异构网络下多路径传输调度算法研究

来源 :湖南大学 | 被引量 : 0次 | 上传用户:wudiscl
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着网络和移动设备的发展,越来越多的应用技术需要更高的网络带宽和稳定的服务质量。多宿主技术使移动设备能够配备多个网络接口,设备可以同时连接多个不同网络。设备使用多路径传输控制协议(Multi-Path TCP,MPTCP)可以聚合LTE网络和WLAN网络,充分使用移动设备的多个网络,提高数据传输率,保证数据传输的鲁棒性。
  但是在基于端到端网络模型中,客户端和服务器之间的无线链路网络状态通常不可预测。许多原因导致网络条件不稳定,主要表现为包丢失、带宽抖动和高延迟变化等,最终导致在多路径传输中数据包乱序到达,影响传输效率。在异构网络下,MPTCP的调度算法至关重要,考虑链路网络状况,合理调度数据包到相应的子流,尽可能保证数据包有序到达,提高传输性能。
  本文首先阐述MPTCP的相关知识和现有调度算法,并且分析在传输过程中所存在的问题,用网络模拟器(NS-3)仿真实验分析。进而在真实的异构网络环境下,用路由器实验分析现有调度算法在三条路径下传输性能和阻塞程度。最后改进现有基于往返时延的调度算法,提出一种基于发送能力,并考虑数据包序列号的调度算法LeBo(Leap-Board Scheduler)。论文主要工作如下:
  1.本文分析现有基于往返时延的不同类型的调度算法,通过路由器接入多个无线网络环境中,针对现有调度算法是否适用于三条路径的情况开展实验讨论。实验分为实验室可控环境和日常环境,本文变化路径的带宽,下载文件以及接收端缓存大小,以观察总吞吐量,传输完成时间,接收端阻塞情况等性能。实验分析表明,在三条路径中,基于时延参考的调度算法,可以有效提高吞吐率,但是在异构网络下,阻塞程度往往最严重。闲置慢子流的方式可以有效降低阻塞,但是会降低带宽利用率。
  2.本文分析现有调度算法在异构网络环境下的不足,并提出基于发送能力和拥塞窗口,考虑数据包序号影响的数据包跳跃性发送的LeBo调度算法,使快子流可以始终顺着序列号从小到大发送数据包,而慢子流发送高位序列号的数据包,期间没有传输任务完成后的相互等待时间,可以在保证快子流带宽的情况下,有效利用慢子流带宽,减少传输时间。最后通过NS-3网络仿真平台,进行对比模拟实验,在不同往返时延和接收端缓存变化的情况下,比较LowRTT算法和本算法的性能包括重传时间,阻塞程度和吞吐量等。实验表明LeBo可以有效降低接收端阻塞的程度,减少重传次数,提高吞吐效率,尤其在接收端缓存受限制时,性能提升更加明显。
其他文献
[摘 要]在信息化时代,社区教育数字化学习平台是各地开展社区教育工作的重要载体,在时间和空间上突破了对学习的许多限制,体现出社区教育的诸多功能。文章以湘潭乐学社区平台为例,对社区教育数字化学习平台建设进行了实践探索。   [关键词]社区教育;数字化学习平台;路径;能效   [中图分类号]G77 [文献标识码]A [文章编号]1008-7656(2021)03-0059-03   引言
期刊
[摘 要]当今互联网的发展日新月异,拓展了人类的生产、生活空间。社区教育的发展需要数字化技术的支撑,跨区域社区教育数字化学习平台的建设是实现“人人可学、处处能学”的有效途径。通过调整管理机制、共建共享资源、拓展两地产业数字化合作、两地交流社区教育资讯等途径,加强社区教育数字化平台的共建共享,促进两地社区教育工作的快速、稳健地发展。   [关键词]社区教育;共享共建;数字化资源   [中图分类号
期刊
[摘 要]为了解国内学习投入的研究现状, 文章以中国知网数据库从2011年到2020年近十年收录的2404篇学习投入相关的论文为研究对象,采用文献计量分析方法,运用CiteSpace 软件对发文时间、研究结构、作者和关键词進行可视化分析,结果发现:国内该领域研究的文献数量总体呈上升趋势;研究结构主要集中于高等院校;相关作者较多,但合作研究不够紧密;研究热点集中于定义、影响因素和中介变量等方面。  
期刊
数字图像是传递信息的重要载体,但是在采集或传递过程中易受到噪声、遮挡或像素丢失等多种形式的干扰。由于设备、时间等限制因素,在无法重新获取原始清晰图像的情况下,如何应用图像处理算法对所获取低质量图像进行干扰修复以还原出潜在高质量图像,已经成为研究者们极为关注的问题。图像修复技术通常利用低质量图像及其低质形成原因等信息,即其也称为低质量图像的先验条件,恢复或重建出消除噪声、移除遮挡或补全丢失像素的清晰图像,从而提高图像质量,使其能够应用于后续识别分类、语义理解等场景中。针对小样本、单样本图像数据的退化过程、对
近年来,受益于互联网和智能终端设备的迅速发展,各种应用不断涌现,但同时也带来了数据的爆炸式增长。为解决互联网上的信息过载的问题,推荐系统被提出并进一步推动了各类电商服务平台的创新和应用。为了使用户更好地理解推荐模型和结果,可解释性推荐正逐渐成为推荐系统研究领域的热点。在可解释推荐系统中,推荐模型不仅给出推荐列表,同时对推荐结果进行解释。基于此背景,本文尝试在深度学习技术中,首先利用层次注意力网络充分提取文本特征,以获得精准的用户和物品的表示。然后利用注意力网络和门控循环单元来融合显式特征和隐式特征,为推荐
随着智能手机和移动应用技术的发展,活动社交网络越来越流行。在ENSN中,人们可以在线上提前发布组织、线下参加各类活动。然而,由于人们可以自由地在线点击加入活动,其实际线下出席行为通常与线上有所不同。因此,如何对活动的实际出席情况进行准确预测,对活动组织者及活动开展具有重要的指导意义。
  已有的活动社交网络中进行出席预测的研究存在着如下几个问题。1.特定活动的预测精确度低,例如室外活动;2.忽视了活动本身之外的相关因素,例如活动举行当天的天气因素;3.部分活动内部因素尚未挖掘,影响人们出席活动的因素
许多现实生活中的应用都受到类不平衡问题的困扰,如医疗诊断和金融危机预测。在这些应用中,目标往往是代表性不足的类别。然而,经典的分类模型考虑的是类别平衡的情景,如决策树模型和贝叶斯模型,将这些模型应用于类别不平衡的场景会导致结果出现偏斜。现有的研究主要关注于二类不平衡问题,但与两类情况相比,多类不平衡问题要困难得多,这是由于决策边界涉及到多个类之间的区分。大量针对二类不平衡问题的解决方案并无法直接应
时序预测是深度学习应用领域研究中的热点问题。捕捉时序数据间复杂的关联特性是实现精准预测的关键。目前研究未能针对性给出以下问题的解决方法。具体的,如何处理数据集上多个非预测时间序列在不同时间阶段对目标序列产生的不同程度的影响;时序数据中蕴含的突变现象会显著的影响标签序列的变化规律,如何通过预测方法学习到历史数据中的这些信息。在先前多数研究中,通常仅从神经网络模型角度设计预测方法,而目标函数和优化算法中完全忽略了随时间变化的信息。
  本文从时序预测的目标函数、神经网络模型和帮助模型在迭代训练中收敛的优
近年来,深度神经网络在解决各种机器学习问题和应用方面取得了重大进展。然而,这一显著进步得益于大规模下可用的带标签数据。通过手工标记足够的训练数据用于特定应用任务上通常是不可取的,在缺乏标记数据这一问题上,亟需设计出通用的算法以减少在人工标记上的消耗。领域自适应方法能够应用机器学习方法针对一个分布中采样的数据进行训练,并将其应用于另一个分支中采样的数据,其核心是适应不同域的数据分布变化。但是,在实际应用场景中,一方面,通常很难做到源域与目标域的标签空间是一致的,另一方面,存在着因源域对应空间下的数据量稀少而
[摘 要]目前,以xM00C为主的高等教育慕课数量不断增长、应用规模不断扩大。文章针对慕课教学设计中存在的教学阶段划分与衔接不够明确、课程资源缺乏系统梳理、学习情境相对单一等问题,提出基于首要教学原理进行慕课教学单元、教学阶段和学习情境的设计,并以学银在线供应链管理课程为例进行了具体说明。   [关键词]慕课;教学设计;首要教学原理;供应链管理   [中图分类号]G434 [文献标识码]A
期刊