CN101984601A - 混合型多目标优化组播拥塞控制方法 - Google Patents

Abstract

本发明公开了一种混合型多目标优化组播拥塞控制方法，其目的是解决现有的组播拥塞控制方法平均吞吐量小的技术问题。该方法将分层组播和单速率组播拥塞控制方法结合起来，使用单速率方法调节基层速率，使用最优化的方法调节增强层速率，使用等概抽样算法抑制反馈，使得全局满意度达到最大，改善了传输效率，进而提高了平均吞吐量。当接收端数目为128个，每个接收端的期望服务速率在1～20Mbps之间均匀分布时，组播的平均吞吐量由6.8～7.2Mbps提高到8.5～9.1Mbps，全局满意度由0.586提高到0.742。

Description

混合型多目标优化组播拥塞控制方法

技术领域

本发明涉及一种组播拥塞控制方法，特别是混合型多目标优化组播拥塞控制方法。

背景技术

文献“Kwon G I，Byers J W.Smooth multirate multicast congestion control.IEEEINFOCOM March 2003，San Francisco，USA，IEEE Communications Society，2003：1022-1032”公开了一种组播拥塞控制方法，即SMCC(Smooth Multicast CongestionControl)控制方法。该方法将单速率机制TFMCC(TCP Friendly Multicast CongestionControl)引入到分层组播中。首先为每一层选择一个接收端(以下简称CLR)，某一层的CLR是加入该层的所有接收端中接收能力最弱的接收端；选出CLR后，由CLR的期望速率控制该层的发送速率；CLR定期发送反馈，非CLR使用具有偏见的随机定时器决定是否反馈，接收能力越弱的接收端发送反馈的机会越大。

文献公开的方法存在“最慢者优先”现象，即各层发送速率倾向于接收能力最弱的CLR，只有CLR和那些接收能力与CLR相近的接收端能够获得期望的服务速率，其它接收端的服务需求难以得到满足。主要原因是：

1、各层速率由CLR控制，而CLR是各层中接收能力最弱的接收端；

2、只有CLR能定期发送反馈，接收能力较强的接收端发送反馈机会较小，且不具有对源端发送速率的控制权。

由于组播层数是有限的，随着组规模的增大，“最慢者优先”现象将尤为突出，绝大多数接收端的服务需求无法得到满足，吞吐量较低。通过仿真，当接收端数目为128个，每个接收端的期望服务速率在1～20Mbps之间均匀分布时，组播的平均吞吐量在6.8～7.2Mbps之间，全局满意度为0.586。

发明内容

为了克服现有的组播拥塞控制方法平均吞吐量低的不足，本发明提供一种混合型多目标优化组播拥塞控制方法。该方法将分层组播和单速率组播拥塞控制方法结合起来，使用单速率方法调节基层速率，使用最优化的方法调节增强层速率，使用等概抽样算法抑制反馈，可以提高平均吞吐量，平滑发送速率。

本发明解决其技术问题所采用的技术方案是：一种混合型多目标优化组播拥塞控制方法，其特征在于包括下述步骤：

步骤1：源端启动第t轮，将反馈概率p_f(t)及各层速率值记录在数据包头中，开始发送第t轮的数据包。

步骤2：对于每个接收端，在收到第t轮的第一个数据包时启动定时器T_R。

步骤3：对于每一个接收端，当定时器T_R超时，计算期望服务速率，执行加入/退出层的操作。

步骤4：执行反馈抑制操作，具体包括以下操作：

(1)如果期望服务速率小于基层发送速率，发送反馈并结束，否则转入步骤(2)；

(2)在(0，1)之间以均匀分布产生随机数p，读取数据包头中的反馈概率值p_f(t)；

(3)如果p小于p_f(t)，发送反馈并结束，否则直接结束。

步骤5：当源端收到第t轮中的第一个反馈，启动定时器T_S，开始收集反馈信息；

步骤6：当定时器T_S超时，估计组规模，计算新的反馈概率，具体包括以下操作：

(1)统计本轮收到的所有反馈样本，设样本数为M(t)；

(2)按照式(1)估计组规模N(t)；

N(t)≈M(t)/p_f(t)         (1)

(3)按照式(2)设置第i轮所需样本数M；

$M=\left\{\begin{array}{cc}{M}_{\min }& N\left(t\right)\≤N_{\mathrm{thr}}\\ M_{\min }+(M_{\max }-M_{\min })(1-e^{-\frac{N\left(t\right)-N_{\mathrm{thr}}}{N_{\mathrm{thr}}}})& N\left(t\right)>N_{\mathrm{thr}}\end{array}\right.---\left(2\right)$

式中N_thr是门限值，M_min和M_max分别为最小和最大样本数。

(4)按照式(3)设置新的反馈概率；

$p_f(t+1)=\frac{M}{N\left(t\right)}---\left(3\right)$

步骤7：设置最优层速率，进入步骤1开始第t+1轮，具体包括以下操作：

(1)选择所有反馈样本中最小的期望服务速率

(2)以

(t)作为控制变量，使用单速率机制调节第i轮的基层速率x₀(t)；

(3)以最大化全局满意度和最小化全组速率抖动为目标构建最优化问题，具体方法是：

(a)对于每一个样本i，计算其满意度Sⁱ(X(t))，其中X(t)＝[x₀(t)，x₁(t)，…x_L-1(t)]是层速率向量，L是最大层数；

(b)按照式(4)计算所有样本的全局满意度S(X(t))；

$S\left(X\left(t\right)\right)=\frac{1}{M\left(t\right)}\underset{i=0}{\overset{M\left(t\right)-1}{\mathrm{\Σ}}}{S}^i\left(X\left(t\right)\right)---\left(4\right)$

(c)按照式(5)定义目标函数一；

Max F₁(X(t))＝S(X(t))    (5)

(d)对于每一层l，计算其速率抖动D_l(X(t))；

(e)计算全组速率抖动；

$D\left(X\left(t\right)\right)=\frac{1}{L}\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{D}_l\left(X\left(t\right)\right)---\left(6\right)$

(f)按照式(7)定义目标函数二；

Max  F₂(X(t))＝1-D(X(t))        (7)

(g)以式(8-10)作为约束条件：

$\underset{l=0}{\overset{l^i}{\mathrm{\Σ}}}{x}_l\left(t\right)\≤R_{\mathrm{req}}^i\left(t\right)(l^i\≤L-1,i=\mathrm{0,1},...,M\left(t\right)-1)---\left(8\right)$

x_l(t)≥R_min(l＝1，2，...，L-1)  (9)

x_l(t)≤R_max(l＝1，2，...，L-1)  (10)

(4)求解步骤(3)所建立的多目标优化问题，使用多目标粒子群优化算法对问题求解，设置一组最优的层速率。

(5)进入第t+1轮，转入步骤一。

本发明的有益效果是：由于将分层组播和单速率组播拥塞控制方法结合起来，使用单速率方法调节基层速率，使用最优化的方法调节增强层速率，使用等概抽样算法抑制反馈，使得全局满意度达到最大，改善了传输效率，进而提高了平均吞吐量。当接收端数目为128个，每个接收端的期望服务速率在1～20Mbps之间均匀分布时，组播的平均吞吐量由6.8～7.2Mbps提高到8.5～9.1Mbps，全局满意度由0.586提高到0.742。

下面结合附图和实施例对本发明作详细说明。

附图说明

图1是本发明混合型多目标优化组播拥塞控制方法流程图。其中，图1(a)源端流程图；图1(b)接收端流程图。

图2是本发明实施例所使用的仿真网络拓扑图。

图3是本发明混合型多目标优化组播拥塞控制方法的控制时序图。

图4是本发明方法仿真实验1的结果，各接收端满意度的比较曲线。

图5是本发明方法仿真实验1的结果，各接收端吞吐量的比较曲线。

图6是本发明方法仿真实验2的结果，速率抖动的比较曲线。

图7是本发明方法仿真实验3的结果，平均全局满意度随组规模的变化曲线。

图8是本发明方法仿真实验3的结果，平均吞吐量随组规模变化曲线。

具体实施方式

以下实施例参照图1～8。本实施例包含源端算法和接收端算法，算法流程分别如图1(a)和(b)所示。网络拓扑如图2所示，接收端共有N个，其序号分别是0，1，...，N-1。每一个组播接收端在其最后一跳，即路由器B_i与C_i之间的链路与一个TCP共享带宽，其它所有链路带宽均为100Mbps。

具体实施过程为：

1、控制时序。

本实施例以“轮”为单位更新速率。连续两次速率更新的时间间隔称为一轮，在每一轮中，层速率保持恒定。控制时序关系如图3所示，其中各时间节点解释如下：

t1：源端发出第t轮第1个包，源端开始第t轮。

t2：接收端接收到第t轮的第一个包，接收端开始第t轮，启动定时器T_R。

t3：T_R超时，接收端计算期望速率，判断是否需要加入/离开层，是否需要发送反馈包。

t4：源端收到第i轮中第一个反馈包，启动定时器T_S，开始收集反馈包。

t5：T_S超时，使用单速率机制计算新的基层速率，使用最优化算法分配新的增强层速率，使用EPS算法计算新的反馈概率，源端开始第t+1轮。

(1)设置定时器T_R。

接收端并不是在启动第i轮时就依据期望速率判断是否需要加入/退出层并反馈信息。因为在本实施例中接收端使用TCP吞吐量公式计算期望速率，计算期望速率所需的RTT(Round-trip time)值和丢包率p是通过历史数据加权平均计算得来。在t₂时刻计算出来的期望速率只能反映t₂时刻之前的网络状态，即在第i-1轮的发送速率下的网络状态。需要知道的是在第t轮的发送速率下的网络状态，从而调节第t+1轮的速率。因此只有观察t₂时刻后的一定时间内的RTT和p，才能真实反映本轮的网络状态。一般通过最近8个包的信息计算RTT和p，因此在本实施例中，不是采用固定的T_R，而是将接收端收到本轮的第8个基层数据包的时刻作为t₃。

(2)设置定时器T_S。

由于各接收端的RTT不同，反馈的发送时刻t₃和传输时间t₄-t₃也各不相同，因此所有的反馈并不可能同时到达源端。设置T_S就是为了能采集到所有的反馈，以便准确计算新的反馈概率和层速率。假设在所有发送反馈的接收端中，RTT的最小值为RTT_min，最大值为RTT_max。源端从启动第i轮开始到接收到第一个反馈所经历的时间为

T_min＝t₄-t₁＝(t₂-t₁)+(t₄-t₃)+T_R＝RTT_min+T_R    (11)

同理，收到最后一个反馈所经历的时间为

T_max＝RTT_max+T_R                 (12)

则源端从收到第一个反馈开始到采集到所有反馈所需要的时间为

ΔT＝T_max-T_min＝RTT_max-RTT_min   (13)

在本实施例中，将T_s设置为所有接收端中的最大往返时延。

2、基层速率控制。

如果所有层的速率均使用最优化方法确定，基层速率往往会过高，从而迫使期望速率小于基层速率的接收端退出组。在下一轮中，这些已经退出组的接收端不会反馈信息，从而基层速率将进一步提高。依此进行下去，每一轮速率更新都会将当前成员中接收能力最弱的一个或几个成员“排挤”出组播组，导致组成员不断减少。

为此，本实施例使用混合型机制：选取所有反馈中的最小期望速率值作为控制变量，以单速率的方式控制基层速率，而使用最优化算法分配增强层速率。在反馈抑制算法中，接收端的期望速率如果小于基层速率，则一定发送反馈，这样最小样本值就是整个组中接收能力最弱的接收端的期望服务速率，记为R_m。本实施例采用类似于TFMCC的单速率控制机制调节基层速率：如果R_m小于当前基层速率，则将基层速率直接设置为R_m；否则，采用和式增加的方式提高基层速率。

3、最优化增强层速率。

(1)最大化全局满意度。

当接收端数目大于层数时，必定有一些接收端的期望速率得不到满足。使用最优化的方法分配增强层速率目的之一就是通过调节发送速率，尽量满足更多接收端对服务速率的需求，从而提高组播吞吐量。设接收端样本数为M，t时刻第i个接收端的期望速率为

若总层数为L，第l层的发送速率为x_l(t)(l＝0，1...L-1)，则该层的累加速率为

在此速率下第i个接收端能够加入的最高层为lⁱ(0≤lⁱ≤L-1)，则在不考虑丢包的情况下该接收端能够接收到的实际速率为

为了避免拥塞，接收端只能加入发送速率低于自己期望速率的层，因此

本实施例中，将第i个接收端的满意度Sⁱ(X(t))定义为为其实际接收速率与期望速率的比值：

$S^i\left(X\left(t\right)\right)=\frac{R_{\mathrm{recv}}^i\left(t\right)}{R_{\mathrm{req}}^i\left(t\right)}---\left(14\right)$

则0≤Sⁱ(X(t))≤1。当该接收端的期望速率小于第0层发送速率时将退出组播，Sⁱ(X(t))＝0；当时，Sⁱ(X(t))＝1。

全局满意度为所有接收端满意度的平均值

$S\left(X\left(t\right)\right)=\frac{1}{M}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}{S}^i\left(X\left(t\right)\right)=\frac{1}{M}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}\frac{R_{\mathrm{recv}}^i\left(t\right)}{R_{\mathrm{req}}^i\left(t\right)}---\left(15\right)$

最优化算法的目标之一是求解一组x_l(t)，使全局满意度S(X(t))最大。因此设置目标函数一为：

$\mathrm{Max}{F}_1\left(X\left(t\right)\right)=S\left(X\left(t\right)\right)=\frac{1}{M}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}\frac{\underset{l=0}{\overset{l^i}{\mathrm{\Σ}}}{x}_l\left(t\right)}{R_{\mathrm{req}}^i\left(t\right)}---\left(16\right)$

(2)最小化速率抖动。

设前一轮中各层的发送速率为x_l(t-1)(l＝0，1...L-1)，累加层速率为y_l(t-1)(l＝0，1...L-1)。

本实施例中定义t时刻第l层的速率抖动为

$D_l\left(X\left(t\right)\right)=\frac{|y_l\left(t\right)-y_l(t-1)|}{\max (y_l\left(t\right),y_l(t-1))}---\left(17\right)$

则0≤D_l(X(t))≤1。当速率没有发生变化的时候，D_l(X(t))＝0；当y_l(t)＝0，y_l(t-1)≠0，即取消该层，或y_l(t)≠0，y_l(t-1)＝0，即该层为新增层时，D_l(X(t))＝1。

t时刻全组的速率抖动为

$D\left(X\left(t\right)\right)=\frac{1}{L}\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{D}_l\left(X\left(t\right)\right)---\left(18\right)$

平滑发送速率，应使速率抖动最小化。为了与第一个目标函数一致，将其转化为最大化问题，取目标函数为

$\mathrm{Max}{F}_2\left(X\left(t\right)\right)=1-D\left(X\left(t\right)\right)=1-\frac{1}{L}\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{|y_l\left(t\right)-y_l(t-1)|}{\max (y_l\left(t\right),y_l(t-1))}$

$=1-\frac{1}{L}\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{|\underset{j=0}{\overset{l}{\mathrm{\Σ}}}{x}_j\left(t\right)-\underset{j=0}{\overset{l}{\mathrm{\Σ}}}{x}_j(t-1)|}{\max (\underset{j=0}{\overset{l}{\mathrm{\Σ}}}{x}_j\left(t\right),\underset{j=0}{\overset{l}{\mathrm{\Σ}}}{x}_j(t-1))}---\left(19\right)$

将F₂(X(t))＝1-D(X(t))称为平滑度，则最大化平滑度即为最小化速率抖动。

通过以上分析，可将速率的最优分配问题建模为以下最优化问题：

$\mathrm{Max}{F}_1\left(X\left(t\right)\right)=\frac{1}{M}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}\frac{\underset{l=0}{\overset{l^i}{\mathrm{\Σ}}}{x}_l\left(t\right)}{R_{\mathrm{req}}^i\left(t\right)}---\left(20\right)$

$\mathrm{Max}{F}_2\left(X\left(t\right)\right)=\frac{1}{L}\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{|\underset{j=0}{\overset{l}{\mathrm{\Σ}}}{x}_j\left(t\right)-\underset{j=0}{\overset{l}{\mathrm{\Σ}}}{x}_j(t-1)|}{\max (\underset{j=0}{\overset{l}{\mathrm{\Σ}}}{x}_j\left(t\right),\underset{j=0}{\overset{l}{\mathrm{\Σ}}}{x}_j(t-1))}---\left(21\right)$

s.t.：

$\underset{l=0}{\overset{l^i}{\mathrm{\Σ}}}{x}_l\left(t\right)\≤R_{\mathrm{req}}^i\left(t\right)$ (lⁱ≤L-1，i＝0，1，...，M-1)  (22)

x_l(t)≥R_min(l＝1，2，...，L-1)  (23)

x_l(t)≤R_max(l＝1，2，...，L-1)  (24)

式(22)为服务质量(Quality of Service)条件约束，即为避免拥塞，接收端只能加入发送速率低于自己期望速率的层；式(23)为最小速率条件约束，过低的层速率对吞吐量的贡献可能无法抵消其带来的控制开销，因此式中的R_min限制了每一层的最低速率；式(24)为最大速率条件约束，本发明方法不限定每一层的最大发送速率，但实际的链路可用带宽不可能是无限大的，在本实施例中，R_max是一个很大的值，用于将搜索空间限定在合理的范围之内。

现有基于最优化方法的拥塞控制机制往往将链路容量作为约束条件，即任何一条链路上的聚合流量速率不得超过本链路的链路容量。这样的约束条件难以在端到端控制机制中实现。首先，组播源端难以确知组播会话经过的所有链路的容量，而且这些链路往往是动态的；其次，这些链路上不仅仅包含本组播会话，往往会包含其它会话，组播源端也难以确知这些会话的流量速率。因此在本发明方法没有把链路容量作为约束条件。实际上，该约束是隐含在式(22)中的。在本实施例中，是由TCP长期吞吐量公式(25)计算得到的：

$R_{\mathrm{req}}(p,\mathrm{RTT},s)=\frac{s}{\mathrm{RTT}(\sqrt{\frac{2p}{3}}+12\sqrt{\frac{3p}{8}})p(1+32p^2)}---\left(25\right)$

式中，s是包的大小，p为丢包率，RTT往返时延。

与p和RTT成负相关。如果进入某条链路的流量速率超过了其容量，p和RTT将会增大，相应地

会减小，进而通过式(22)约束问题的解。因此式(22)隐含了对链路容量的约束，在此约束条件下，源端无需了解任何一条链路的容量和任何其它会话的流量信息依然能避免拥塞的发生，因此更具有可实施性。

(3)问题求解。

满意度和平滑度是两个相互制约的目标。由于网络状态的动态性，某个接收端的期望服务速率会随着网络的变化而抖动，如果将发送速率严格匹配期望速率，会导致发送速率抖动剧烈，影响接收质量；反之，如果过分强调速率的平滑性，发送速率难以对网络状态做出快速的响应，容易导致网络拥塞。

从式(20)和式(21)易知，两个目标函数都是多峰值、不连续的非线性函数，使用现有的最优化方法难以解决该类非凸问题。即使能够解决，其计算量也会相当大且十分耗时，源端将无法承受。一方面组播源端往往还是其它应用的服务器，需要处理大量的控制信令，因此最优化算法不能占用太多内存和CPU；另一方面拥塞控制机制应该具有良好的响应性，即源端能够依据反馈信息实时地调整发送速率以适应网络的动态变化，因此源端最优化算法应当在很短的时间内求出满意的解。现有的最优化方法无法满足以上两点要求。

进化计算方法，如遗传算法，粒子群算法等，为解决此类多峰值、不连续、非线性的非凸问题提供了可行途径。现有研究成果已经证明，相对于遗传算法，粒子群优化算法收敛速度快，占用内存少且计算量小，作为一种先进的启发式算法，已经成功应用于多目标优化领域。本实施例使用MOPSO-CD算法(Multiobjective particle swarmoptimization algorithm using crowding distance)对以上多目标优化问题进行求解。MOPSO-CD是由C.R.Raquel和P.C.Naval在2005年遗传与进化计算国际会议上提出的，该算法使用外部档案文件存储非劣解，并以此引导粒子飞行，通过对拥挤距离排序避免非劣解过于集中。该算法能以较快速度收敛到Pareto前沿，并且产生一个均匀分布的非劣解集，是一种计算量小且性能优越的多目标进化计算方法。

4、等概抽样算法。

一方面，为了避免反馈内爆，不允许所有的接收端向源端发送反馈；另一方面，为了避免“最慢者优先”现象，所有接收端应该具有平等的机会发送反馈。本实施例提出一种等概抽样算法EPS(Equal-Probability Sampling)解决以上两个问题。EPS在每一轮中选择一部分接收端发送反馈，即所有接收端按照相同的反馈概率p_f向源端发送反馈，源端将这些反馈作为样本反映组成员接收能力的分布情况。假设源端需要的样本数是M，组规模是N，那么每一个接收端应以p_f＝M/N的概率发送反馈。EPS算法通过迭代统计的方式估计组规模，并根据组规模自适应地调节M，具体方法是：

设第t轮的反馈概率为p_f(t)，源端将此概率记录在数据包中组播给接收端。接收端收到该包后，按照此概率发送反馈。如果在该概率下源端共收到M(t)个反馈包，则可以估计当前组规模大致为：

N(t)≈M(t)/p_f(t)        (26)

依据式(27)动态调节M，

$M=\left\{\begin{array}{cc}{M}_{\min }& N\left(t\right)\≤N_{\mathrm{thr}}\\ M_{\min }+(M_{\max }-M_{\min })(1-e^{-\frac{N\left(t\right)-N_{\mathrm{thr}}}{N_{\mathrm{thr}}}})& N\left(t\right)>N_{\mathrm{thr}}\end{array}\right.---\left(27\right)$

式中，N_thr是个门限值，M_min和M_max分别为最小和最大样本数。当组规模小于N_thr时，样本数M始终为M_min；当组规模大于N_thr时，样本数随组规模增大呈负指数关系增加，但不超过M_max。

在第t+1轮时，按照式(28)设置新的反馈概率：

$p_f(t+1)=\frac{M}{N\left(t\right)}---\left(28\right)$

EPS算法通过以上方式保证每一轮中的反馈数维持在M附近。在基于代表的控制机制中，只有代表才能发送反馈，无法全面反映整个组对服务速率的需求。而在本算法中，各个接收端具有相同的反馈概率，都有机会向源端发送反馈从而避免了“最慢者优先”现象，使速率控制更趋合理化。

5、仿真实验。

通过仿真工具检验本发明方法的效果。

(1)仿真实验1。

在SMCC和本发明方法中最大层数均为6(L＝6)。将N设置为20，各接收端的公平带宽分别为1Mbps，2Mbps，...，20Mbps。

从图4中可以看出，在SMCC中，接收端0、4、8和16为主要代表，它们的满意度相对较高，其它接收端满意度都很低，即“最慢者优先”现象。而本发明是混合型机制，基层速率由最慢接收端，即接收端0使用单速率机制控制，因此接收端1的满意度较高，而接收端1、2、3不能加入增强层，满意度较低，但是其它所有接收端的满意度都比较高，即避免了“最慢者优先现象”。

从图5中可以看出，SMCC的最高吞吐量仅为12.9Mbps，平均为7.0Mbps。而本发明的最高吞吐量为17.8Mbps，平均为9.5Mbps。因此，相对于SMCC，本发明能有效提高组播吞吐量。

(2)仿真实验2。

本发明的另一个目的是减小速率抖动，平滑发送速率。为了验证速率的抖动性，在以上实验中，分别采用多目标优化和单目标优化进行仿真。多目标优化就是使用MOPSO-CD对F₁(t)和F₂(t)进行求解；单目标优化就是仅仅以最大化满意度为目标，而不考虑速率的平滑性，即仅使用单目标PSO算法对(20)式的目标函数F₁(t)进行求解。从图6中可以看出，使用多目标优化后的速率抖动明显小于使用单目标优化，其平均值仅为单目标优化的一半，两者的平均值分别为0.0666和0.1271。由于满意度和平滑性是两个相互制约的目标，平滑发送速率后将使满意度略微降低，两者的满意度分别为0.7886和0.8327。

(3)仿真实验3。

当组规模较小时，如组成员数与层数接近时，现有的混合型组播拥塞控制机制就能表现较好性能。但是当组规模远大于层数时，由于代表限制了各层速率，大部分接收端无法获得期望的服务速率，就能体现出基于最优化方法的分层组播机制的优势。

从图2所示网络中，接收端数目N从4增加到128，每次增加4。瓶颈链路带宽在每次仿真前以均匀分布在2～40Mbps之间随机产生。从图7中可以看出，当只有4个接收端时，SMCC的平均全局满意度比本发明高2.4％，两者分别为0.937和0.915；平均吞吐量比本发明高2.6％，分别为9.610Mbps，9.865Mbps。随着组规模的变大，两种机制的满意度都会随着组规模的增大而减小。但是由于SMCC的层速率由代表确定，这些代表将各层速率限制在较低的水平，大多数接收端的期望速率得不到满足；而本发明通过等概抽样算法对接收端期望速率统计后，使用最优化的方法，搜索一组最优的层速率使全局满意度达到最大。从图8中可以看出，当组成员数大于层数时，本发明的满意度均大于SMCC的满意度。当组规模为128时，SMCC的满意度减小到0.586，而本发明则为0.742，比SMCC高26.6％。在组规模大于16以后，本发明的平均吞吐量是8.5～9.1Mbps，而SMCC平均吞吐量仅为6.8～7.2Mbps。

Claims (1)

1.一种混合型多目标优化组播拥塞控制方法，其特征在于包括下述步骤：

步骤1：源端启动第t轮，将反馈概率p_f(t)及各层速率值记录在数据包头中，开始发送第t轮的数据包。

步骤2：对于每个接收端，在收到第t轮的第一个数据包时启动定时器T_R。

步骤3：对于每一个接收端，当定时器T_R超时，计算期望服务速率，执行加入/退出层的操作。

步骤4：执行反馈抑制操作，具体包括以下操作：

(1)如果期望服务速率小于基层发送速率，发送反馈并结束，否则转入步骤(2)；

(2)在(0，1)之间以均匀分布产生随机数p，读取数据包头中的反馈概率值p_f(t)；

(3)如果p小于p_f(t)，发送反馈并结束，否则直接结束。

步骤5：当源端收到第t轮中的第一个反馈，启动定时器T_S，开始收集反馈信息；

步骤6：当定时器T_S超时，估计组规模，计算新的反馈概率，具体包括以下操作：

(1)统计本轮收到的所有反馈样本，设样本数为M(t)；

(2)按照式(1)估计组规模N(t)；

N(t)≈M(t)/p_f(t)    (1)

(3)按照式(2)设置第i轮所需样本数M；

$M=\left\{\begin{array}{cc}{M}_{\min }& N\left(t\right)\≤N_{\mathrm{thr}}\\ M_{\min }+(M_{\max }-M_{\min })(1-e^{-\frac{N\left(t\right)-N_{\mathrm{thr}}}{N_{\mathrm{thr}}}})& N\left(t\right)>N_{\mathrm{thr}}\end{array}\right.---\left(2\right)$

式中，N_thr是门限值，M_min和M_max分别为最小和最大样本数。

(4)按照式(3)设置新的反馈概率；

$p_f(t+1)=\frac{M}{N\left(t\right)}---\left(3\right)$

步骤7：设置最优层速率，进入步骤1开始第t+1轮，具体包括以下操作：

(1)选择所有反馈样本中最小的期望服务速率

(2)以

作为控制变量，使用单速率机制调节第i轮的基层速率x₀(t)；

(3)以最大化全局满意度和最小化全组速率抖动为目标构建最优化问题，具体方法是：

(a)对于每一个样本i，计算其满意度Sⁱ(X(t))，其中X(t)＝[x₀(t)，x₁(t)，…x_L-1(t)]是层速率向量，L是最大层数；

(b)按照式(4)计算所有样本的全局满意度S(X(t))；

$S\left(X\left(t\right)\right)=\frac{1}{M\left(t\right)}\underset{i=0}{\overset{M\left(t\right)-1}{\mathrm{\Σ}}}{S}^i\left(X\left(t\right)\right)---\left(4\right)$

(c)按照式(5)定义目标函数一；

Max  F₁(X(t))＝S(X(t))            (5)

(d)对于每一层l，计算其速率抖动D_l(X(t))；

(e)计算全组速率抖动；

$D\left(X\left(t\right)\right)=\frac{1}{L}\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{D}_l\left(X\left(t\right)\right)---\left(6\right)$

(f)按照式(7)定义目标函数二；

Max  F₂(X(t))＝1-D(X(t))          (7)

(g)以式(8-10)作为约束条件：

$\underset{l=0}{\overset{l^i}{\mathrm{\Σ}}}{x}_l\left(t\right)\≤R_{\mathrm{req}}^i\left(t\right)(l^i\≤L-1,i=\mathrm{0,1},...,M\left(t\right)-1)---\left(8\right)$

x_l(t)≥R_min(l＝1，2，...，L-1)    (9)

x_l(t)≤R_max(l＝1，2，...，L-1)    (10)

(4)求解步骤(3)所建立的多目标优化问题，使用多目标粒子群优化算法对问题求解，设置一组最优的层速率。

(5)进入第t+1轮，转入步骤一。

Images