[发明专利]一种拥塞算法的自适应控制方法、存储介质、设备及系统

说明书

本发明公开了一种拥塞算法的自适应控制方法、存储介质、设备及系统，方法包括步骤：利用XGBoost算法对各种拥塞算法的效果构建出对应的效果预测模型，并将所述效果预测模型进行组合，构成拥塞算法预测模型；对网络通信中的数据流进行监听并获取所述数据流的统计信息，以所述统计信息以及丢包敏感度参数作为所述拥塞算法预测模型的输入参数，得到每个拥塞算法的效果值；根据所述效果值计算每个拥塞算法被选中的概率，并根据所述概率随机选出与所述数据流适配的拥塞算法，并将数据流与拥塞算法的对应关系存储至bpf_map中。本发明可根据数据流的行为特征自动切换合适的拥塞算法，从而提高网络的整体吞吐并有效降低时延。

技术领域

本发明涉及通信技术领域，特别涉及一种拥塞算法的自适应控制方法、存储介质、设备及系统。

背景技术

拥塞现象是指到达通信子网中某一部分的分组数量过多，使得该部分网络来不及处理，以致引起这部分乃至整个网络性能下降的现象，严重时甚至会导致网络通信业务陷入停顿即出现死锁现象。随着技术的发展，新的拥塞算法层出不穷，但是它们适用的场景以及针对的流的特征往往有限，无法满足现网中各类流的需求。以copa算法为例，该算法针对的是那些rtt(往返时延)短且变化率不大的数据流，这些数据流很少出现丢包，且延迟的变化主要是因为短暂的排队而导致，这样，copa就可以通过时延的变化来判断数据流的排队情况，并以此为依据调整发包的速率。但是，如果一条数据流本身所处的网络环境非常不稳定，即时不发生拥塞，时延和吞吐都容易出现剧烈的变化，那么如果再使用copa算法来控制数据包的行为，将无法获得最佳的结果。

虽然目前很多学者提出，使用及其学习的方法进行数据流行为的预测，但是其往往存在模型可解释性差、cpu消耗高以及处理时间长等问题；并且通过研究发现，在指定情况下通过机器学习进行控制的拥塞算法，很难获得与适配该环境的传统拥塞控制算法一样的效果。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种拥塞算法的自适应控制方法、存储介质、设备及系统，旨在解决传统拥塞算法适配性不强以及机器学习拥塞控制算法控制效果不佳，导致网络的整体传输效率较差的问题。

为了解决上述技术问题，本发明所采用的技术方案如下：

一种拥塞算法的自适应控制方法，其中，包括步骤：

利用XGBoost算法对各种拥塞算法的效果构建出对应的效果预测模型，并将所述效果预测模型进行组合，构成拥塞算法预测模型；

对网络通信中的数据流进行监听并获取所述数据流的统计信息，以所述统计信息以及丢包敏感度参数作为所述拥塞算法预测模型的输入参数，得到每个拥塞算法的效果值；

根据所述效果值计算每个拥塞算法被选中的概率，并根据所述概率随机选出与所述数据流适配的拥塞算法，并将数据流与拥塞算法的对应关系存储至bpf_map中。

所述拥塞算法的自适应控制方法，其中，所述拥塞算法包括copa拥塞算法、cubic拥塞算法、bbr拥塞算法、C2TCP拥塞算法、DCTCP拥塞算法以及Westwood拥塞算法。

所述拥塞算法的自适应控制方法，其中，所述数据流的统计信息包括数据流在传输阶段出现的最小在途节数、最大在途节数、在途字节数方差、最小rtt、最大rtt、rtt方差、到达时间、rtt变化方差、到达时间间隙方差以及发送速率。

所述拥塞算法的自适应控制方法，其中，以所述统计信息以及丢包敏感度参数作为所述拥塞算法预测模型的输入参数，得到每个拥塞算法的效果值的步骤包括：