基于机器学习的TCP拥塞控制算法识别研究

论文摘要

准确识别服务器端采用的拥塞控制算法对于预防和缓解TCP网络拥塞具有重要意义,但目前已有的对拥塞控制算法的识别方法均存在一定问题。在对当前主流拥塞控制算法进行特性分析的基础上,利用接收端采集的数据提取丢包时拥塞窗口下降比例、拥塞避免阶段窗口增长函数、快速恢复阶段窗口增长函数等特征。为提高识别效率和准确率,提出一种极限学习机和随机森林相结合的算法,对服务器端的拥塞控制算法进行识别。与多种机器学习方法对比研究的结果表明,基于所构造的特征向量可实现对RENO和NEWRENO算法的识别,且所提识别新算法取得了比其它识别方法更优的识别效果。

论文目录

• 0 引言
• 1 拥塞控制的基本原理
• 2 特征向量构造
•   2.1 客户端数据采集
•   2.2 特征提取
• 3 识别方法
•   3.1 极限学习机
•   3.2 随机森林
•   3.3 本文方法
• 4 仿真实验
•   4.1 数据的获取与处理
•   4.2 实验设置
•   4.3 实验结果
•   4.4 特征提取效果分析
• 5 结语

文章来源

类型: 期刊论文

作者: 许乾坤,李烨,董浩,叶剑飞,李俊何

关键词: 拥塞控制,机器学习,算法识别,特征提取,极限学习机,随机森林

来源: 通信技术 2019年11期

年度: 2019

分类: 信息科技

专业: 互联网技术,自动化技术

单位: 上海理工大学光电信息与计算机工程学院

基金: 华为技术有限公司合作项目(No.YBN2017080071)~~

分类号: TP393.06;TP181

页码: 2700-2705

总页数: 6

文件大小: 1551K

下载量: 135