文獻標識碼： A
文章編號： 0258-7998(2014)05-0097-04
擁塞控制TCP(Transport Congestion Protocol)[1]協議根據不同的環境狀態改變cwnd（congestion window）值，以適應網絡?，F有TCP協議雖應用廣泛，但對于復雜無線網絡應用，如：基于多跳無線Ad Hoc網絡的多路數據流傳輸等，其在擁塞判斷和決策處理上，易使網絡出現傳播延遲過大、帶寬利用率低、競爭擁塞等情況[2]，其主要原因在于擁塞判斷方式單一、cwnd變化方式不合理等。參考文獻[3]證明雖然TCP協議會造成一定的競爭擁塞，但MAC層的二進制指數回退機制造成的競爭擁塞更為嚴重。
針對以上問題，參考文獻[4]對往返時延進行壓擴，動態改變加性因子大小。參考文獻[5]根據前向鏈路的轉發跳數對TCP擁塞窗口增長速率進行控制。參考文獻[6]采用一種類似學習的TCP思想，對網絡狀態進行學習，反饋動作作用后，智能地選擇加性因子大小。參考文獻[4-6]都忽略了擁塞控制協議中，乘性因子對網絡擁塞產生的影響。參考文獻[7]在高速網絡應用下給出了一種學習擁塞控制算法，有效提升TCP協議在快速網絡下的性能，但須對接收端、發送端以及路由都進行改進，實施性不強。本文提出一種基于Ad Hoc網絡的cwnd和CW(Collision Window)因子動態學習算法-RFTCP。通過對網絡帶寬表征量的進一步學習、探索和利用,動態設計cwnd和CW值變化方式,最終提高網絡整體性能。
1 RFTCP設計
RFTCP算法整體思想框圖如圖1所示，算法主要對TCP層擁塞控制的加性和乘性因子以及MAC層的CW因子進行動態變化。
1.1 加性因子策略
在無線Ad Hoc網絡中，RTT值動態變化特性大，且與網絡負荷成正相關。RTT增大時，AI協議應采取更為有效的措施，既提升網絡帶寬利用率，又盡量避免擁塞。基于此，本文在AI階段進一步分析RTT，動態決定加性因子大小。
1.2 乘性因子策略
針對MD協議僅依靠重復ACK判斷擁塞,且減半cwnd值不能更好地反應網絡帶寬的問題。本文將MD階段視為一個有限狀態的離散馬爾科夫決策過程(Markov Decision Processes),利用強化學習策略，對無線信道帶寬特性進一步學習，動態改變cwnd乘性因子，從而充分利用帶寬、提高網絡總體性能。
式(7)中，sumcn代表網絡中此時競爭擁塞節點數據流的總數，MTUTCP指TCP層的最大傳輸數據單元，SlotTime代表一個單位回退時間間隔。
2 算法實現
根據上述分析，基于Ad Hoc網絡的TCP增強算法RFTCP如算法1所示。
算法1 RFTCP工作機制
3.2 多跳鏈式網絡下RFTCP性能分析
場景二為鏈式傳輸網絡，運動過程中節點分布如圖5所示，節點間傳輸距離為150 m，運動過程中各節點依次按n5移動路徑運動并保持鏈式隊形,場景大小為1 500 m×1 500 m。
3.3 多跳鏈式網絡下多路數據流公平性分析
場景三對改進協議RFTCP在多路數據流通信中的競爭性進行分析。在仿真開始10 s建立TCP流1，在[10，20] s內的隨機時刻建立TCP數據流2。圖7表示RFTCP與Newreno數據流之間的友好性。仿真結果表明，改進協議流能夠與現有TCP協議流友好共存而避免單方面爭用信道資源。圖8表示在無線多跳網絡中建立兩路同種TCP數據流，利用式(8)[10]所述的Jain’s公平性索引，衡量協議公平性。其中，n代表數據流個數，ri代表第i個數據流的帶寬。RFTCP的公平百分比能達到99.25%，比Newreno提升10%左右。
隨著Ad Hoc網絡應用的日益發展，現有TCP協議不能滿足其復雜性、動態性的需求。本文提出一種cwnd自適應動態變化算法RFTCP，并結合網絡吞吐量跨層調整CW因子，通過與現有版本TCP-Newreno在三種傳輸模型上進行多次仿真比較。結果表明，改進協議RFTCP在傳播延遲、吞吐量、公平性等方面都明顯優于Newreno。
參考文獻
[1] ABED G A, ISMAIL M, JUMARI K. Exploration and evaluation of traditional TCP congestion control techniques[J]. Computer and Information Sciences, 2012(24):145-155.
[2] HIROKI N Y, ABSARI N, KATO N. Wireless loss-tolerant congestion control protocol based on dynamic AIMD theory[J]. IEEE Wireless Communications, April 2010(10):7-14.
[3] HOBLOS J. Improving throughput and fairness in multihop wireless mesh networks using adaptive contention window algorithm(ACWA)[C]. 2011 7th International Conference on Wireless Communications, Networking and Mobile Computing (WiCOM), 2011.
[4] 劉俊.擁塞窗口自適應的TCP擁塞避免算法[J].計算機應用，2011，31(6):1472-1475.
[5] 宋軍,李浩,李媛源,等. Ad Hoc中的TCP改進方案-Adaptive ADTCP[J].計算機應用，2010，30(7)：1750-1756.
[6] BADARLA V, SIVA C, MURTHY R. Learning-TCP: a stochastic approach for efficient update in TCP congestion Window in Ad Hoc wireless networks[J]. J. Parallel Distrib.Compute, 2011(71):863-878.
[7] LESTAS M, PITSILLIDES A, IOANNOU P, et al. Adaptive congestion protocol: a congestion control protocol with learning capability[J].Computer Network, 2007(51):3773-3798.
[8] MITCHELL T M. Machine learning[M]. Bejing, China:Machine Press, 2004:263-280.
[9] PADHYE J, FIROIU V, TOWSLEY D, et al. Modeling TCP reno performance: a simple model and its empirical validation[J]. IEEE/ACM Transaction on Networking, 2000,2(8):133-145.
[10] HUAIZHOU S, VENKATESHA R, ERTAN P,et al. Fairness in wireless networks:issues,measures and challenges[J]. IEEE Communications Surveys & Tutorials,2013(13):1-20.