CN112671660A - 异构多路径传输网络系统多性能参数并行优化方法及装置 - Google Patents
异构多路径传输网络系统多性能参数并行优化方法及装置 Download PDFInfo
- Publication number
- CN112671660A CN112671660A CN202011543536.XA CN202011543536A CN112671660A CN 112671660 A CN112671660 A CN 112671660A CN 202011543536 A CN202011543536 A CN 202011543536A CN 112671660 A CN112671660 A CN 112671660A
- Authority
- CN
- China
- Prior art keywords
- throughput
- path
- congestion control
- sub
- control algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种异构多路径传输网络系统多性能参数并行优化方法及装置,基于异构多路径传输网络系统中多项输入参数集合,对输入参数集合进行优化计算,获得输出参数集合。其中,输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体等多项优化,以此改进异构多路径传输网络系统的整体传输效率,提高吞吐量的同时大大节省端设备缓存资源,并择优选用拥塞控制算法之一和路径管理算法之一。基于此,通过输出参数集合的全局性能优化,避免只优化单一性能参数导致的顾此失彼。
Description
技术领域
本发明涉及数据传输处理技术领域,特别是涉及一种异构多路径传输网络系统多性能参数并行优化方法及装置。
背景技术
随着多种接入技术、移动通信、卫星通信与星链技术的快速发展,多网融合是未来网络发展的必然方向,因此下一代互联网异构融合通信是常态,而同构融合则是特例。当MPTCP(MultiPath TCP多路传输控制协议)多路径传输技术将不同性质或不同品质的网络互联融为一体并发传输时,多路径传输系统会产生以下多方面的问题:
一、路径管理算法问题——FullMesh(全网状)算法在默认情况下将所有可用子路径采用被接方式加入后并发传输,没考虑子路径的质量特性;而PCDC(PathCharacteristic and Data Characteristic)算法引入了路径及数据特征,只有影响因子大于0的子路径有机会参与并发传输;实践证明所有子路径并发使用并不一定能提高网络整体性能,甚至会拖累系统,顾此失彼,导致吞吐量减少,这种情况尤其多发生在异构多网络融合网络中。而PCDC策略也并不是最佳方法,因为网络环境及载荷瞬息万变,上一时刻影响因子大于0,下一时刻影响因子可能就小于0,载荷大小也在变化。因此根据传输场景,只有动态地选择路径管理算法才符合实际场景,但如何选择尚待解决。
二、缓存配置算法问题——在异构程度较大的网络中,用传统公式计算多路径并发传输缓存耗量将会大大增加各端设备的缓存配置,因为缓存(BS,BufferSize)计算公式是将并发传输各子路径带宽先求和,再乘以3倍的最大往返时间与最大的重传超时时间之和,即公式如下所示。
然而,大量的测试研究表明在多路径传输下按上面公式进行配置会造成缓存资源的大量浪费。
三、拥塞控制算法问题——目前在多路径传输系统中使用了多个拥塞控制(CC)算法,常用的有:Cubic,Hybla,OLIA,Reno,Scalable,Vegas。实践中发现在异构多路径传输中不同场景为了达到最佳传输性能组合,其采用的CC算法也不同。因此,如何根据传输场景的不同动态选用不同的CC算法至此还无法解决。
发明内容
基于此,有必要针对传统的多路径传输系统还存在的问题,提供一种异构多路径传输网络系统多性能参数并行优化的方法及装置。
一种异构多路径传输网络系统多性能参数并行优化方法,包括步骤:
获取输入参数集合;其中,输入参数集合包括异构网络的拓扑结构信息集、拥塞控制算法集合和路径管理算法集合;
根据MPTCP网络的拓扑结构信息集计算异构网络的初始有效子路径集;
根据输入参数集合运行系统的拥塞控制算法集合和计算出的初始有效子路径集合,得到测试床上的实测吞吐量,并根据测试床上的实测吞吐量确定影响因子;
根据影响因子从初始有效子路径集中划分出可选子路径子集;
根据可选子路径子集和拥塞控制算法集合,重新测量得到重测吞吐量;
对路径管理算法集合、重测吞吐量和拥塞控制算法集合进行优化,获得优化后的输出参数集合;其中,输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体。
上述的异构多路径传输网络系统多性能参数并行优化方法,基于异构多路径传输网络系统中多项输入参数集合,对输入参数集合进行优化计算,获得输出参数集合。其中,输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体等多项优化,以此改进异构多路径传输网络系统的整体传输效率,提高吞吐量的同时大大节省端设备缓存资源,并择优选用拥塞控制算法之一和路径管理算法之一。基于此,通过输出参数集合的全局性能优化,避免只优化单一性能参数导致的顾此失彼。
在其中一个实施例中,根据MPTCP网络的拓扑结构计算异构网络的初始有效子路径集的过程,如下式:
SP=f1(TOP{ISP})=Ns×Mr
其中,SP为初始有效子路径集,Ns为发送端接口数或ISP数,Mr为接收端的接口数或ISP数,TOP为异构网络的拓扑结构信息集。
在其中一个实施例中,根据输入参数集合运行系统的拥塞控制算法集合和计算出的初始有效子路径集合,得到测试床上的实测吞吐量的过程,如下式:
TP=f2(SP,CC)
其中,TP为测试床上的实测吞吐量,SP为初始有效子路径集合,CC为拥塞控制算法集合。
在其中一个实施例中,根据测试床上的实测吞吐量确定影响因子的过程,如下式:
IF:={Ωi}
其中,TP:={TP1,TP2,...,TPi,...},i=1,2,...N,IF为影响因子。
在其中一个实施例中,根据影响因子从初始有效子路径集中划分出可选子路径子集的过程,如下式:
SP*:={SP1,SP2,...SPi,...SPN}\{SPi|Ωi<0}
其中,SP*为可选子路径子集。
在其中一个实施例中,根据可选子路径子集和拥塞控制算法集合,重新测量得到重测吞吐量的过程,如下式:
TP*:={TPi}=f5(CC,SP*)
其中,TP*为重测吞吐量,CC为拥塞控制算法集合,SP*为可选子路径子集。
在其中一个实施例中,对路径管理算法集合、重测吞吐量和拥塞控制算法集合进行优化,获得优化后的输出参数集合的过程,包括步骤:
以路径管理算法集合、重测吞吐量和拥塞控制算法集合作为输入,根据多重回归分析法建立路径管理算法集合、拥塞控制算法集合、实测吞吐量和端设备缓存耗量的预测模型;
根据预测模型确定最小的端设备缓存耗量,并以此确定输出参数集合。
在其中一个实施例中,在一定的最大吞吐量范围内根据预测模型确定最小的端设备缓存耗量,以此确定输出参数集合的过程,包括步骤:
在一定的最大吞吐量范围内寻找最小的缓存耗量,以牺牲δ的吞吐量来寻找缓存耗量的最小值,如下式:
bs∈BS,tp∈TP*,PMi∈PM,CCj∈CC
求得OBS=min{obsij}
此时所对应的i和j,可对应输出:
OPM=PMi
OCC=CCj
OTP=f6(OBS,OPM,OCC)。
一种异构多路径传输网络系统多性能参数并行优化装置,包括:
参数获取模块,用于获取输入参数集合;其中,输入参数集合包括异构网络的拓扑结构信息集、拥塞控制算法集合和路径管理算法集合;
第一计算模块,用于根据MPTCP网络的拓扑结构信息集计算异构网络的初始有效子路径集;
第二计算模块,用于根据输入参数集合运行系统的拥塞控制算法集合和计算出的初始有效子路径集合,得到测试床上的实测吞吐量,并根据测试床上的实测吞吐量确定影响因子;
第三计算模块,用于根据影响因子从初始有效子路径集中划分出可选子路径子集;
第四计算模块,用于根据可选子路径子集和拥塞控制算法集合,重新测量得到重测吞吐量;
第五计算模块,用于对路径管理算法集合、重测吞吐量和拥塞控制算法集合进行优化,获得优化后的输出参数集合;其中,输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体。
上述的异构多路径传输网络系统多性能参数并行优化装置,基于异构多路径传输网络系统中多项输入参数集合,对输入参数集合进行优化计算,获得输出参数集合。其中,输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体等多项优化,以此改进异构多路径传输网络系统的整体传输效率,提高吞吐量的同时大大节省端设备缓存资源,并择优选用拥塞控制算法之一和路径管理算法之一。基于此,通过输出参数集合的全局性能优化,避免只优化单一性能参数导致的顾此失彼。
一种计算机存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一实施例的异构多路径传输网络系统多性能参数并行优化方法。
上述的计算机存储介质,基于异构多路径传输网络系统中多项输入参数集合,对输入参数集合进行优化计算,获得输出参数集合。其中,输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体等多项优化,以此改进异构多路径传输网络系统的整体传输效率,提高吞吐量的同时大大节省端设备缓存资源,并择优选用拥塞控制算法之一和路径管理算法之一。基于此,通过输出参数集合的全局性能优化,避免只优化单一性能参数导致的顾此失彼。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述任一实施例的异构多路径传输网络系统多性能参数并行优化方法。
上述的计算机设备,基于异构多路径传输网络系统中多项输入参数集合,对输入参数集合进行优化计算,获得输出参数集合。其中,输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体等多项优化,以此改进异构多路径传输网络系统的整体传输效率,提高吞吐量的同时大大节省端设备缓存资源,并择优选用拥塞控制算法之一和路径管理算法之一。基于此,通过输出参数集合的全局性能优化,避免只优化单一性能参数导致的顾此失彼。
附图说明
图1为一实施方式的异构多路径传输网络系统多性能参数并行优化方法流程图;
图2为一实施方式的优化模型示意框图;
图3为另一实施方式的异构多路径传输网络系统多性能参数并行优化方法流程图;
图4为一实施方式的异构多路径传输网络系统多性能参数并行优化方法过程示意图;
图5为NorNet Core国际测试床在世界各地的站点分布及站点间的连接图;
图6为NorNet Core体系结构图;
图7为UiB至UNIS两站点间基于PM及CC集合的呑吐量矢量对比图;
图8为UiB至UNIS两站点间基于PM及CC集合的吞吐量直方对比图;
图9为UiB至UNIS两站点间基于Cubic不同路径管理算法的缓存耗量与吞吐量关系对比图;
图10为UiB至UNIS两站点间基于OLIA不同路径管理算法的缓存耗量与吞吐量关系对比图;
图11为UiB至UNIS两站点间基于Hybla不同路径管理算法的缓存耗量与吞吐量关系对比图;
图12为UiB至UNIS两站点间基于Reno不同路径管理算法的的缓存耗量与吞吐量关系对比图;
图13为UiB至UNIS两站点间基于Vegas不同路径管理算法的缓存耗量与吞吐量关系对比图;
图14为UiB至UNIS两站点间基于Scalable不同路径管理算法的缓存耗量与吞吐量关系对比图;
图15为一实施方式的异构多路径传输网络系统多性能参数并行优化装置模块结构图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明,以下所描述的实施例仅用于解释本发明,并不用于限定本发明。
本发明实施例提供了一种异构多路径传输网络系统多性能参数并行优化方法。
图1为一实施方式的异构多路径传输网络系统多性能参数并行优化方法流程图,如图1所示,一实施方式的异构多路径传输网络系统多性能参数并行优化方法包括步骤S100至步骤S105:
在其中一个实施例中,异构多路径传输网络系统包括NorNet多路径传输网络在内的多种网络系统。
S100,获取输入参数集合;其中,输入参数集合包括异构网络的拓扑结构信息集、拥塞控制算法集合和路径管理算法集合;
图2为一实施方式的优化模型示意框图,如图2所示,输入参数集合IPS:={TOP,CC,PM},而输出参数集合OOPS:={OTP,OBS,OCC,OPM}。TOP为异构网络的拓扑结构信息集,CC为拥塞控制算法集合,PM为路径管理算法集合。其中,输入参数集合具体如下:
TOP:={Site-Name,Location,ISP,Bandwidth(Down/Up)}
CC:={Cubic,Hybla,OLIA,Reno,Scalable,Vegas}
PM:={Fullmesh,PCDC}
如图2所示,本实施例用于根据输入参数集合,确定相对最大的吞吐量、相对最小的缓存耗量以及CC的优选之一和PM的优选之一。即,OTP为相对最大的吞吐量,OBS为相对最小缓存耗量,OCC为拥塞控制算法集合优选个体,OPM为路径管理算法集合优选个体。
在其中一个实施例中,通过多参数优化函数将输入参数集合优化为输出参数集合。多参数优化函数包括第一子函数f1()、第二子函数f2()、第三子函数f3()、第四子函数f4()、第五子函数f5()和第六子函数f6()及对第六子函数求极值优化处理。
S101,根据MPTCP网络的拓扑结构信息集计算异构网络的初始有效子路径集;
在其中一个实施例中,根据MPTCP网络的拓扑结构信息集计算异构网络的初始有效子路径集的过程,如下式:
SP=f1(TOP{ISP})=Ns×Mr
其中,SP为初始有效子路径集,Ns为发送端接口数或ISP数,Mr为接收端的接口数或ISP数,TOP为异构网络的拓扑结构信息集。
S102,根据输入参数集合运行系统的所述拥塞控制算法集合和计算出的初始有效子路径集合,得到测试床上的实测吞吐量,并根据测试床上的实测吞吐量确定影响因子;
在其中一个实施例中,根据输入参数集合运行系统的所述拥塞控制算法集合和计算出的初始有效子路径集合,得到测试床上的实测吞吐量的过程,如下式:
TP=f2(SP,CC)
其中,TP为测试床上的实测吞吐量,SP为初始有效子路径集合,CC为拥塞控制算法集合。
在其中一个实施例中,根据测试床上的实测吞吐量确定影响因子的过程,如下式:
IF:={Ωi}
其中,TP:={TP1,TP2,...,TPi,...},i=1,2,...N,IF为影响因子。
S103,根据影响因子从初始有效子路径集中划分出可选子路径子集;
在其中一个实施例中,根据影响因子从初始有效子路径集中划分出可选子路径子集的过程,如下式:
SP*:={SP1,SP2,...SPi,...SPN}\{SPi|Ωi<0}
其中,SP*为可选子路径子集。
S104,根据可选子路径子集和拥塞控制算法集合,重新测量得到重测吞吐量;
在其中一个实施例中,根据可选子路径子集和拥塞控制算法集合,重新测量得到重测吞吐量的过程,如下式:
TP*:={TPi}=f5(CC,SP*)
其中,TP*为重测吞吐量,CC为拥塞控制算法集合,SP*为可选子路径子集。
S105,对路径管理算法集合、重测吞吐量和拥塞控制算法集合进行优化,获得优化后的输出参数集合;其中,输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体。
在其中一个实施例中,图3为另一实施方式的异构多路径传输网络系统多性能参数并行优化方法流程图,如图3所示,步骤S105中对路径管理算法集合、重测吞吐量和拥塞控制算法集合进行优化,获得优化后的输出参数集合的过程,包括步骤S200和步骤S201:
S200,以路径管理算法集合、重测吞吐量和拥塞控制算法集合作为输入,根据多重回归分析法建立路径管理算法集合、拥塞控制算法集合、实测吞吐量和端设备缓存耗量的预测模型;
其中,端设备缓存耗量的预测模型如下式:
TP*:=f6(BS,CC,PM)
其中,BS为端设备缓存耗量,单位为MiB。
在其中一个实施例中,如图3所示,在步骤S201之前,还包括步骤S300:
S300,对预测模型作质量评价。
对预测模型作质量评价,以判断预测模型能否真实的反映实际工作情况。其中,评价指标包括R-Square及P-values。R-Square的值越大越好,其值越接近1表示所回归的模型匹配度越好;P-values的值越小越好,其值越接近于0表示所回归的模型错误的概率越小。
R-Squarer的定义如下:
其中,SST是关于实际数据y的方差;SSR是关于预测值的方差。R-square则表示预测值的总方差和实际值总方差的比值,其取值范围在区间[0,1]之间。如果R-Square=0.9,那么这将意味着预测模型有90%的预测准确率。当R-Square=1,则表示实际值被预测模型完美的匹配。显然,R-Square的值越大,表示预测模型匹配度越好。
P-values是一个概率值,在统计学上用于表达显著性检验方法。当P<0.05为显著,P<0.01为非常显著,其含义表明样本间的差异由抽样误差所导致的概率小于0.05或者0.01。在统计学领域中,P-values的值一般小于0.05是可被接受的范围。
S201,在一定的最大吞吐量范围内根据预测模型确定最小的端设备缓存耗量,并以此确定输出参数集合。
在最大化吞吐量的同时找到最小的缓存耗量,以及确定此时的拥塞控制算法和路径管理算法是最理想的情况。然而,在吞吐量最大时,所对应的缓存耗量并不是最小,因此预测模型是在一定的最大吞吐量范围内寻找最小的缓存耗量,以牺牲δ的吞吐量来寻找缓存耗量的最小值,如取经验值δ=1%,对预测模型求极值优化处理步骤描述如下:
bs∈BS,tp∈TP*,PMi∈PM,CCj∈CC
求得OBS=min{obsij}
此时所对应的i和j,可对应输出:
OPM=PMi
OCC=CCj
OTP=f6(OBS,OPM,OCC)
基于此,图4为一实施方式的异构多路径传输网络系统多性能参数并行优化方法示意图,如图4所示,基于多参数优化函数将输入参数集合优化为输出参数集合。
为了更好地理解本实施方式的技术方案,以下以一具体应用例来对本实施方式的技术方案进行解释。需要注意的是,具体应用例仅用于解释,不代表对本实施方式的技术方案的唯一限定。
图5为NorNet Core国际测试床在世界各地的站点分布及各站点的连接图,如图5所示,各站点主机可同时提供IPv4和IPv6地址资源,并且操作系统内核集成了MPTCP多种多路径传输。
图6为NorNet Core体系结构图,如图6所示,从图5中选择UiB站点和UNIS站点作为实施场景。
表1 THE NORNET CORE SITES USED FOR THE MEASUREMENTS
如表1所示,UiB与UNIS两站点之间的距离约为2000公里。UNIS位于遥远的Spitsbergen(斯匹次卑尔根)岛上的Longyearbyen(朗伊尔城),距离北极仅1200公里左右。Uninett是挪威研究网络ISP(fiber),而BKK是一家提供商业级光纤连接的商业ISP。Telenor提供消费级光纤连接。对于FullMesh算法而言,本测试共有初始有效子路径总数为4,每个子路径的名称分别为:Uninett-Uninett、Uninett-Telenor、BKK-Uninett和BKK-Telenor。测量运行时间为120s。
表2 IMPACT FACTOR FOR UNIVERSITETET I BERGEN(UIB)TO UNIVERSITETET P°ASVALBARD(UNIS)
图7为UiB至UNIS两站点间基于PM及CC集合的呑吐量矢量对比图;图8为UiB至UNIS两站点间基于PM及CC集合的吞吐量直方对比图;图9为UiB至UNIS两站点间基于Cubic不同路径管理算法的缓存耗量与吞吐量关系对比图;图10为UiB至UNIS两站点间基于OLIA不同路径管理算法的缓存耗量与吞吐量关系对比图;图11为UiB至UNIS两站点间基于Hybla不同路径管理算法的缓存耗量与吞吐量关系对比图;图12为UiB至UNIS两站点间基于Reno不同路径管理算法的的缓存耗量与吞吐量关系对比图;图13为UiB至UNIS两站点间基于Vegas不同路径管理算法的缓存耗量与吞吐量关系对比图;图14为UiB至UNIS两站点间基于Scalable不同路径管理算法的缓存耗量与吞吐量关系对比图。
如图7至14所示,在拥塞控制算法不受限制的情况下,预测模型计算的结果是:OBS=2.5MiB,OCC=Cubic,OPM=PCDC,OTP=246.3Mbit/s。而实际上最大吞吐量是247.2Mbit/s,由Reno和PCDC提供的,它们所需要的缓存耗量需要4.5MiB。因此,在牺牲δ=0.3%的吞吐量的情况下,显然选取缓存耗量减少一半的结果(即2.5MiB)更合适。实验结果与技术效果相吻合。在拥塞控制算法受限制的情况下,如只能使用Vegas算法,预测模型计算的结果是:OBS=3MiB,OTP=88.2Mbit/s,OPM=Fullmesh。
上述任一实施例的异构多路径传输网络系统多性能参数并行优化方法,基于异构多路径传输网络系统中多项输入参数集合,对输入参数集合进行优化计算,获得输出参数集合。其中,输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体等多项优化,以此改进异构多路径传输网络系统的整体传输效率,提高吞吐量的同时大大节省端设备缓存资源,并择优选用拥塞控制算法之一和路径管理算法之一。基于此,通过输出参数集合的全局性能优化,避免只优化单一性能参数导致的顾此失彼。
本发明实施例还提供了一种异构多路径传输网络系统多性能参数并行优化装置。
图15为一实施方式的异构多路径传输网络系统多性能参数并行优化装置模块结构图,如图15所示,一实施方式的异构多路径传输网络系统多性能参数并行优化装置包括模块100、模块101、模块102、模块103、模块104和模块105:
参数获取模块100,用于获取输入参数集合;其中,输入参数集合包括异构网络的拓扑结构信息集、拥塞控制算法集合和路径管理算法集合;
第一计算模块101,用于根据MPTCP网络的拓扑结构信息集计算异构网络的初始有效子路径集;
第二计算模块102,用于根据输入参数集合运行系统的拥塞控制算法集合和计算出的初始有效子路径集合,得到测试床上的实测吞吐量,并根据测试床上的实测吞吐量确定影响因子;
第三计算模块103,用于根据影响因子从初始有效子路径集中划分出可选子路径子集;
第四计算模块104,用于根据可选子路径子集和拥塞控制算法集合,重新测量得到重测吞吐量;
第五计算模块105,用于对路径管理算法集合、重测吞吐量和拥塞控制算法集合进行优化,获得优化后的输出参数集合;其中,输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体。
上述的异构多路径传输网络系统多性能参数并行优化装置,基于异构多路径传输网络系统中多项输入参数集合,对输入参数集合进行优化计算,获得输出参数集合。其中,输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体等多项优化,以此改进异构多路径传输网络系统的整体传输效率,提高吞吐量的同时大大节省端设备缓存资源,并择优选用拥塞控制算法之一和路径管理算法之一。基于此,通过输出参数集合的全局性能优化,避免只优化单一性能参数导致的顾此失彼。
本发明实施例还提供了一种计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述任一实施例的异构多路径传输网络系统多性能参数并行优化方法。
本领域的技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、随机存取存储器(RAM,Random Access Memory)、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是,在一个实施例中还提供一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行程序时实现如上述各实施例中的任意一种异构多路径传输网络系统多性能参数并行优化方法。
上述计算机设备,基于异构多路径传输网络系统中多项输入参数集合,对输入参数集合进行优化计算,获得输出参数集合。其中,输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体等多项优化,以此改进异构多路径传输网络系统的整体传输效率,提高吞吐量的同时大大节省端设备缓存资源,并择优选用拥塞控制算法之一和路径管理算法之一。基于此,通过输出参数集合的全局性能优化,避免只优化单一性能参数导致的顾此失彼。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种异构多路径传输网络系统多性能参数并行优化方法,其特征在于,包括步骤:
获取输入参数集合;其中,所述输入参数集合包括异构网络的拓扑结构信息集、拥塞控制算法集合和路径管理算法集合;
根据MPTCP网络的拓扑结构信息集计算异构网络的初始有效子路径集;
根据输入参数集合运行系统的所述拥塞控制算法集合和计算出的所述初始有效子路径集合,得到测试床上的实测吞吐量,并根据所述测试床上的实测吞吐量确定影响因子;
根据所述影响因子从所述初始有效子路径集中划分出可选子路径子集;
根据所述可选子路径子集和所述拥塞控制算法集合,重新测量得到重测吞吐量;
对所述路径管理算法集合、所述重测吞吐量和所述拥塞控制算法集合进行优化,获得优化后的输出参数集合;其中,所述输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体。
2.根据权利要求1所述的异构多路径传输网络系统多性能参数并行优化方法,其特征在于,所述根据MPTCP网络的拓扑结构信息集计算异构网络的初始有效子路径集的过程,如下式:
SP=f1(TOP{ISP})=Ns×Mr
其中,SP为所述初始有效子路径集,Ns为发送端接口数或ISP数,Mr为接收端的接口数或ISP数,TOP为所述异构网络的拓扑结构信息集。
3.根据权利要求1所述的异构多路径传输网络系统多性能参数并行优化方法,其特征在于,所述根据输入参数集合运行系统的所述拥塞控制算法集合和计算出的所述初始有效子路径集合,得到测试床上的实测吞吐量的过程,如下式:
TP=f2(SP,CC)
其中,TP为所述测试床上的实测吞吐量,SP为所述初始有效子路径集合,CC为所述拥塞控制算法集合。
5.根据权利要求1所述的异构多路径传输网络系统多性能参数并行优化方法,其特征在于,所述根据所述影响因子从所述初始有效子路径集中划分出可选子路径子集的过程,如下式:
SP*:={SP1,SP2,...SPi,...SPN}\{SPi|Ωi<0}
其中,SP*为所述可选子路径子集。
6.根据权利要求1所述的异构多路径传输网络系统多性能参数并行优化方法,其特征在于,所述根据所述可选子路径子集和所述拥塞控制算法集合,重新测量得到重测吞吐量的过程,如下式:
TP*:={TPi}=f5(CC,SP*)
其中,TP*为所述重测吞吐量,CC为所述拥塞控制算法集合,SP*为可选子路径子集。
7.根据权利要求1所述的异构多路径传输网络系统多性能参数并行优化方法,其特征在于,所述对所述路径管理算法集合、所述重测吞吐量和所述拥塞控制算法集合进行优化,获得优化后的输出参数集合的过程,包括步骤:
以所述路径管理算法集合、所述重测吞吐量和所述拥塞控制算法集合作为输入,根据多重回归分析法建立所述路径管理算法集合、所述拥塞控制算法集合、所述实测吞吐量和端设备缓存耗量的预测模型;
根据预测模型确定最小的端设备缓存耗量,以此确定输出参数集合。
9.一种异构多路径传输网络系统多性能参数并行优化装置,其特征在于,包括:
参数获取模块,用于获取输入参数集合;其中,所述输入参数集合包括异构网络的拓扑结构信息集、拥塞控制算法集合和路径管理算法集合;
第一计算模块,用于根据MPTCP网络的拓扑结构信息集计算异构网络的初始有效子路径集;
第二计算模块,用于根据输入参数集合运行系统的所述拥塞控制算法集合和计算出的所述初始有效子路径集合,得到测试床上的实测吞吐量,并根据所述测试床上的实测吞吐量确定影响因子;
第三计算模块,用于根据所述影响因子从所述初始有效子路径集中划分出可选子路径子集;
第四计算模块,用于根据所述可选子路径子集和所述拥塞控制算法集合,重新测量得到重测吞吐量;
第五计算模块,用于对所述路径管理算法集合、所述重测吞吐量和所述拥塞控制算法集合进行优化,获得优化后的输出参数集合;其中,所述输出参数集合包括相对最大的吞吐量、相对最小缓存耗量、拥塞控制算法集合优选个体和路径管理算法集合优选个体。
10.一种计算机存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被处理器执行时实现如权利要求1至8任意一项所述的异构多路径传输网络系统多性能参数并行优化方法。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行程序时实现如权利要求1至8任意一项所述的异构多路径传输网络系统多性能参数并行优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011543536.XA CN112671660B (zh) | 2020-12-24 | 2020-12-24 | 异构多路径传输网络系统多性能参数并行优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011543536.XA CN112671660B (zh) | 2020-12-24 | 2020-12-24 | 异构多路径传输网络系统多性能参数并行优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112671660A true CN112671660A (zh) | 2021-04-16 |
CN112671660B CN112671660B (zh) | 2022-03-22 |
Family
ID=75409481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011543536.XA Active CN112671660B (zh) | 2020-12-24 | 2020-12-24 | 异构多路径传输网络系统多性能参数并行优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112671660B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115379469A (zh) * | 2022-08-12 | 2022-11-22 | 江苏省电力试验研究院有限公司 | 一种基于机器学习的多接入异构网络mptcp子流调度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105025524A (zh) * | 2015-06-09 | 2015-11-04 | 北京邮电大学 | 一种多路径并行传输数据调度方法及传输控制协议 |
US10523794B2 (en) * | 2016-05-19 | 2019-12-31 | Samsung Electronics Co., Ltd. | Method and apparatus for managing multipath transmission control protocol |
CN110784399A (zh) * | 2019-11-04 | 2020-02-11 | 海南大学 | 一种mptcp网络多路径优化组合传输方法及系统 |
CN111416770A (zh) * | 2020-02-21 | 2020-07-14 | 北京交通大学 | 一种跨协议融合传输的自适应调度系统和方法 |
-
2020
- 2020-12-24 CN CN202011543536.XA patent/CN112671660B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105025524A (zh) * | 2015-06-09 | 2015-11-04 | 北京邮电大学 | 一种多路径并行传输数据调度方法及传输控制协议 |
US10523794B2 (en) * | 2016-05-19 | 2019-12-31 | Samsung Electronics Co., Ltd. | Method and apparatus for managing multipath transmission control protocol |
CN110784399A (zh) * | 2019-11-04 | 2020-02-11 | 海南大学 | 一种mptcp网络多路径优化组合传输方法及系统 |
CN111416770A (zh) * | 2020-02-21 | 2020-07-14 | 北京交通大学 | 一种跨协议融合传输的自适应调度系统和方法 |
Non-Patent Citations (1)
Title |
---|
王琨等: "基于MPTCP 路径管理算法性能分析", 《海南大学学报自然科学版》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115379469A (zh) * | 2022-08-12 | 2022-11-22 | 江苏省电力试验研究院有限公司 | 一种基于机器学习的多接入异构网络mptcp子流调度方法 |
CN115379469B (zh) * | 2022-08-12 | 2023-11-28 | 江苏省电力试验研究院有限公司 | 一种基于机器学习的多接入异构网络mptcp子流调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112671660B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Reinforcement learning–based QoS/QoE‐aware service function chaining in software‐driven 5G slices | |
JP5276220B2 (ja) | バス制御装置およびバス制御装置に指示を出力する制御装置 | |
Anwar et al. | 5G-enabled MEC: A distributed traffic steering for seamless service migration of internet of vehicles | |
US10924388B1 (en) | Multi-path routing | |
US20220198336A1 (en) | Technique for Facilitating Use of Machine Learning Models | |
US9164944B2 (en) | Semiconductor system, relay apparatus, and chip circuit | |
CN107786449B (zh) | 基于fsr协议的路径选择方法、装置、服务器和存储介质 | |
CN112671660B (zh) | 异构多路径传输网络系统多性能参数并行优化方法及装置 | |
CN113328953B (zh) | 网络拥塞调整的方法、装置和存储介质 | |
KR101194140B1 (ko) | 라우트 메트릭을 결정하는 방법 및 장치 | |
CN105049315A (zh) | 一种基于虚拟网络分割的虚拟网络改进映射方法 | |
CN115587222B (zh) | 分布式图计算方法、系统及设备 | |
CN115996203B (zh) | 网络流量分域方法、装置、设备和存储介质 | |
CN115118326B (zh) | 基于双向跳跃式搜索的卫星通信路由选择方法、系统及装置 | |
CN112019627B (zh) | 负载均衡方法、装置、计算机设备及计算机可读存储介质 | |
US10623306B2 (en) | Multi-path routing | |
TW201301791A (zh) | 用於電力線通訊網路之路由分析裝置及其路由分析方法 | |
CN101616092B (zh) | 一种路由发现的方法和装置 | |
KR100948837B1 (ko) | 무선 센서 네트워크에서 분산적인 위치 인식 방법 및 그장치 | |
CN111447282A (zh) | 用于确定传输路径的方法和装置 | |
CN112217605B (zh) | 传输策略的选择方法、设备及存储介质 | |
US9860159B1 (en) | Multi-path routing | |
KR20190060562A (ko) | 다중자원 인프라구조 관리 방법 및 장치 | |
WO2017196616A1 (en) | Active probing for troubleshooting links and devices | |
EP4207621A1 (en) | Precoding matrix indicator determination method, terminal device, and storage medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |