[发明专利]基于决策树的TCP拥塞控制算法的主动选择系统及方法

说明书

本发明公开了一种基于决策树的TCP拥塞控制算法的主动选择系统及方法，包括步骤S1，数据监测：对TCP链路网络的往返时延RTT和丢包率保持监测，按时间分片获取链路的往返时延RTT和丢包率数据，同时获得网络带宽参数；步骤S2，数据预测：根据步骤S1获得的往返时延RTT、丢包率数据和网络带宽，通过使用差分整合移动平均自回归模型，预测下一个固定时间分片的预测往返时延RTT和丢包率；步骤S3，输出选择：通过决策树模型，将预测的往返时延RTT和预测的丢包率作为输入数据，输出TCP链路下一个固定时间分片内最合适的拥塞控制算法，若当前链路拥塞控制算法和决策树的决策结果不同，则进行切换；否则不进行切换，从而提高TCP链路的吞吐率。

技术领域

本发明属于TCP拥塞控制算法技术领域，尤其涉及一种基于决策树的TCP拥塞控制算法的主动选择系统及方法。

背景技术

在同一网络中，容易出现同时存在不同特性的有线和无线网络以及在一条TCP网络链路上网络往返时延RTT和丢包率出现波动的情况，自从TCP的Tahoe算法提出以来，不断提出为了某些特性网络环境定制的TCP拥塞控制算法，例如应对高带宽的TCP High Speed、应对长RTT的Hybla等。但是，在众多提出的TCP拥塞控制算法中，无法实现针对不同的网络环境来选择一个最佳的拥塞控制算法，因为事实上面对不同网络环境的特性，需要有不同的TCP拥塞控制算法来适应。

对于一个动态变化的网络环境来说，如果采用同一种拥塞控制算法，无法在不同网络环境下都保持良好的网络传输性能，比如适用于低丢包低时延场景的Reno算法，在高时延网络环境下表现远远差于Hybla，同样地针对长时延网络的设计Hybla算法比Reno在长时延网络中表现得更加优异，当TCP链路网络时延随着网络流量波动不断变化时，始终在TCP链路中使用Reno算法就无法在TCP链路网络往返时延增大时为链路保持高吞吐率。没有一个现有的拥塞控制算法可以在所有网络环境下都表现出良好的执行效率，所以根据网络环境动态切换拥塞控制算法十分必要。

发明内容

本发明正是针对现有技术中无法针对不同的网络环境来选择拥塞控制算法的问题，提供一种基于决策树的TCP拥塞控制算法的主动选择系统及方法，包括步骤S1，数据监测：对TCP链路网络的往返时延RTT和丢包率保持监测，按时间分片获取链路的往返时延RTT和丢包率数据，同时获得网络带宽参数；步骤S2，数据预测：根据步骤S1获得的往返时延RTT、丢包率数据和网络带宽，通过使用差分整合移动平均自回归模型，预测下一个固定时间分片的预测往返时延RTT和丢包率；步骤S3，输出选择：通过决策树模型，将预测的往返时延RTT和预测的丢包率作为输入数据，输出TCP链路下一个固定时间分片内最合适的拥塞控制算法，若当前链路拥塞控制算法和决策树的决策结果不同，则进行切换；否则不进行切换，从而提高TCP链路的吞吐率。

为了实现上述目的，本发明采取的技术方案是：基于决策树的TCP拥塞控制算法的主动选择方法，包括如下步骤：

S1，数据监测：对TCP链路网络的往返时延RTT和丢包率保持监测，按时间分片获取链路的往返时延RTT和丢包率数据；

S2，数据预测：根据步骤S1获得的往返时延RTT和丢包率数据，使用差分整合移动平均自回归ARIMA模型预测下一个固定时间分片的预测往返时延RTT和丢包率；所述ARIMA(p,d,q)模型中，通过投入N组监测数据，按照下列公式生成平均值为μ的时间序列：

其中y_t和a_t表示t时刻的真实变量值和对应的随机误差；是B的p阶和q阶多项式；和θ_j(j＝1,2,……,q)是模型参数；B是后移运算符；模型的阶数p和q、差分阶d均为整数；随机误差a_t被假定为独立且相同的分布，平均值为零，恒定方差为σ²；