	FRANÇOIS-LAVET V， HENDERSON P， ISLAM R， et al. An introduction to deep reinforcement learning［J］. Foundations and Trends in Machine Learning， 2018， 11（3/4）：219-354. 10.1561/2200000071
17	OSBAND I， BLUNDELL C， PRITZEL A， et al. Deep exploration via bootstrapped DQN［C］// Proceedings of the 30th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2016：4033-4041.
18	LILLICRAP T P， HUNT J J， PRITZEL A， et al. Continuous control with deep reinforcement learning［EB/OL］. （2019-07-05）［2021-03-03］. .
19	LI Z B， LIU P， XU C C， et al. Reinforcement learning-based variable speed limit control strategy to reduce traffic congestion at freeway recurrent bottlenecks［J］. IEEE Transactions on Intelligent Transportation Systems， 2017， 18（11）：3204-3217. 10.1109/tits.2017.2687620
20	KONDA V R， TSITSIKLIS J N. Actor-critic algorithms［C］// Proceedings of the 1999 Annual Conference on Neural Information Processing Systems. Cambridge： MIT Press， 1999：1008-1014.
21	YAN F Y， MA J， HILL G D， et al. Pantheon： the training ground for Internet congestion-control research［C］// Proceedings of the 2018 USENIX Technical Conference. Berkeley： USENIX Association， 2018：731-743.
22	GIESSLER A， HÄNLE J， KÖNIG A， et al. Free buffer allocation — an investigation by simulation［J］. Computer Networks， 1978， 2（3）：191-208. 10.1016/0376-5075(78)90028-4
23	GAIL R， KLEINROCK L. An invariant property of computer network power［C］// Proceedings of the 1981 International Conference on Communications. Piscataway： IEEE， 1981：63.1.1-63.1.5.
24	SCHAUL T， QUAN J， ANTONOGLOU I， et al. Prioritized experience replay［EB/OL］. （2016-02-25）［2021-03-03］..
25	沈耿彪，李清，江勇，等. 数据中心网络负载均衡问题研究［J］. 软件学报， 2020， 31（7）：2221-2244. 10.13328/j.cnki.jos.006050
	SHEN G B， LI Q， JIANG Y， et al. Research on load balancing in data center networks［J］. Journal of Software， 2020， 31（7）：2221-2244. 10.13328/j.cnki.jos.006050

[1]	李艳俊, 葛耀东, 王琦, 张伟国, 刘琛. 改进的KLEIN算法及其量子分析[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2810-2817.
[2]	肖斌, 甘昀, 汪敏, 张兴鹏, 王照星. 基于端口注意力与通道空间注意力的网络异常流量检测[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1027-1034.
[3]	项勇, 李艳俊, 黄丁韫, 陈愚, 谢惠琴. 全轮Shadow算法的差分和线性特征分析[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3839-3843.
[4]	沈嫣然, 温昕, 张瑾昊, 张帅, 曹锐, 高保禄. 轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3949-3957.
[5]	李博, 黄建强, 黄东强, 王晓英. 基于异构平台的稀疏矩阵向量乘自适应计算优化[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3867-3875.
[6]	贺锋涛, 王炳辉, 张斌, 杨祎, 封一博. 改进TCP/IP帧结构的多参数信道传输性能评估方法[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3540-3547.
[7]	陈豪, 夏振平, 程成, 林李兴, 张博文. 基于Transformer-CNN的轻量级图像超分辨率重建网络[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 292-299.
[8]	赵光耀, 沈璇, 余波, 易晨晖, 李祯. 缩减轮的超轻量级分组密码算法PFP的不可能差分分析[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2784-2788.
[9]	陈侃松, 郑园, 许立君, 王周宇, 张哲, 姚福娟. 基于ThetaMEX全局池化的人脸识别神经网络——ShuffaceNet[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2572-2580.
[10]	刘炜, 张聪, 佘维, 宋轩, 田钊. 基于Merkle山脉的数据可信溯源方法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2765-2771.
[11]	李姚舜, 刘黎志. 嵌入注意力机制的轻量级钢筋检测网络[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2900-2908.
[12]	文凯, 唐伟伟, 熊俊臣. 基于注意力机制和有效分解卷积的实时分割算法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2659-2666.
[13]	王娟, 袁旭亮, 武明虎, 郭力权, 刘子杉. 基于压缩提炼网络的实时语义分割方法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 1993-2000.
[14]	贺怀清, 闫建青, 惠康华. 基于深度残差网络的轻量级人脸识别方法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2030-2036.
[15]	贺丹, 何希平, 李悦, 袁锐, 牛园园. 基于区域分块和轻量级网络的人脸反欺骗方法[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3708-3714.

基于场景变化的传输控制协议拥塞控制切换方案

Transmission control protocol congestion control switching scheme based on scenario change

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 25

相关文章 15

编辑推荐

Metrics