利用BBR(Bottleneck bandwidth and RTT)算法虽可以实现在复杂网络中带宽的充分利用,但该算法对网络噪音所造成的丢包现象敏感,且该算法因存在协议内部不公平的问题而无法实现物联数据的实时高效获取。针对以上问题,提出了1种基于深度...利用BBR(Bottleneck bandwidth and RTT)算法虽可以实现在复杂网络中带宽的充分利用,但该算法对网络噪音所造成的丢包现象敏感,且该算法因存在协议内部不公平的问题而无法实现物联数据的实时高效获取。针对以上问题,提出了1种基于深度强化学习的起搏增益优化算法(Deep reinforcement learning of BBR,BBR-DRL)。首先,通过获取数据传输的往返时延、发送窗口大小和网络带宽等环境参数来实时感知网络状态;然后,结合环境参数,利用起搏增益进行动态调整,使得BBR算法能够及时与外部动态网络环境进行交互,从而降低丢包敏感度、提高不同往返时延(Round-trip time,RTT)流之间的公平性。实验结果表明,与经典BBR算法相比,所提出的BBR-DRL算法协议内部的公平性提高到了98.2%,丢包敏感性明显降低。展开更多
文摘利用BBR(Bottleneck bandwidth and RTT)算法虽可以实现在复杂网络中带宽的充分利用,但该算法对网络噪音所造成的丢包现象敏感,且该算法因存在协议内部不公平的问题而无法实现物联数据的实时高效获取。针对以上问题,提出了1种基于深度强化学习的起搏增益优化算法(Deep reinforcement learning of BBR,BBR-DRL)。首先,通过获取数据传输的往返时延、发送窗口大小和网络带宽等环境参数来实时感知网络状态;然后,结合环境参数,利用起搏增益进行动态调整,使得BBR算法能够及时与外部动态网络环境进行交互,从而降低丢包敏感度、提高不同往返时延(Round-trip time,RTT)流之间的公平性。实验结果表明,与经典BBR算法相比,所提出的BBR-DRL算法协议内部的公平性提高到了98.2%,丢包敏感性明显降低。
