CN113759698A - 一种源端网络拥塞传输控制方法 - Google Patents

Abstract

本发明提供了一种源端网络拥塞传输控制方法，属于网络数据传输技术领域。其技术方案为：一种源端网络拥塞传输控制方法，创建源端拥塞控制目标函数P，在测量状态下探测网络带宽和RTT变化规律得到控制目标函数及网络最佳工作点，在控制状态下利用目标函数P训练RBF神经网络并对PID控制器参数进行辨识，整定后的PID控制器对源端发送速率进行闭环控制。本发明的有益效果为：提出源端拥塞控制目标函数P，将网络发送速率和RTT结合起来，避免了复杂的理论建模，以及理论模型与实际不符造成投入使用后控制偏差过大的问题问题；采用RBF整定PID控制器，能较好适应网络传输的时变特性，网络状态发生变化后依然能够通过RBF神经网络进行学习重新整定PID控制器。

Description

一种源端网络拥塞传输控制方法

技术领域

本发明涉及网络数据传输技术领域，尤其涉及一种源端网络拥塞传输控制方法。

背景技术

源端即网络数据发送端，一般希望源端数据发送速率尽可能恒定。比如在高清晰度视频传输时，通常希望在保证视频流畅的情况下尽可能发送高码率数据，但当源端网络发生拥塞时，传输带宽减小，RTT值增大。如果无法根据拥塞情况调整发送速率，将造成更严重的网络拥塞，将造成视频数据丢失，图像卡顿等问题。

当下信息网络和计算机通讯技术的高速发展，源端对大数据量发送的需求与日俱增(如高清视频发送)。但在数据传输的过程中，网络状态并非一成不变，例如当网络带宽被抢占迅速变化时，拥塞就很容易发生。仅仅增加源端网络带宽无法解决源端网络拥塞问题。必须根据网络拥塞情况，动态调整源端数据发送策略，适配源端和网络之间的关系，避免源端网络拥塞，才能最优化地利用源端网络资源，高质量的发送数据。

发明内容

针对上述现有技术中的问题，本发明的目的在于提供一种源端网络拥塞传输控制方法，通过实际测量得到拥塞控制目标函数，采用RBF自适应整定PID控制器对源端网络发送速率进行闭环控制，能够根据源端带宽和RTT变化调整源端发送速率，以避免网络拥塞发生，尤其适用于源端发送实时大数据量数据。

本发明是通过如下技术方案实现的：一种源端网络拥塞传输控制方法，包括如下步骤：

S1：实时测量源端发送速率以及RTT值；

S2：根据所述发送速率和RTT值的联动变化规律，创建源端拥塞控制目标函数P：

其中D为源端发送速率，R为源端测量的RTT值；

S3：根据当前源端网络带宽，初始化所有参数；

S4：进入测量阶段，根据(3)式，逐步增大源端发送速率D，测定目标函数P的极值和最优工作点C，其中最优工作点C即为目标函数P达到极值时所对应的网络传输工作点；

S5；在一定时间窗口内目标函数P维持稳定说明源端网络状态相对稳定，切换到控制阶段；

S6、进入控制阶段后，通过RBF神经网络对PID参数进行整定，采用PID控制器对源端发送速率进行闭环控制,确保源端网络工作点处于最优工作区，其中最优工作区为以最优工作点C为中心的区域；区域大小根据实际情况设定并调整。

S7、当源端网络带宽发生变化，工作点偏出所述最优工作区，则重新进入测量阶段；在一定时间窗口内，采用当前整定好的PID控制器无法使工作点回归最佳区域，则认定网络拥塞情况发生变化，当前的PID参数失效，则重新进入测量阶段；

S8、重复步骤S4-S7，根据网络状态的变化在测量阶段和控制阶段之间切换，调整源端网络发送速率，使得源端网络避免拥塞。

径向基函数(Radial Basis Function,RBF)神经网络是一种性能良好的前向网络，具有训练简洁、学习收敛速度快、能以任意精度逼近连续函数的特性。源端网络具有非线性、时变特性，当拥塞状态发生变化时，RBF神经网络能快速整定PID控制器，使拥塞控制具备快速整定快速调整的特性。

上述方法将源端拥塞控制分为测量阶段和控制阶段，测量阶段下对网络实时测量保证控制目标函数符合网络实际工作状态，RBF自整定PID控制器能够自动适应不同的网络状态，本发明通过将两者有机结合，实现了源端网络拥塞控制，确保源端网络始终处于最优工作点C附近。

进一步，所述R具体为：

所述D具体为：

其中，x为网络在传数据，C点为网络最优工作点，即拥塞和未拥塞的分界位置，C点横坐标值为x_c，此处RTT值最小且网络在传数据x最大，r₀为最优工作点C处的RTT值，此时对应的源端发送速率D值最大，目标函数P取得最大值P_max，f(x,t)为拥塞发生后的RTT函数，随x增大递增，g(x,t)为拥塞发生前的网络传输速率的函数，g(x,t)，f(x,t)是非线性、时变函数。

进一步，所述PID控制器具体为：

采用增量式PID控制算法，设测量得到的目标函数值P为r(k)，当前系统输出为y(k)，则控制误差为：

e(k)＝r(k)-y(k) (4)；

所述PID控制器的三个输入分别为：

xc₁(k)＝e(k)-e(k-1) (5)；

xc₂(k)＝e(k) (6)；

xc₃(k)＝e(k)-2e(k-1)+e(k-2) (7)；

所述PID控制器的输出为：

u(k)＝u(k-1)+k_pxc₁+k_ixc₂+k_dxc₃ (8)；

其中，k_p，k_i，k_d，为所述PID控制器的PID参数。

进一步，所述RBF神经网络对PID参数进行整定具体为：

RBF神经网络对PID控制的目标函数为：

通过梯度下降法得到PID参数更新方法：

其中，η_p，η_i和η_d为学习速率，可根据系统初始化值选择设定；

为Jacobinan信息，能够通过RBF神经网络辨识得到。

进一步，所述RBF神经网络辨识具体过程为：

在RBF神经网络中，设输入为X＝[x₁,x₂…x_n]^T，径向基向量为H＝[h₁,h₂…h_m]^T，则高斯基函数h_j为：

其中b_j为节点j的基宽参数，c_j为节点j的中心向量。

RBF网络输出可表示为：

y_m(k)＝h₁w₁+…+h_jw_j+…+h_mw_m (14)；

设测量得到目标函数P为辨识系统理论输出y(k)，则RBF辨识器指标函数可表示为：

为使目标函数最小化，依据梯度下降法，各参数的修正量与其负梯度成正比，则输出权重可表示为：

w_j(k)＝w_j(k-1)+η(y(k)-y_m(k))h_j+α(w_j(k-1)-w_j(k-2)) (17)；

同理，RBF网络基宽参数为:

b_j(k)＝b(k-1)+ηΔb_j(k)+α(b_j(k-1)-b_j(k-2)) (19)；

中心参数可表示为:

c_ij(k)＝c_ij(k-1)+ηΔc_j(k)+α(c_ij(k-1)-c_ij(k-2)) (21)；

其中η为学习速率，α为动量因子；式(16)，(18)和(21)中Jacobian信息可表示为：

其中x₁＝u(k)-u(k-1)，公式(22)能够计算PID参数k_p、k_i和k_d。

本发明的有益效果为：本发明提出网络拥塞控制目标函数P，将网络发送速率和RTT结合起来，避免传统网络拥塞控制中复杂的理论建模，同时也避免了理论建模与实际不符，投入使用后偏差过大的问题。本发明根据网络传输图对源端网络拥塞问题进行建模；将网络控制划分为测量状态和控制状态分别进行处理，测量状态不断测定目标函数P及网络最佳工作点C，控制状态采用RBF神经网络整定PID算法进行拥塞控制，保持网络工作在最佳工作点。本发明根据网络状态的变化调整源端数据发送策略，能较好的适应网络状态的时变特性，避免网络拥塞，保证可靠高质量的数据发送。

附图说明

图1为网络传输分析图。

图2为RBF整定PID自适应控制原理图。

图3为本方法工作流程图。

图4为测量状态和控制状态状态切换示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，对本方案进行阐述。

参见图1-图4，本发明是通过如下技术方案实现的：一种源端网络拥塞传输控制方法，包括如下步骤：

S1：实时测量源端发送速率以及RTT值；

S2：根据所述发送速率和RTT值的联动变化规律，创建源端拥塞控制目标函数P：

其中D为源端发送速率，R为源端测量的RTT值；

S3：根据当前源端网络带宽，初始化所有参数；

S4：进入测量阶段，根据(3)式，逐步增大源端发送速率D，测定目标函数P的极值和最优工作点C，其中最优工作点C即为目标函数P达到极值时所对应的网络传输工作点；

S5；在一定时间窗口内目标函数P维持稳定说明源端网络状态相对稳定，切换到控制阶段；

S6、进入控制阶段后，通过RBF神经网络对PID参数进行整定，采用PID控制器对源端发送速率进行闭环控制，确保源端网络工作点处于最优工作区，其中最优工作区为以最优工作点C为中心的区域；

S7、当源端网络带宽发生变化，工作点偏出所述最优工作区，则重新进入测量阶段；

S8、重复步骤S4-S7，根据网络状态的变化在测量阶段和控制阶段之间切换，调整源端网络发送速率，使得源端网络避免拥塞。

本方法将源端拥塞控制分为测量阶段和控制阶段，测量阶段下对网络实时测量保证控制目标函数符合网络实际工作状态，RBF自整定PID控制器能够自动适应不同的网络状态，本发明通过将两者有机结合，实现了源端网络拥塞控制，确保源端网络始终处于最优工作点C附近。

径向基函数(Radial Basis Function,RBF)神经网络是一种性能良好的前向网络，具有训练简洁、学习收敛速度快、能以任意精度逼近连续函数的特性。源端网络具有非线性、时变特性，当拥塞状态发生变化时，RBF神经网络能快速整定PID控制器，使拥塞控制具备快速整定快速调整的特性。

根据图1所示，图1分为上下两部分，横坐标统一为当前网络在传数据(data inflight)，上部分图纵轴坐标为数据往返时间RTT，下部分图纵轴坐标为源端发送速率(Delivery rate)。图中红圈位置C点为网络最优工作点，C点左侧表示未发生网络拥塞的状态，右侧为发生拥塞后的状态。

所述R具体为：

所述D具体为：

其中，x为网络在传数据，C点为网络最优工作点，即拥塞和未拥塞的分界位置，C点横坐标值为x_c，从公式(2)、(3)以及图1所示，此处RTT值最小且网络在传数据x最大，r₀为最优工作点C处的RTT值，此时对应的源端发送速率D值最大，目标函数P取得最大值P_max，f(x,t)为拥塞发生后的RTT函数，随x增大递增，g(x,t)为拥塞发生前的网络传输速率的函数，g(x,t)，f(x,t)是非线性、时变函数。

进一步，所述PID控制器具体为：

采用增量式PID控制算法，设测量得到的目标函数值P为r(k)，当前系统输出为y(k)，则控制误差为：

e(k)＝r(k)-y(k) (4)；

所述PID控制器的三个输入分别为：

xc₁(k)＝e(k)-e(k-1) (5)；

xc₂(k)＝e(k) (6)；

xc₃(k)＝e(k)-2e(k-1)+e(k-2) (7)；

所述PID控制器的输出为：

u(k)＝u(k-1)+k_pxc₁+k_ixc₂+k_dxc₃ (8)；

其中，k_p，k_i，k_d，为所述PID控制器的PID参数。

进一步，所述RBF神经网络对PID参数进行整定具体为：

RBF神经网络对PID控制的目标函数为：

通过梯度下降法得到PID参数更新方法：

其中，η_p，η_i和η_d为学习速率，可根据系统初始化值选择设定，本实施例中取值为0.2；

为Jacobinan信息，能够通过RBF神经网络辨识得到。

进一步，所述RBF神经网络辨识具体过程为：

在RBF神经网络中，设输入为X＝[x₁,x₂…x_n]^T，径向基向量为H＝[h₁,h₂…h_m]^T，则高斯基函数h_j为：

其中b_j为节点j的基宽参数，c_j为节点j的中心向量。

RBF网络输出可表示为：

y_m(k)＝h₁w₁+…+h_jw_j+…+h_mw_m (14)；

设测量得到目标函数P为辨识系统理论输出y(k)，则RBF辨识器指标函数可表示为：

其中y(k)为第一步测量得到的目标函数P，y_m为辨识器输出。以函数P作为目标函数对RBF神经网络进行训练，为使目标函数最小化，依据梯度下降法，各参数的修正量与其负梯度成正比，则输出权重可表示为：

w_j(k)＝w_j(k-1)+η(y(k)-y_m(k))h_j+α(w_j(k-1)-w_j(k-2)) (17)；

同理，RBF网络基宽参数为:

b_j(k)＝b(k-1)+ηΔb_j(k)+α(b_j(k-1)-b_j(k-2)) (19)；

中心参数可表示为:

c_ij(k)＝c_ij(k-1)+ηΔc_j(k)+α(c_ij(k-1)-c_ij(k-2)) (21)；

其中η为学习速率，α为动量因子；式(16)，(18)和(21)中Jacobian信息可表示为：

其中x₁＝u(k)-u(k-1)，将得到的Jacobian信息带入k_p、k_p和k_p公式计算并更新PID控制参数，实现PID控制器的RBF神经网络整定。此后可以采用此套PID参数对源端网络发送速率进行闭环控制。

所述最优工作区为以最优工作点C为中心得某区域，区域大小根据实际情况设定并调整，需满足如下条件：如图1所示当工作点超过区域上沿，RTT值仍然保持不变；或工作点移动到区域下沿，RTT值仍然不减小；则认为网络状态发生较大变化，此时切换到测量状态进行工作。

本发明将拥塞控制分为两个状态：测量状态和控制状态。测量状态下，根据(3)式，逐步增大源端网络发送速率D，测定目标函数P及最佳工作点C；切换到控制状态后，以测得的函数P作为目标对RBF神经网络进行训练并整定PID控制器参数，随后采用RBF整定的PID控制器对源端发送速率做闭环控制，保持网络工作在最佳工作点C附近。当工作点偏离工作区域C后重新进入测量状态，如此循环实现源端网络拥塞控制。

需要注意的是，前面的详细描述已经通过使用框图、流程图和/或示例阐述了装置和/或过程的各种实施例。在这样的框图、流程图和/或示例包含一个或多个功能和/或操作的程度上，本领域技术人员将理解的是，这样的框图、流程图或示例内的每个功能和/或操作可通过许多各种不同的硬件、软件、固件或实际上它们的任何组合被单独地和/或集体地实现。

在系统的各方面的硬件和软件实施方式之间几乎没有差别；硬件或软件的使用通常是(但并不总是，因为在某些情景中在硬件和软件之间的选择可能变得重要)代表成本与效率折衷的设计选择。存在本文中所述的过程和/或系统和/或其它技术可借以被实现的各种手段(例如，硬件、软件和/或固件)，并且优选的手段将随着其中过程和/或系统和/或其它技术被部署的情景的不同而改变。例如，如果实施者确定速度和准确性是极为重要的，那么实施者可选择主要为硬件和/或固件的手段；如果灵活性是极为重要的，那么实施者可选择主要为软件的实施方式；或者，但同样可替换地，实施者可选择硬件、软件和/或固件的某组合。

本发明未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述，当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

在本发明创造的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“设置”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。

Claims (5)

1.一种源端网络拥塞传输控制方法，其特征在于，包括如下步骤：

S1，实时测量源端发送速率以及RTT值；

S2，根据所述发送速率和RTT值的联动变化规律，创建源端拥塞控制目标函数P：

其中D为源端发送速率，R为源端测量的RTT值；

S3，根据当前源端网络带宽，初始化所有参数；

S4，进入测量阶段，根据(3)式，逐步增大源端发送速率D，测定目标函数P的极值和最优工作点C，其中最优工作点C即为目标函数P达到极值时所对应的网络传输工作点；

S5，在一定时间窗口内目标函数P维持稳定说明源端网络状态相对稳定，切换到控制阶段；

S6，进入控制阶段后，通过RBF神经网络对PID参数进行整定，采用PID控制器对源端发送速率进行闭环控制，确保源端网络工作点处于最优工作区，其中最优工作区为以最优工作点C为中心的区域；

S7，在一定时间窗口内，采用当前整定好的PID控制器无法使工作点回归最佳区域，则认定网络拥塞情况发生变化，当前的PID参数失效，则重新进入测量阶段；

S8，重复步骤S4-S7，根据网络状态的变化在测量阶段和控制阶段之间切换，调整源端网络发送速率，使得源端网络避免拥塞。

2.根据权利要求1所述的一种源端网络拥塞传输控制方法，其特征在于，

所述R具体为：

所述D具体为：

其中，x为网络在传数据，C点为网络最优工作点，即拥塞和未拥塞的分界位置，C点横坐标值为x_c，此处RTT值最小且网络在传数据x最大，r₀为最优工作点C处的RTT值，此时对应的源端发送速率D值最大，目标函数P取得最大值P_max，f(x，t)为拥塞发生后的RTT函数，随x增大递增，g(x，t)为拥塞发生前的网络传输速率的函数，g(x，t)，f(x，t)是非线性、时变函数。

3.根据权利要求2所述的一种源端网络拥塞传输控制方法，其特征在于，所述PID控制器具体为：

采用增量式PID控制算法，设测量得到的目标函数值P为r(k)，当前系统输出为y(k)，则控制误差为：

e(k)＝r(k)-y(k) (4)；

所述PID控制器的三个输入分别为：

xc₁(k)＝e(k)-e(k-1) (5)；

xc₂(k)＝e(k) (6)；

xc₃(k)＝e(k)-2e(k-1)+e(k-2) (7)；

所述PID控制器的输出为：

u(k)＝u(k-1)+k_pxc₁+k_ixc₂+k_dxc₃ (8)；

其中，k_p，k_i，k_d，为所述PID控制器的PID参数。

4.根据权利要求3所述的一种源端网络拥塞传输控制方法，其特征在于，所述RBF神经网络对PID参数进行整定具体为：

RBF神经网络对PID控制的目标函数为：

通过梯度下降法得到PID参数更新方法：

其中，η_p，η_i和η_d为学习速率，可根据系统初始化值选择设定；

为Jacobinan信息，能够通过RBF神经网络辨识得到。

5.根据权利要求4所述的一种源端网络拥塞传输控制方法，其特征在于，所述RBF神经网络辨识具体过程为：

在RBF神经网络中，设输入为X＝[x₁，x₂...x_n]^T，径向基向量为H＝[h₁，h₂...h_m]^T，则高斯基函数h_j为：

其中b_j为节点j的基宽参数，c_j为节点j的中心向量；

RBF网络输出可表示为：

y_m(k)＝h₁w₁+…+h_jw_j+…+h_mw_m (14)；

设测量得到目标函数P为辨识系统理论输出y(k)，则RBF辨识器指标函数可表示为：

为使目标函数最小化，依据梯度下降法，各参数的修正量与其负梯度成正比，则输出权重可表示为：

w_j(k)＝w_j(k-1)+η(y(k)-y_m(k))h_j+α(w_j(k-1)-w_j(k-2)) (17)；

同理，RBF网络基宽参数为；

b_j(k)＝b(k-1)+ηΔb_j(k)+α(b_j(k-1)-b_j(k-2)) (19)；

中心参数可表示为；

c_ij(k)＝c_ij(k-1)+ηΔc_j(k)+α(c_ij(k-1)-c_ij(k-2)) (21)；

其中η为学习速率，α为动量因子；式(16)，(18)和(21)中Jacobian信息可表示为：

其中x₁＝u(k)-u(k-1)，公式(22)能够计算PID参数k_p、k_i和k_d。

Images