CN104994031A - 一种主动队列自适应管理方法asred - Google Patents

Abstract

一种主动队列自适应管理方法ASRED。主动队列管理AQM一直是互联网拥塞控制研究中的热点问题。传统的AQM算法虽然能有效的预测和控制网络拥塞的发生，但是其对参数设置的依赖过大，敏感度高，在不同的网络中，算法表现不稳定，性能差别较大。针对以上问题，本发明在GRED和ARED算法思想的基础上，设计了一种新的主动队列管理算法ASRED，其采用非线性函数来计算丢包的概率，以平滑曲线的增长方式更加合理的控制丢包数量，同时由于其自适应调节max_p的特点，使得本发明能够更好地适应网络环境状态的变化，预测和防止拥塞的发生，对多变的网络环境都可充分保证网络吞吐率。

Description

一种主动队列自适应管理方法ASRED

技术领域

本发明属于互联网技术领域。

背景技术

近年来，网络的发展日新月异，单纯使用源端拥塞控制机制已经不能满足用户对网络性能越来越高的要求。中间节点拥塞控制算法为拥塞控制的研究开拓了新的研究方向。主动队列管理算法在中间节点拥塞控制机制扮演着极为重要的角色，在实际中有着较广应用，其中以RED算法最具有代表性，但是其算法的性能对参数的设置依赖过大，算法参数敏感度高，稳定性和鲁棒性还有提高的空间，以下为几种经典的主动队列管理算法优缺点的分析：

1、RED算法分析：

RED算法监控和记录节点路由输出端口的队列长度并通过计算平均队列长度来预测拥塞。当算法根据记录的队列长度预测拥塞即将发生时，就随机地丢弃正在进入路由的数据包，使得正在与此路由通信的一定量发送端进入拥塞控制，减小其拥塞窗口，降低数据发送速度，一定程度上降低了到达路由器的数据包量而达到缓解拥塞的目的。

算法整体分为两部分，第一，计算平均队列长度，采用EWMA(Exponential WeightedMovingAverage)低通滤波器计算平均队列长度，其加权平均式为：

QL_avg＝(1-w)×QL_avg+w×QL

其中QL_avg是计算出的队列平均长度；QL是路由器的瞬时队列长度，由路由器通过每个时间间隔的采样测量得到；w是加权系数，理论上0≤w≤1。

网络流量的突发性暴涨的发生几率很高，而平均队列长度不会随着网络的大量突发数据或短暂拥塞而大幅度的变化，这样过滤掉少量异常的队列变化，更确切地反映队列长度长期稳定的变化趋势，并以此为根据计算随机丢包的概率。其中，加权系数w的设定非常重要。若w的值设定较小，即QL_avg变化缓慢，对网络流量变化过于迟钝，不能很好的反应网络实时情况，这样就很难检测出初期的网络拥塞；反之如果w的值设定太大，QL_avg对网络实时变化过于敏感，削弱了过滤功能，使网络的稳定性降低。

当路由队列为空的时，路由节点即时处理了m个分组，其计算公式为：

$m=\frac{T-T_{Qemp}}{S}$

其中，T为现在时刻，T_Qemp为队列为空的时刻，S表示一个平均大小的数据分组从到达路由器到路由器处理完成所需时间。队列的平均长度的计算公式如下：

${\mathrm{QL}}_{{\mathrm{avg}}_{k+1}}={(1-w)}^m\×{\mathrm{QL}}_{{\mathrm{avg}}_k}$

第二，计算丢包概率。衡量网络拥塞的程度的主要判断依据是由第一步计算出的平均队列长度。基于平均队列长度，RED算法计算丢包概率来缓解拥塞。除了队列长度，RED算法还设定了两个与拥塞有关的队列长度阈值，最大值max_th和最小值min_th，根据计算出的平均队列长度QL_avg与两个阈值的关系来判断网络是否处在两个极端情况。当QL_avg<min_th时，网络环境良好，没有发生拥塞的危险，则丢弃概率为零，每一个到达的数据包都进入队列；当QL_avg>max_th时，即网络拥塞非常严重时，算法将丢包概率设为1，丢弃所有到达的数据包；当min_th<QL_avg<max_th时，路由节点按照概率P_b丢弃到达的数据包

P_b＝max_p(QL_avg-min_th)/(max_th-min_th)

其中，max_p是在区间(min_th，max_th)中P_b的最大值，且P_b＜1。

综上所述，RED算法的路由节点整体丢包概率P_b的表达式为：

$P_b=\left\{\begin{array}{cc}0& {\mathrm{QL}}_{avg}<{\min }_{th}\\ {\max }_p\frac{{\mathrm{QL}}_{avg}-{\min }_{th}}{{\max }_{th}-{\min }_{th}}& {\min }_{th}\&le;{\mathrm{QL}}_{avg}\&le;{\max }_{th}\\ 1& {\mathrm{QL}}_{avg}>{\max }_{th}\end{array}\right.$

可见P_b是平均队列长度为自变量的较为简单的分段线性函数，其函数图形如图3所示。相比于尾部丢弃算法，RED算法有长足的进步，能有效的避免全局同步现象，但是它仍存在一些明显的缺点。

(1)参数敏感度高：RED算法的性能表现对参数设置要求非常高，如权值w的设置，如果w的值设置比较大，平均队列长度QL_avg对路由节点的实时队列长度比较敏感；反之则反应比较小。这就要求w的值要找到一个平衡点，既能保证算法对初期拥塞做出应有的反应，又能有效过滤短暂拥塞的影响，保持算法的稳定。而且，在不同的运用中算法参数的要求也不尽相同，没有一种适用于各种情形的参数。

(2)网络环境敏感度高：研究表明，在不同的网络环境中，如突发数据流的不同，负载不同等，算法的性能也有很大不同。其鲁棒性有待提高。

(3)公平性：虽然通过计算平均队列长度能降低对突发数据流的偏见，但不同的RTT、分组大小、拥塞窗口大小也会影响带宽分配的不公平。

2、ARED(Adaptive RED)算法：

针对RED参数敏感性高的问题，Wu Chang Feng等人提出了基于RED算法的Self-configuring RED算法，该算法能够基于网络负载情况动态地选择合适的参数，提高了RED算法的性能。后来Floyd在保持Self-configuring RED算法优点的基础上对其做了很小的调整，进一步提高了算法鲁棒性，这就是ARED。

ARED算法将RED算法分为激进和保守两种状态，通过设置不同的max_p值对两种状态加以区分。max_p是由队列长度的变化动态调整。此算法引入了新的参数，α，β，interval，并引入了目标队列长度(target)的概念。实施过程中，如果QL_avg小于target，平均队列长度靠近阈值min_th，则说明算法过于激进，丢包概率过大，应当相应减小max_p的值；反之，则说明丢包概率过小，算法过于保守，网络一直存在拥塞威胁，应当增大max_p的值。interval指的是上次更新max_p到本次更新的时间间隔，通常取0.5s。

具体算法如下，

${\max }_p=\left\{\begin{array}{cc}{\max }_p+\mathrm{\&alpha;}& {\mathrm{QL}}_{avg}>t\arg et\\ {\max }_p& min(0.01,\frac{{\max }_p}{4})\\ {\max }_p\&times;\mathrm{\&beta;}& {\mathrm{QL}}_{avg}<t\arg et\end{array}\right.$

其中，α是一个很小的值，一般取0.3，β取一个小于1的数，一般为0.9，target是一个区间，通常为[min_th+0.4×(max_th-min_th)，min_th+0.6×(max_th-min_th)]，max_p的值要小于0.5，因为max_p过大会引起类似于“全局同步”的现象。可见，ARED算法根据QL_avg与target之间的大小关系，通过“和式增加积式减小”的方式小范围调整max_p的值，使队列长度在目标长度上下浮动，保证了算法的稳定性，削弱了算法的参数敏感度。ARED丢包概率函数的图形如图4所示。

ARED算法在保留了RED算法的基本结构的基础上，对丢包概率上限的计算做了很小的改动。虽然能够在一定程度上减小算法的参数敏感度，但总体上仍没有解决RED算法自适应性较差的根本问题。

ARED算法增加了α，β，interval参数，实际应用时路由的参数配置会变得更加复杂。

参数的设置对算法的性能影响很大，但由于实际网络环境由于设备、自然环境等种种原因存在巨大差异，参数配置不当会对网络产生很大的副作用。若α、β的值设置过大，max_p的变化将会过于剧烈，在网络流量比较稳定的情况会增加不必要的丢包，降低网络服务质量；反之，如果设置过小，max_p需要经过几次调整才能逐渐趋于稳定，存在一定的滞后性。

3、GRED(GentleRED)算法：

在RED算法中，只要平均队列长度QL_avg大于预定义的最大队列长度的阈值max_th，算法就将丢包概率设置为1，即所有到达路由的数据都被无差别丢弃。这个阶段RED算法的性能与“尾部丢弃”并无区别，很容易造成队列长度的剧烈震荡。为了解决这个问题，Floyd等人提出了基于RED算法的Gentle RED算法。

GRED算法与RED算法基本相同，唯一区别是在平均队列长度QL_avg大于最大阈值max_th的处理方式。当max_th≤QL_avg≤2max_th时，GRED算法没有直接把丢包概率设定为1，而是以一个更大的概率丢包，直到QL_avg＞2max_th时，丢包概率才为1。具体算法表达式如下，

$P_b=\left\{\begin{array}{cc}0& {\mathrm{QL}}_{avg}<{\min }_{th}\\ {\max }_p\frac{{\mathrm{QL}}_{avg}-{\min }_{th}}{{\max }_{th}-{\min }_{th}}& {\min }_{th}\&le;{\mathrm{QL}}_{avg}\&le;{\max }_{th}\\ (1-{\max }_p)\frac{{\mathrm{QL}}_{avg}-{\max }_{th}}{{\max }_{th}}+{\max }_p& {\max }_{th}\&le;{\mathrm{QL}}_{avg}\&le;2{\max }_{th}\\ 1& {\mathrm{QL}}_{avg}>2{\max }_{th}\end{array}\right.$

GRED算法的丢包概率函数图形如图5所示。

GRED算法扩大了算法的作用范围，提高了算法的鲁棒性，改善了网络的稳定性，同时也使得算法对max_th的敏感度降低。

在平均队列长度QL_avg趋于最大值域max_th的时候，GRED算法采取增大丢包概率的变化率而不是丢包概率直接跳变到1的方法，这样可以使丢包概率P_b的抖动平滑化。但GRED算法还是有不足之处。

(1)算法没有解决参数敏感度的问题，其性能依然依赖于参数的设置，不同网络环境仍需不同的参数。

(2)只是单纯地改变丢包概率增长率，不能做到对增长率的实时调整，平滑度有待提高。

(3)如果队列长度一直增加，在平均队列长度QL_avg等于最大值域max_th时，算法仍面临“全局同步”的问题。

发明内容

本发明提出的这种主动队列自适应管理方法(ASRED)，目的是去解决网络拥塞问题，提高网络带宽的利用率。本发明方法继承并发展了ARED根据网络资源变化动态调整最大丢包概率max_p的思想，以及GRED扩大算法作用范围的思想，采用非线性函数Sigmoid和幂函数组成的分段函数，优化了丢包概率的函数计算公式，使算法对网络环境的变化描述更贴切，同时，增大了作用范围，提高了算法的鲁棒性，使其更能适应多变的网络环境。

本发明提供的主动队列自适应管理方法ASRED，主要包括如下关键步骤：

第1、丢包概率函数优化，即：利用分段非线性函数

$P_b=\left\{\begin{array}{cc}0& {\mathrm{QL}}_{avg}\&le;{\min }_{th}\\ \frac{1}{2}{\max }_p\&times;\frac{1}{1+e^{-\&lsqb;x-(\frac{3}{4}{\min }_{th}+\frac{1}{4}{\max }_{th})\&rsqb;}}& {\min }_{th}<{\mathrm{QL}}_{avg}\&le;\frac{1}{2}({\min }_{th}+{\max }_{th})\\ \frac{1}{2}{\max }_p{\&lsqb;\frac{x-\frac{1}{2}({\min }_{th}+{\max }_{th})}{\frac{1}{2}{\max }_{th}-\frac{1}{2}{\min }_{th}}\&rsqb;}^3+\frac{1}{2}{\max }_p& \frac{1}{2}({\min }_{th}+{\max }_{th})<Q{L}_{avg}\end{array}\right.$

代替原来的线性函数来计算丢包率，其中：P_b表示丢包概率，max_p表示最大丢包率，max_th、min_th表示预设定的路由缓冲区队列长度的最大和最小阈值，QL_avg表示路由队列的平均长度；

第1.1、当路由缓冲区的平均队列长度QL_avg小于路由缓冲区设定的最小阈值min_th时，网络未处于拥塞状态，丢包概率P_b为0；

第1.2、当路由缓冲区的平均队列长度QL_avg满足时，网络吞吐量稳定，此时丢包率P_b不宜剧烈变化，按照函数缓慢的增长，并且逐渐趋于稳定；

第1.3、当路由缓冲区的平均队列长度QL_avg满足时，网络资源利用率充分，这时要求丢包率P_b的变化迅速而且剧烈，按照 $f\left(x\right)=\frac{1}{2}{\max }_p{\&lsqb;\frac{x-\frac{1}{2}({\min }_{th}+{\max }_{th})}{\frac{1}{2}{\max }_{th}-\frac{1}{2}{\min }_{th}}\&rsqb;}^3+\frac{1}{2}{\max }_p$ 函数来增大丢包率，以避免发生全局同步现象；

第2、对最大丢包率max_p的自适应调整，即：不引入新参数，而是利用平均队列长度QL_avg与最小阈值min_th和最大阈值max_th的大小关系作为依据来调整max_p的值，具体公式如下：

${\max }_p=\left\{\begin{array}{cc}{\max }_p\&times;\frac{{\mathrm{QL}}_{avg}}{{\min }_{th}}& \frac{1}{2}{\min }_{th}<{\mathrm{QL}}_{avg}<{\max }_{th}\\ {\max }_p\&lsqb;0.01,0.5\&rsqb;& {\min }_{th}\&le;{\mathrm{QL}}_{avg}\&le;{\max }_{th}\\ {\max }_p\&times;\&lsqb;1+\frac{{\mathrm{QL}}_{avg}-{\max }_{th}}{bufsize-{\max }_{th}}\&rsqb;& {\max }_{th}<{\mathrm{QL}}_{avg}<bufsize\end{array}\right.$

第2.1、如果在两个往返时延RTT内，当平均队列长度QL_avg均大于小于min_th时，表示网络负载较轻，这时按照公式来减小max_p的值，且最小为0.01；

第2.2、如果在两个往返时延RTT内，当平均队列长度QL_avg均处于在min_th、max_th之间时，表示网络负载稳定，此时不调整max_p的值，但要保证max_p处于[0.01,0.5]这个区间内；

第2.3、如果在两个往返时延RTT内，当平均队列长度QL_avg均大于max_th时，表明此时网络负载较重，这时按照公式来增大max_p的值，且最大为0.5，其中bufsize为路由所能缓冲的最大队列长度。

具体丢包概率函数推导过程如下：

如图1中所示，我们需要的丢包概率P_b的图形曲线应该满足这样的条件：

(1)接近于最小阈值min_th的位置应该平缓，丢包概率P_b缓慢上升。

(2)最小阈值min_th与最大阈值max_th的中点部分要平缓，斜率不能太大。

(3)超过最大阈值max_th的部分要迅速平滑地升高，直至为1。

根据以上的分析，采用分段函数来实现函数性质的要求，分界点为在区间中，需要一个S型曲线来实现变换率的改变，在此使用Sigmoid函数，如图2所示，其表达式为

$f\left(x\right)=\frac{1}{1+e^{-x}}$

由函数图可见，Sigmoid函数很符合以上分析的要求。

下面对Sigmoid函数进行处理。首先，函数的中心对称点由(0，0.5)移到先处理横坐标，则Sigmoid函数表达式变为

$f\left(x\right)=\frac{1}{1+e^{-\&lsqb;x-(\frac{3}{4}{\min }_{th}+\frac{1}{4}{\max }_{th})\&rsqb;}}$

这时，函数的值域依然是(0，1)根据分析我们希望的函数值域由(0，1)变为对函数做进一步处理得：

$f\left(x\right)=\frac{1}{2}{\max }_p\&times;\frac{1}{1+e^{-\&lsqb;x-(\frac{3}{4}{\min }_{th}+\frac{1}{4}{\max }_{th})\&rsqb;}}$

至此，函数的前半段完成，其函数图像在接近于0处平缓上升，之后灵敏增长，最后又趋于平稳。

在区间中，需要一个在起始阶段缓慢上升，之后斜率逐渐增大，在平均队列长度QL_avg超过最大阈值max_th之后，丢包概率P_b要迅速增大，通过大量随机丢包来减小网络中的数据量，避免发生全局同步。在此，采用三次函数，其表达式为：

f(x)＝kx³

首先，把三次函数与原点(0，0)的交点移到新的起点函数变换为

$f\left(x\right)=k{\&lsqb;x-\frac{1}{2}({\min }_{th}+{\max }_{th})\&rsqb;}^3+\frac{1}{2}{\max }_p$

分析函数图形可知，丢包概率曲线经过点(max_th，max_p)，将点(max_th，max_p)代入上式，解得

$k=\frac{\frac{1}{2}{\max }_p}{{(\frac{1}{2}{\max }_{th}-\frac{1}{2}{\min }_{th})}^3}$

将解得的k代入式函数式，可得新的表达式为：

$f\left(x\right)=\frac{1}{2}{\max }_p{\&lsqb;\frac{x-\frac{1}{2}({\min }_{th}+{\max }_{th})}{\frac{1}{2}{\max }_{th}-\frac{1}{2}{\min }_{th}}\&rsqb;}^3+\frac{1}{2}{\max }_p$

这样就得到了后半段的函数表达式，从点开始，到丢包概率达到1，函数斜率呈增大趋势。

由于新算法扩大了丢包函数的作用范围，而且函数整体平滑，不存在跳变，在这里，点(max_th，max_p)已不是丢包概率P_b取最大值处，max_p也不再是P_b的最大值。

综上所述，完整的丢包概率P_b函数为

$P_b=\left\{\begin{array}{cc}0& {\mathrm{QL}}_{avg}\&le;{\min }_{th}\\ \frac{1}{2}{\max }_p\&times;\frac{1}{1+e^{-\&lsqb;x-(\frac{3}{4}{\min }_{th}+\frac{1}{4}{\max }_{th})\&rsqb;}}& {\min }_{th}<{\mathrm{QL}}_{avg}\&le;\frac{1}{2}({\min }_{th}+{\max }_{th})\\ \frac{1}{2}{\max }_p{\&lsqb;\frac{x-\frac{1}{2}({\min }_{th}+{\max }_{th})}{\frac{1}{2}{\max }_{th}-\frac{1}{2}{\min }_{th}}\&rsqb;}^3+\frac{1}{2}{\max }_p& \frac{1}{2}({\min }_{th}+{\max }_{th})<Q{L}_{avg}\end{array}\right..$

本发明的优点和积极效果

在比较研究了RED及其各种改进算法之后，本发明提出的这种新算法继承并发展了ARED根据网络资源变化动态调整max_p的思想，以及GRED扩大算法作用范围的思想。新算法采用非线性函数Sigmoid和指数函数组成的分段函数，优化了丢包概率的函数计算公式。根据平均队列长度QL_avg的变化以非线性的函数计算丢包概率，使算法对网络环境的变化描述更贴切。新算法中，丢包概率函数依照不同的网络环境采用不同的增长速度：开始增长缓慢保证带宽利用率，中间平缓兼顾算法稳定性，末尾陡峭防止拥塞发生。根据此算法丢包，平均队列长度QL_avg会维持在一个较小的变化范围内，极大的提高了网络的利用率。新算法增大了作用范围，提高了算法的鲁棒性，通过动态调整max_p的值，极大增强了算法对不同网络的适应性，使之在任何网络条件下都可充分保证网络吞吐率。

附图说明

图1本发明提出的主动队列自适应管理算法(ASRED)的丢包率函数图。

图2Sigmoid函数曲线图。

图3RED丢包概率函数图。

图4ARED算法丢包概率函数图。

图5GRED算法丢包概率函数图。

图6仿真网络拓扑图，其中，R1和R2为路由器，S为发送源端，D为接收端节点。

图7本发明的仿真结果图。

具体实施方式

本法明所提出的这种主动队列自适应管理方法ASRED在RED的基础上，继承并发展了ARED根据网络资源变化动态调整最大丢包概率max_p的思想，以及GRED扩大算法作用范围的思想，采用非线性函数Sigmoid和幂函数组成的分段函数，优化了丢包概率的函数计算公式，提高了算法的鲁棒性，具体丢包算法公式如下：

$P_b=\left\{\begin{array}{cc}0& {\mathrm{QL}}_{avg}\&le;{\min }_{th}\\ \frac{1}{2}{\max }_p\&times;\frac{1}{1+e^{-\&lsqb;x-(\frac{3}{4}{\min }_{th}+\frac{1}{4}{\max }_{th})\&rsqb;}}& {\min }_{th}<{\mathrm{QL}}_{avg}\&le;\frac{1}{2}({\min }_{th}+{\max }_{th})\\ \frac{1}{2}{\max }_p{\&lsqb;\frac{x-\frac{1}{2}({\min }_{th}+{\max }_{th})}{\frac{1}{2}{\max }_{th}-\frac{1}{2}{\min }_{th}}\&rsqb;}^3+\frac{1}{2}{\max }_p& \frac{1}{2}({\min }_{th}+{\max }_{th})<Q{L}_{avg}\end{array}\right.---\left(1\right)$

最大丢包率max_p的动态调整公式如下：

${\max }_p=\left\{\begin{array}{cc}{\max }_p\&times;\frac{{\mathrm{QL}}_{avg}}{{\min }_{th}}& \frac{1}{2}{\min }_{th}<{\mathrm{QL}}_{avg}<{\max }_{th}\\ {\max }_p\&lsqb;0.01,0.5\&rsqb;& {\min }_{th}\&le;{\mathrm{QL}}_{avg}\&le;{\max }_{th}\\ {\max }_p\&times;\&lsqb;1+\frac{{\mathrm{QL}}_{avg}-{\max }_{th}}{bufsize-{\max }_{th}}\&rsqb;& {\max }_{th}<{\mathrm{QL}}_{avg}<bufsize\end{array}\right.---\left(2\right)$

其中P_b表示丢包概率，max_p表示最大丢包概率，QL_avg表示平均队列长度，min_th、max_th表示设定的路由队列长度的最小和最大阈值，bufsize表示路由所能缓冲的最大队列长度。

下面我们以一个具体实例来说明算法的具体过程：

假设有如图6为仿真网络拓扑图。发送端和接收端到路由器的链路容量为10Mbps，时延为5ms，路由器R1和R2之间是容量为20Mbps，时延为10ms的瓶颈链路。所有路由器节点的缓冲区均设置为300，即bufsize＝300，算法的初始数据设置为：权值w＝0.002，最大丢包率max_p＝0.1，设置路由缓冲区的最大阈值max_th＝200，最小阈值min_th＝100。

根据以上网络环境的设置，我们利用以下公式来计算平均队列长度，

${\mathrm{QL}}_{{\mathrm{avg}}_{k+1}}=(1-w)\&times;{\mathrm{QL}}_{{\mathrm{avg}}_k}+w\&times;QL---\left(3\right)$

其中QL_avgk是前一次计算出的平均队列平均长度，初始时为0，QL_avgk+1是本次计算出的平均队列长度；QL是路由器的队列长度样本，由路由器通过每个时间间隔的采样测量得到，w为加权系数，这里我们取0.002，得到了如图7所示路由平均队列长度与丢包率的关系图。

根据公式(3)计算不同时刻的平均队列长度，不同时刻的丢包率如下：

当由于min_th＝100，所以当QL_avg≤50时，按照公式(1)丢包率P_b为0，且并不对最大丢包率max_p进行调节，此时仍然为0.1；

当时，由于min_th＝100，所以当50<QL_avg≤100时，按照公式(1)丢包率P_b为0，且此时对最大丢包率max_p按照公式(2)进行调节，若此时QL_avg＝80，则计算得max_p＝0.08，符合此范围的QL_avg依此类推；

当时，由于min_th＝100，max_th＝200，所以，当100<QLavg≤150时，首先按照公式(2)来计算出max_p的值，由于当最后一次QL_avg小于或等于100时计算得max_p的值为0.05，所以，按照公式(2)当100≤QL_avg≤200时，均按照max_p＝0.05来计算。我们将max_p＝0.05带入公式(1)，假设此时得到的QLavg＝120符合条件，根据计算得到p_b＝0.0075，符合此范围的QL_avg依此类推；

当时，由于min_th＝100，max_th＝200，所以当150<QL_avg<200时，由于此时QL_avg仍然处于100与200之间，按照公式(2)所以max_p的值仍然为0.05，假设此时QL_avg＝180，按照公式(1)将参数带入得到此时的丢包率p_b＝0.04，符合此范围的QL_avg依此类推；

当max_th<QL_avg<bufsize时，由于max_th＝200，所以当QL_avg>200时，首先按照公式(2)来计算此时的max_p的值，假设此时的QL_avg＝250，经计算得到此时的max_p的值为0.2，代入公式(1)计算此时的丢包率p_b＝0.9，符合此范围的QL_avg依此类推。

以上当我们要调整max_p的值的时候，均要保证在两次往返时间RTT内的平均队列长度QL_avg均处于同一个区间内，且以最后一次的长度为准来进行计算，如果出现两次平均队列长度QL_avg不在同一区间内，则不进行调整，仍然按照之前的max_p值进行计算。

Claims (1)

1.主动队列自适应管理方法ASRED，其特征在于该方法包括如下关键步骤：

第1、丢包概率函数优化，即：利用分段非线性函数

$P_b=\left\{\begin{array}{cc}0& {\mathrm{QL}}_{avg}\&le;{\min }_{th}\\ \frac{1}{2}{\max }_p\&times;\frac{1}{1+e^{-\&lsqb;x-\left(\frac{3}{4}{\min }_{th}+\frac{1}{4}{\max }_{th}\right)\&rsqb;}}& {\min }_{th}<{\mathrm{QL}}_{avg}\&le;\frac{1}{2}\left({\min }_{th}+{\max }_{th}\right)\\ \frac{1}{2}{\max }_p{\&lsqb;\frac{x-\frac{1}{2}\left({\min }_{th}+{\max }_{th}\right)}{\frac{1}{2}{\max }_{th}-\frac{1}{2}{\min }_{th}}\&rsqb;}^3+\frac{1}{2}{\max }_p& \frac{1}{2}\left({\min }_{th}+{\max }_{th}\right)<{\mathrm{QL}}_{avg}\end{array}\right.$

代替原来的线性函数来计算丢包率，其中：P_b表示丢包概率，max_p表示最大丢包率，max_th、min_th表示预设定的路由缓冲区队列长度的最大和最小阈值，QL_avg表示路由队列的平均长度；

第1.1、当路由缓冲区的平均队列长度QL_avg小于路由缓冲区设定的最小阈值min_th时，网络未处于拥塞状态，丢包概率P_b为0；

第1.2、当路由缓冲区的平均队列长度QL_avg满足时，网络吞吐量稳定，此时丢包率P_b不宜剧烈变化，按照函数缓慢的增长，并且逐渐趋于稳定；

第1.3、当路由缓冲区的平均队列长度QL_avg满足时，网络资源利用率充分，这时要求丢包率P_b的变化迅速而且剧烈，按照

$f\left(x\right)=\frac{1}{2}{\max }_p{\&lsqb;\frac{x-\frac{1}{2}({\min }_{th}+{\max }_{th})}{\frac{1}{2}{\max }_{th}-\frac{1}{2}{\min }_{th}}\&rsqb;}^3+\frac{1}{2}{\max }_p$ 函数来增大丢包率，以避免发生全局同步现象；

第2、对最大丢包率max_p的自适应调整，即：不引入新参数，而是利用平均队列长度QL_avg

与最小阈值min_th和最大阈值max_th的大小关系作为依据来调整max_p的值，公式如下：

${\max }_p=\left\{\begin{array}{cc}{\max }_p\&times;\frac{{\mathrm{QL}}_{avg}}{{\min }_{th}}& \frac{1}{2}{\min }_{th}<{\mathrm{QL}}_{avg}<{\min }_{th}\\ {\max }_p\&lsqb;0.01,0.5\&rsqb;& {\min }_{th}<{\mathrm{QL}}_{avg}<{\max }_{th}\\ {\max }_p\&times;\&lsqb;1+\frac{{\mathrm{QL}}_{avg}-{\max }_{th}}{bufsize-{\max }_{th}}\&rsqb;& {\max }_{th}<{\mathrm{QL}}_{avg}<bufsize\end{array}\right.$

第2.1、如果在两个往返时延RTT内，当平均队列长度QL_avg均大于小于min_th时，表示网络负载较轻，这时按照公式来减小max_p的值，且最小为0.01；

第2.2、如果在两个往返时延RTT内，当平均队列长度QL_avg均处于在min_th、max_th之间时，表示网络负载稳定，此时不调整max_p的值，但要保证max_p处于[0.01,0.5]这个区间内；

第2.3、如果在两个往返时延RTT内，当平均队列长度QL_avg均大于max_th时，表明此时网络负载较重，这时按照公式来增大max_p的值，且最大为0.5，其中bufsize为路由所能缓冲的最大队列长度。