CN1885824A - 主动队列管理的分类器实现方法 - Google Patents

Abstract

本发明属于路由器队列管理和拥塞控制领域，其特征在于，在依据经验给定一组初始值，然后通过大量的仿真试验进行调整与优化的基础上，建立二维两类分类器和三维两类分类器，其中，二维包括瞬时队列长度与队列长度目标值之差，以及瞬时队列长度的变化值，三维则要增加一个考虑显式公平增强机制后的公平指数，由分组中携带的发送端窗口大小cwnd和前一时刻的公平享用值fs之比来确定；然后，当新的分组到来时，在判断是否采用显式公平增强机制的基础上按照不同的决策规则来判断该分组是接收还是丢弃。本发明能在保持较高的链路利用率的同时，把队列长度保持在一个较小的恒定值附近，并提高其公平性，同时有很好的兼容性和后向扩展性，实现也比较简单。

Description

主动队列管理的分类器实现方法

技术领域

路由器队列管理和拥塞控制领域

背景技术

本发明改进了现有的主动队列管理(Active Queue Management，AQM)方法。

最初，第2309号征求意见文件(RFC2309)推荐RED(随机早期检测)方法为唯一的AQM实现方法，但试验研究和理论分析表明：RED在某些网络环境中表现出不稳定或不公平。为了增强RED方法的鲁棒性，研究者提出了一系列的RED变种方法，典型的有StabilizedRED(稳定RED)、Balanced RED(平衡RED)、Adaptive RED(自适应RED)、Self-ConfiguringRED(自配置RED)、Weighted RED(加权RED)和gentle-RED(温和RED)等。此外，也产生了一些新的策略，主要有BLUE、REM(随机指数标记)、PI(比例积分)控制器、模糊逻辑控制器、SMVS和AVQ(自适应虚拟队列)等。

总结上述已有的方法和策略，除AVQ引入虚队列概念辅助分组丢弃决策之外，所有的方法在确定是否丢弃分组时，全部沿用了RED的概率丢弃机制，不同之处主要表现在概率的计算和更新方法上。概率丢弃虽然是实现AQM的一种有效手段，但确定是否丢弃新到达分组的过程本质上是一个基于一定优化目标的决策过程，决策的正确性取决于依赖信息的充分性和可靠性。概率丢弃机制是通过某种函数将诸如队列长度、分组到达速率和链路利用率等观测变量描述的网络拥塞状态信息映射为0和1之间的数，然后与实时生成的随机数进行比较，从而决策是否丢弃新到达分组。因为不同的状态观测变量往往具有不同的物理属性，所以很难构造简单函数融合来自不同拥塞观测变量的信息，并最终转化为一个简单的数。正因如此，在计算或更新分组丢弃概率时，已有的大多数AQM方法往往只能考虑单个变量，譬如RED及其变种方法中的平均队长或瞬时队长，BLUE中的链路利用率，PI控制器中的队长变化速率等。另一方面，生成随机数的计算开销在高性能路由器的设计中也是一个不可回避的问题。

此外，典型的AQM策略在公平性方面均存在缺陷。虽然RFC2309的表述认为：保证公平性的主要是队尾的调度机制，诸如类似于FQ(公平调度排队法)的每流调度方法和CBQ(分类排队法)这样基于类的调度机制；而作用于队首的AQM策略的主要任务是控制队列长度，实现链路利用率和排队延时的合理平衡。但是，如果AMQ策略不能达到必要的公平性，队列发生类似于尾丢弃策略中的“死锁”现象，大量的缓存被个别流占用，队尾有再好的调度方法也无济于事。分析和试验的结论表明：在存在多拥塞网关的环境下，劣势业务流往往被优势业务流“击倒”，窗口得不到爬升的机会。Balanced RED和FRED(流RED)尝试着增强RED的公平性，但它们都需要在路由器上保持每流的状态，可扩展性较差。

发明内容

本发明的目的是：为主动队列管理设计一种简洁有效的新方法。它能在保持较高的链路利用率的同时，将队列长度保持在一个较小的恒定值附近，并能有效增强现有方法的公平性，具有很好的后向兼容性和扩展性，同时实现简单。

它的特点如下：

●本方法放弃流行的概率分组丢弃机制，基于模式识别理论为主动队列管理提出一种分类器设计思想，根据这一思路设计的方法实现简单、扩展性好；

●本方法按照分类器设计思想，应用Fisher线性判别函数方法，根据拥塞控制观测变量的训练样本集合给出一个具体的实现方法；

●本方法通过扩展ECN(Explicit Congestion Notification，显式拥塞通知)引入了显式公平性增强机制，并在选用观测变量时加入了一个公平指数来保证AQM的分类器实现方法满足基本的公平性要求；

●本方法的实现非常简单，它不需要象已有大多数AQM方法那样计算概率和生成随机数，也不需要象AVQ那样维护虚队列，通过简单的运算即可完成所有操作，这对高性能路由器的优化非常有利；

本发明的特征在于，该方法依次含有以下步骤：

步骤(1)路由器设定：

二维两类分类器的参数值，w₁₁＝0.0058，w₁₂＝0.0028，w₁₀＝0.0589，

三维两类分类器的参数值，w₂₁＝0.0006，w₂₂＝0.0005，w₂₃＝0.0255，w₂₀＝0.0356，

公平享用值fs，初始化为fs₁常量，

公平享用值fs的加权因子α＝7/8，

队列长度目标值q₀，

队列长度的瞬时采样值q₁和q₂，其中，q₁是t₁时刻的队列长度，q₂是t₂时刻的队列长度，t₂为当前时刻，t₂＞t₁，

t₂时刻的队列长度与队列长度目标值q₀之差x₁，

t₁时刻到t₂时刻的队列长度的变化值x₂，

公平指数x₃，x₃＝cwnd/fs，该cwnd为所记录的分组中携带的发送端窗口的大小，

含有队列长度在内的网络观测变量的采样周期T，

last_time为系统时间，以判断是否到达下一个采样周期，初始值为当前时刻；

步骤(2)等待新的分组到来：

若在下一时刻，有新的分组到来，判断当前系统时间是否到达last_time+T秒，若已到达，则执行步骤(3)，若未到达，则执行步骤(6)；

步骤(3)采集瞬时队列长度q₂；

步骤(4)令x₁＝q₂-q₀；x₂＝q₂-q₁；

步骤(5)把last_time赋值为采集瞬时队列长度q₂时的系统时间；

步骤(6)判断新到来分组的显式公平增强机制位EFE的值，EFE位为1时表示支持公平增强机制，EFE位为0时表示不支持公平增强机制：

若EFE位为0，则执行步骤(7)，否则，执行步骤(9)；

步骤(7)按二维两类分类器分类：

若(w₁₁×x₁+w₁₂×x₂)＞w₁₀，则丢弃此分组，转至步骤(8)，

若(w₁₁×x₁+w₁₂×x₂)＜w₁₀，则把此分组插入队列中；

步骤(8)转至步骤(2)；

步骤(9)采集cwnd，然后按以下步骤进行三维两类分类器分类：

步骤(9.1)令fs＝fs×α+cwnd×(1-α)，x₃＝cwnd/fs；

步骤(9.2)判断：

若(w₂₁×x₁+w₂₂×x₂+w₂₃×x₃)＞w₂₀，则丢弃此分组，否则，把此分组插入队列中；

步骤(10)转至步骤(2)，循环执行，直至结束。

基于ns2.19b网络仿真平台的性能仿真结果表明：主动队列管理的分类器实现方法是一种有效、敏捷和稳健的AQM实现方法，同时有效增强了公平性，并具有很好的后向兼容性。

附图说明

图1二维训练样本集合；

图2支持EFE的扩展IP分组头；

图3三维训练样本集合；

图4TCC-EFE方法的流程框图；

图5TCC测试仿真拓扑结构；

图6RED队列长度曲线；

图7PI队列长度曲线；

图8AVQ队列长度曲线；

图9TCC队列长度曲线；

图10TCC-EFE测试仿真拓扑结构；

图11TCC-EFE公平性测试结果：(a)RED (b)PI (c)REM (d)AVQ (e)TCC(f)TCC-EFE

图12TCC-EFE后向兼容性测试结果。

具体实施方式

TCP终端系统和路由器中的AQM调节器所构成的闭环系统是控制理论中一个典型的调节系统。通过AQM调节器有目的丢弃或标记一些分组产生控制信号，TCP终端系统加以响应，最终将路由器队列保持在一个期望值附近。为探测可能发生的拥塞，路由器可以利用各种各样的观测信息决定是否丢弃分组，这些信息包括队列长度、链路利用率和分组到达速率等。假定观察并预测网络潜在拥塞的状态变量有n个，它们一起构成了一个n维状态空间。该空间中的任意一点对应于路由器的一种工作状态，AQM方法的功能即是辅助该状态下的路由器作出接收或者丢弃(包括标记)新到达分组的决策。从这一意义上讲，AQM调节器等价于一个具有多维度的两类分类器，因此，可以通过设计分类器来得到所需的AQM方法，也就是在AQM技术目标的约束下，通过监督学习，构造超平面将n维状态空间分为两部分。主动队列管理的分类器实现方法，就是根据上述原理为AQM设计的一个三维的两类分类器实现方法。

首先说明二维的两类分类器的实现方法。选择瞬时队列长度q和它的变化速率Δq作为网络拥塞状态的观测变量，它们构成了一个2维状态平面。这两个观测变量容易获得，并且与网络负载状态有密切的联系。为得到观测变量的值，以周期T采样队列长度，得到时间序列q(kT)(k＝1，2...；t＝kT)。为方便起见，定义差分Δq(kT)＝q(kT)-q((k-1)T)为队列长度的变化速率。

为进行监督学习，需要一些训练样本，它们构成两个2维列向量集合，即 ${\hat{Y}}_1=\{{(e_i\left(\mathrm{kT}\right),\mathrm{\Δ}{e}_i\left(\mathrm{kT}\right))}^t,i=\mathrm{1,2,3}...n_1\}$ 和 ${\hat{Y}}_2=\{{(e_j\left(\mathrm{kT}\right),\mathrm{\Δ}{e}_j\left(\mathrm{kT}\right))}^t,j=\mathrm{1,2,3}...n_2\}.$ 其中，e(kT)＝q(kT)-q₀(q₀为期望队列长度)，Δe(kT)＝e(kT)-e((k-1)T)＝Δq(kT)。这里

和 分别表示接收和丢弃分组的状态集合。也就是说，当路由器工作于

中元素确定的某一状态时，它将接收新到达分组；而

集合中的任意状态都会使路由器丢弃分组。起初，依据经验给定一组初始值，然后通过大量的仿真试验进行调整与优化，最终得到如下结果：

${\hat{Y}}_1=\{{(-\mathrm{28,18})}^t,{(-\mathrm{28,0})}^t,{(-\mathrm{28,18})}^t,{(-\mathrm{21,27})}^t,{(-\mathrm{21,9})}^t,{(-21,-9)}^t,{(-21,-27)}^t,$

${(-\mathrm{14,18})}^t,{(-\mathrm{14,0})}^t,{(-\mathrm{14,18})}^t,{(-\mathrm{7,9})}^t,{(-7,-9)}^t,{(-7,-27)}^t,{\left(\mathrm{0,18}\right)}^t,{\left(\mathrm{0,0}\right)}^t,$

${(0,-18)}^t,{\left(\mathrm{7,9}\right)}^t,{(7,-9)}^t,{(7,-27)}^t,{\left(\mathrm{14,0}\right)}^t,{(14,-18)}^t,{(21,-27)}^t\}$

${\hat{Y}}_2=\{{(-\mathrm{7,27})}^t,{\left(\mathrm{7,27}\right)}^t,{\left(\mathrm{14,18}\right)}^t,{\left(\mathrm{21,27}\right)}^t,{\left(\mathrm{21,9}\right)}^t,{(21,-9)}^t,{\left(\mathrm{28,18}\right)}^t,{\left(\mathrm{28,0}\right)}^t,$

${(28,-18)}^t,{\left(\mathrm{35,27}\right)}^t,{\left(\mathrm{35,9}\right)}^t,{(35,-9)}^t,{(35,-27)}^t,{\left(\mathrm{28,18}\right)}^t,{\left(\mathrm{28,0}\right)}^t,{(28,-18)}^t\}$

为直观起见，将它们表示在图1中。

建立了训练样本集合后，应用经典的Fisher线性判别方法为AQM设计二维线性分类器，即寻找一个合适的矢量w，使样本在其上的投影具有很好的分离度。为此，定义各类样本均值m_i和样本内离散度s_i

$m_i=\frac{1}{n_i}\underset{y\∈{\hat{Y}}_i}{\mathrm{\Σ}}\mathrm{y\; i}=\mathrm{1,2}---\left(1\right)$

$s_i^2=\underset{y\∈{\hat{Y}}_i}{\mathrm{\Σ}}{(y-m_i)}^{2}i=\mathrm{1,2}---\left(2\right)$

那么使Fisher准则函数

$J\left(\stackrel{\→}{w}\right)=\frac{{|m_1-m_2|}^2}{s_1^2+s_2^2}---\left(3\right)$

最大化的投影方向即为

的解，它使得类均值之差(m₁-m₂)达到最大，同时保证了各样本内部尽量密集。由于篇幅所限，这里直接给出 的显式解。

如下定义样本均值向量 样本类内离散度矩阵 和总类内离散度矩阵

${\stackrel{\→}{m}}_i=\frac{1}{n_i}\underset{\stackrel{\→}{x}\∈{\hat{Y}}_i}{\mathrm{\Σ}}\stackrel{\→}{x}i=\mathrm{1,2}---\left(4\right)$

${\stackrel{\→}{S}}_i=\underset{\stackrel{\→}{x}\∈{\hat{Y}}_i}{\mathrm{\Σ}}(\stackrel{\→}{x}-{\stackrel{\→}{m}}_i){(\stackrel{\→}{x}-{\stackrel{\→}{m}}_i)}^{t}i=\mathrm{1,2}---\left(5\right)$

${\stackrel{\→}{S}}_w={\stackrel{\→}{S}}_1+{\stackrel{\→}{S}}_2---\left(6\right)$

则，

的解为：

$\stackrel{\→}{w}={\stackrel{\→}{S}}_w^{-1}({\stackrel{\→}{m}}_1-{\stackrel{\→}{m}}_2)---\left(7\right)$

选定分界阈值点w₀为：

$w_0=\frac{\frac{1}{n_1}\underset{\stackrel{\→}{x}\∈{\hat{Y}}_1}{\mathrm{\Σ}}{\stackrel{\→}{w}}^{t}x+\frac{1}{n_2}\underset{\stackrel{\→}{x}\∈{\hat{Y}}_2}{\mathrm{\Σ}}{\stackrel{\→}{w}}^{t}x}{2}---\left(8\right)$

则两类分类器的决策规则如下：

${\stackrel{\→}{w}}^{t}x\left\{\begin{array}{c}\≤w_0\\ >w_0\end{array}\right.\→x\∈\left\{\begin{array}{c}{\hat{Y}}_1\\ {\hat{Y}}_2\end{array}\right.---\left(9\right)$

(其中，若v为向量，则v^t表示其转置向量，v^-1表示其逆向量)。将图1中的样本数据代入(4)～(9)式，得到：

$\stackrel{\→}{w}={\left(\mathrm{0.0058,0.0028}\right)}^t$

               w₀＝0.0589              (10)

至此，得到了一个二维两类分类器，为方便论述，将它称为TCC(Two-Category Classifier)方法。下面说明在此二维分类器的基础上如何加入第三维变量，以增强其公平性。

为了用一种简单且可实践的方法增强AQM方法的公平性，我们采用了一种新机制，它的工作方式如下：为了使中间节点充分了解独立的TCP连接占用链路的信息，发送者可以将其当前的拥塞窗口大小插入IP分组头的可选域内，中间节点取出该值用指数加权滑动平均算法(EWMA)计算带宽公平享用值FS：

                FS←FS×α+cwnd×(1-α)          (11)

这里，α是加权因子。当TCP连接的拥塞窗口cwnd大于公平享用值FS且有拥塞发生时，那么属于这个连接的分组将首先被丢弃，以防止阻塞其他流的分组。我们将这种机制命名为显式公平增强机制(EFE)。考虑到向后兼容性，IP分组头Flags(标志)域中的保留位被定义为EFE位，如果发送者将该比特位置为1，表明终端系统上的传输协议是支持EFE机制的。支持EFE扩展的IP分组头如图2所示，可选域分类指定为1，代号32(01000)，16比特用于搭载发送者当前的拥塞窗口。

为量化描述公平性，定义指数f

$f=\mathrm{cwnd}/\mathrm{FS}---\left(12\right)$

这里cwnd和FS分别是拥塞窗口大小和公平享用值。将f作为三维分类器的第三维变量。当f＝1.0时，连接公平分享链路资源，训练样本和TCC中的一样；当f大于1时，表明连接占用了过量资源，因此，路由器必须多丢一些属于该连接的分组，而且f越大，被丢弃的分组应该越多，反之亦然。依此为指导原则，通过大量的仿真试验，得到如图3所示的训练样本。

假定训练样本集合Ω由n个训练样本

组成，每个训练样本都是一个3维列向量，其中n₁个训练样本属于“接收”子集Ω₁，n₂个训练样本属于“丢弃”子集Ω₂。定义线性组合：

$y={\stackrel{\→}{w}}^t\stackrel{\→}{x}---\left(13\right)$

为一个3维列向量，

为 的转置向量。与训练样本相应的n个点积集合y₁，...，y_n将落在两个集合Y₁和Y₂内，其几何解释为：如果 $\left|\right|\stackrel{\→}{w}\left|\right|=1,$ 则元素y_i是对应的训练样本

在 方向上的投影，如果找到一个方向使得“接收”样本的投影落在一个相对集中的区间内，而“丢弃”样本的投影落在另一个区间内，分类便容易实现。为寻找一个合适的矢量

定义各类样本均值m_i和样本内离散度s_i

$m_i=\frac{1}{n_i}\underset{y\∈Y_i}{\mathrm{\Σ}}i=\mathrm{1,2}---\left(14\right)$

$s_i^2=\underset{y\∈Y_i}{\mathrm{\Σ}}{(y-m_i)}^{2}i=\mathrm{1,2}---\left(15\right)$

那么使Fisher准则函数

$J\left(\stackrel{\→}{w}\right)=\frac{{|m_1-m_2|}^2}{s_1^2+s_2^2}---\left(16\right)$

最大化的投影方向既为 的解，它使得类均值之差(m₁-m₂)达到最大，同时保证了各样本内部尽量密集。由于篇幅所限，这里直接给出 的显式解。

如下定义样本均值向量

样本类内离散度矩阵

和总类内离散度矩阵

${\stackrel{\→}{m}}_i=\frac{1}{n_i}\underset{\stackrel{\→}{x}\∈{\mathrm{\Ω}}_1}{\mathrm{\Σ}}\stackrel{\→}{x}i=\mathrm{1,2}---\left(17\right)$

${\stackrel{\→}{S}}_i=\underset{\stackrel{\→}{x}\∈{\mathrm{\Ω}}_1}{\mathrm{\Σ}}(\stackrel{\→}{x}-{\stackrel{\→}{m}}_i){(\stackrel{\→}{x}-{\stackrel{\→}{m}}_i)}^{t}i=\mathrm{1,2}---\left(18\right)$

${\stackrel{\→}{S}}_w={\stackrel{\→}{S}}_1+{\stackrel{\→}{S}}_2---\left(19\right)$

则， 的解为：

$\stackrel{\→}{w}={\stackrel{\→}{S}}_w^{-1}({\stackrel{\→}{m}}_1-{\stackrel{\→}{m}}_2)---\left(20\right)$

选定分界阈值点w₀为：

$w_0=\frac{\frac{1}{n_1}\underset{\stackrel{\→}{x}\∈{\mathrm{\Ω}}_1}{\mathrm{\Σ}}{\stackrel{\→}{w}}^{t}x+\frac{1}{n_2}\underset{\stackrel{\→}{x}\∈{\mathrm{\Ω}}_2}{\mathrm{\Σ}}{\stackrel{\→}{w}}^{t}x}{2}---\left(21\right)$

则两类分类器的决策规则如下：

${\stackrel{\→}{w}}^{t}x\left\{\begin{array}{c}\≤w_0\\ >w_0\end{array}\right.\→x\∈\left\{\begin{array}{c}{\mathrm{\Ω}}_1\\ {\mathrm{\Ω}}_2\end{array}\right.---\left(22\right)$

将图3中的样本数据代入(1)～(9)式，得到：

$\stackrel{\→}{w}={\left(\mathrm{0.0006,0.0005,0.0255}\right)}^t,$

w₀＝0.0356.                    (23)

至此，得到了所需要的三维两类分类器，为方便论述，将它称为TCC-EFE方法。要在现有的Internet上推广和实践一种新的机制，理想的方案是逐渐过渡，最终完全替代。因此，新机制应该具有一定的向后兼容性，即TCC-EFE方法应该能够正确处理报头没有进行EFE扩展的IP分组。为实现这一点，需要将前面所述的TCC方法包含在TCC-EFE中，这样，整个TCC-EFE方法的流程框图如图4所示。

本发明的特征在于，它是一种用于拥塞控制和避免的主动队列管理方法，依次含有以下步骤：

步骤(1)路由器设定：

二维两类分类器的参数值，w₁₁＝0.0058，w₁₂＝0.0028，w₁₀＝0.0589，

三维两类分类器的参数值，w₂₁＝0.0006，w₂₂＝0.0005，w₂₃＝0.0255，w₂₀＝0.0356，

公平享用值fs，初始化为fs₁常量，

公平享用值fs的加权因子α＝7/8，

队列长度目标值q₀，

队列长度的瞬时采样值q₁和q₂，其中，q₁是t₁时刻的队列长度，q₂是t₂时刻的队列长度，t₂为当前时刻，t₂＞t₁，

t₂时刻的队列长度与队列长度目标值q₀之差x₁，

t₁时刻到t₂时刻的队列长度的变化值x₂，

公平指数x₃，x₃＝cwnd/fs，该cwnd为所记录的分组中携带的发送端窗口的大小，

含有队列长度在内的网络观测变量的采样周期T，

last_time为系统时间，以判断是否到达下一个采样周期，初始值为当前时刻；

步骤(2)等待新的分组到来：

若在下一时刻，有新的分组到来，判断当前系统时间是否到达last_time+T秒，若已到达，则执行步骤(3)，若未到达，则执行步骤(6)；

步骤(3)采集瞬时队列长度q₂；

步骤(4)令x₁＝q₂-q₀；x₂＝q₂-q₁；

步骤(5)把last_time赋值为采集瞬时队列长度q₂时的系统时间；

步骤(6)判断新到来分组的显式公平增强机制位EFE的值，EFE位为1时表示支持公平增强机制，EFE位为0时表示不支持公平增强机制：

若EFE位为0，则执行步骤(7)，否则，执行步骤(9)；

步骤(7)按二维两类分类器分类：

若(w₁₁×x₁+w₁₂×x₂)＞w₁₀，则丢弃此分组，转至步骤(8)，

若(w₁₁×x₁+w₁₂×x₂)＜w₁₀，则把此分组插入队列中；

步骤(8)转至步骤(2)；

步骤(9)采集cwnd，然后按以下步骤进行三维两类分类器分类：

步骤(9.1)令fs＝fs×α+cwnd×(1-α)，x₃＝cwnd/fs；

步骤(9.2)判断：

若(w₂₁×x₁+w₂₂×x₂+w₂₃×x₃)＞w₂₀，则丢弃此分组，否则，把此分组插入队列中；

步骤(10)转至步骤(2)，循环执行，直至结束。

我们在NS2.19b网络仿真平台上实现了TCC和TCC-EFE方法，并对它们的性能进行了测试。NS(Network Simulator，网络模拟器)是一种通用的多协议网络模拟软件，它是在互联网上公开发布的(网址：http：//www-mash.cs.berkeley.edu/ns/)，目前已被网络研究者广泛使用。NS2.19b为它的版本之一。

首先测试TCC方法的性能。采用图5所示的哑铃型拓扑结构，节点A的缓冲为300个分组(分组缺省大小为1000bytes)，瓶颈链路的容量和传播时延设定为(L，τ)，其他链路均为(10Mbps，5ms)。业务源分为三类，第一类包括N₁个贪婪持久性的FTP(文件传输协议)业务；第二类由N₂个突发性的HTTP(超文本传输协议)业务组成，其中每连接有10个会话业务，每个会话业务需要传输3幅页面文件；第三类包括N₃个服从负指数ON/OFF模型的非弹性UDP(用户数据报协议)业务，空闲和突发时间间隔的均值分别为10s和1s。突发期间业务生成速率为40Kbps。为便于比较，分别用几种流行的AQM策略控制队列A。它们的参数配置如下：

RED：最大/最小门限值分别设定为75/15个分组。

PI：采样频率和期望队列长度分别给定为160Hz和50个分组。

AVQ：链路利用率的期望值γ和平滑因子α分别设定为0.98和0.15。

TCC：设定期望队列长度q₀为50个分组，采样周期为传输q₀个分组所需时间。

为了在尽可能现实的网络环境中评价包括有效性、响应性和鲁棒性等在内的综合性能。给定N₁＝N₂＝200，N₃＝20，(L，τ)＝(15Mbps，50ms)。FTP业务源被进一步均分为两组，t＝0秒时启动第一组；t＝150秒时第二组启动，再过150秒后停止第二组FTP业务，启动HTTP业务，UDP业务在t＝450秒时启动，整个仿真试验持续600秒。跟踪瞬时队列长度的变化，结果描述在图6～图9中。

观察图6，RED敏感负载的缺陷再一次得到证实，当持久性的FTP业务在t＝150秒增加到200时，队列开始表现出幅度较大的振荡。此外，非响应性UDP业务流的干扰产生的负面影响也很明显。PI控制器响应性差的弱点在图7中表现得比较明显，300秒时一部分FTP结束会话，但因PI控制器响应迟缓，迟迟不能将分组丢弃概率调节到一个较小的稳定值附近，致使过多分组被丢弃，队列被清空，链路得不到充分利用。新业务加入导致过长的暂态调节过程虽不会影响链路利用率，但却无法有效控制队列长度，进而控制排队延时，图7中PI用了50多秒的时间完成这一过程算不上理想。AVQ没有明确的队长控制目标，为了保持98％的链路利用率，对队长的控制很保守，大多数时间瞬时队长接近满队列，这不利于实现AQM平衡高链路利用率和低排队延时的技术目标。另一方面，AVQ非常敏感非响应性业务流的干扰，几乎很难到达预期的技术目标，这一点图8中450秒以后的队长变化曲线反映的很清楚。反观图9，队列长度自始至终在期望值附近抖动，只是在状态切换过程中出现了短暂的尖峰。UDP业务流的干扰使队长摆动幅度有微弱的增加，但不易觉察，证明TCC方法有很强的抗干扰能力。整个动态仿真试验表明：TCC是一种有效、敏捷和稳健的AQM实现方法。

接着，在NS2.19b上实现TCC-EFE方法，并采用图10描述的“停车场”拓扑结构配置进行仿真试验来验证TCC-EFE方法在公平性方面的改进效果。其中具有不同RTT的TCP连接经历了不同的拥塞网关，为保持所有瓶颈链路具有相同负载，假定N₁₀＝N₂₁+N₃₁+N₄₁；N₂₀＝N₃₁+N₄₁；N₃₀＝N₄₁。业务源和其他AQM策略的参数设置与TCC方法测试时的设置相同。从每一组业务源中选取一个FTP流，跟踪它们的发送窗口，将结果表示在图11中。

观察图11，与现有的各种AQM策略相比，TCC-EFE对公平性的增强是显见的。为了方便比较，依照Raj Jain定义的公平性评价指数来评价各种策略的公平性：

$\mathrm{FI}=\frac{{\left(\underset{i}{\overset{n}{\mathrm{\Σ}}}\right)}^2}{n\underset{i}{\overset{n}{\mathrm{\Σ}}}{x}_i^2}---\left(24\right)$

这里，x_i是第i个经过节点I5的TCP流发送的分组数。计算结果列在表1中：

                       表1各种AQM策略的公平性评价指数

AQM	RED	REM	PI	AVQ	TCC	TCC-EFE
							FI	0.5112	0.5221	0.5253	0.4627	0.4786	0.7763

最后，验证TCC-EFE方法的向后兼容性。为此，将四组FTP业务源中的一半配置成支持EFE机制，另一半不支持EFE机制。每组中任意选取一个EFE源和非EFE源，跟踪它们的拥塞窗口，结果描述在图12中。观察图12，支持EFE的TCP流，即便它经历了多个拥塞路由器，同样有成功传输分组，增加窗口的机会；同时，经历单条瓶颈链路的EFE业务源也不可能垄断网络资源。但是，弱势的非EFE流却会被强势的非EFE流排挤，得不到应有的资源。这个实验表明：支持EFE机制的主机能够与不支持EFE机制的端系统共存于同一个网络环境中，这为实现平滑过渡提供了技术保障；同时，随着EFE机制逐渐被推广应用，公平性也将随之动态增强。

Claims (1)

1.主动队列管理的分类器实现方法，其特征在于，该方法依次含有以下步骤：

步骤(1)路由器设定：

二维两类分类器的参数值，w₁₁＝0.0058，w₁₂＝0.0028，w₁₀＝0.0589，

三维两类分类器的参数值，w₂₁＝0.0006，w₂₂＝0.0005，w₂₃＝0.0255，w₂₀＝0.0356，

公平享用值fs，初始化为fs₁常量，

公平享用值fs的加权因子a＝7/8，

队列长度目标值q₀，

队列长度的瞬时采样值q₁和q₂，其中，q₁是t₁时刻的队列长度，q₂是t₂时刻的队列长度，t₂为当前时刻，t₂＞t₁，

t₂时刻的队列长度与队列长度目标值q₀之差x₁，

t₁时刻到t₂时刻的队列长度的变化值x₂，

公平指数x₃，x₃＝cwnd/fs，该cwnd为所记录的分组中携带的发送端窗口的大小，

含有队列长度在内的网络观测变量的采样周期T，

last_time为系统时间，以判断是否到达下一个采样周期，初始值为当前时刻；步骤(2)等待新的分组到来：

若在下一时刻，有新的分组到来，判断当前系统时间是否到达last_time+T秒，若已到达，则执行步骤(3)，若未到达，则执行步骤(6)；

步骤(3)采集瞬时队列长度q₂；

步骤(4)令x₁＝q₂-q₀；x₂＝q₂-q₁；

步骤(5)把last_time赋值为采集瞬时队列长度q₂时的系统时间；

步骤(6)判断新到来分组的显式公平增强机制位EFE的值，EFE位为1时表示支持公平增强机制，EFE位为0时表示不支持公平增强机制：

若EFE位为0，则执行步骤(7)，否则，执行步骤(9)；

步骤(7)按二维两类分类器分类：

若(w₁₁×x₁+w₁₂×x₂)＞w₁₀，则丢弃此分组，转至步骤(8)，

若(w₁₁×x₁+w₁₂×x₂)＜w₁₀，则把此分组插入队列中；

步骤(8)转至步骤(2)；

步骤(9)采集cwnd，然后按以下步骤进行三维两类分类器分类：

步骤(9.1)令fs＝fs×a+cwnd×(1-a)，x₃＝cwnd/fs；

步骤(9.2)判断：

若(w₂₁×x₁+w₂₂×x₂+w₂₃×x₃)＞w₂₀，则丢弃此分组，否则，把此分组插入队列中；步骤(10)转至步骤(2)，循环执行，直至结束。

Images