[发明专利]一种基于学习型能效模型的传输方法

摘要

本发明公开了一种基于学习型能效模型的传输方法，首先对网络的历史变化趋势进行周期性的记录，对往返时延进行加权平滑处理，并判断拥塞控制窗口变化趋势；然后对网络能效与拥塞控制窗口建模，每当收到一个新的ACK，即更新该能效窗口模型；最后结合拥塞窗口和能效变化趋势，预测下一个时段的拥塞控制窗口大小；对于网络丢包或超时事件，利用传统TCP的数据包重传机制，当丢包结束后，再利用能效模型进行处理。本发明降低了网络的随机事件以及传统算法估计误差的影响，能够对时延和吞吐量的侧重进行权衡；在高速网络中，能逼近较高的链路带宽占用率以及较低的端到端时延，降低了数据包传送经历的端到端时延。

主权项

1.一种基于学习型能效模型的传输方法，其特征在于，包括以下步骤：步骤1：接收ACK数据包，并记录接收到的所有ACK数据包的往返时延向量和发送窗口大小向量i表示当前时间段，采用公式对往返时延向量进行加权平滑处理，i‑1表示上一个时间段，α为加权平滑因子，D_g,i为第i时段最大时延值平滑后的往返时延值；步骤2：根据公式求解出归一化时延变化率G_i，其中，W_g,i为第i时段最大时延值时的窗口大小；步骤3：根据公式求得网络能效估计值E_e,i，△表示时延吞吐量敏感因子，T_i表示第i时段的实际吞吐量，由单位时间内确认的发送窗口大小向量累加所得，D_i为第i时段内往返时延向量中所有的元素；步骤4：建立每个数据包相对应的网络承载能力E与发送窗口大小W对应关系模型为W(x+1)，该模型表示为W(x+1)＝f(E(x)+γ(x))，其中，x为时间变化参数，即时间段i，W(x+1)为下一次的拥塞控制窗口大小，f(x)为窗口变化函数，E(x)为网络能效的估计函数，γ(x)为网络能效的增减变化；步骤5：判断网络变化趋势，当G_i>0或时，网络有拥塞趋势，则下一个时段网络能效需要相应减小，当G_i≤0且时，网络有空闲趋势，则下一个时段网络能效需要相应增长，具体为：E_e,i+1为第i+1时段的网络能效估计值，D_max,i为第i时段往返时延向量中的最大元素，D_min为往返时延向量中的最小元素，R为链路容忍度最大值；γ₁和γ₂代表网络能效的增减变化值，通过大量重复实验，选择其中的最优值；步骤6：根据步骤4和步骤5计算出W_i+1窗口值；步骤7：将每个时段i分为n个时隙，每个时隙为λms，第i时段后n‑1个时隙内发送的数据也作为W_i+1的一部分数据，即每个时段前n‑1个时隙用于学习模型，最后一个时隙用于发送剩余数据，则W_i+1窗口内最后一个时隙应发送的数据大小为W_fin,i+1，