李 婧, 管毓瑶

(上海电力大学 计算机科学与技术学院, 上海 200090)

互联网发展到今天的规模,人们的生活和工作越来越离不开计算机网络。近年来,网络流量的空前增长对互联网的性能提出了更高的要求。许多新兴应用对吞吐量、可靠性和延迟性都提出了更高的要求。虽然强力部署更高容量的有线和无线链路的方法有助于缓解这个问题,但更可行的方法是重新考虑更高层协议的设计,以便更有效地利用增加的物理层链路容量。

拥塞控制问题是一个经典的网络课题,在互联网的发展中,扮演着重要的角色。网络拥塞控制主要用于调节和控制网络数据传输需求和网络传输/处理能力之间的不匹配引起的拥塞问题,确保用户之间有效和公平地共享网络资源。

网络拥塞控制的一个重点问题是讨论丢包与拥塞之间的关系,并根据感知到的拥塞来采取缓解拥塞的调控。TCP的拥塞控制经过了多次的迭代和改进,每一次都经过研究者的精心设计和大量实验验证,且方案的设计基于对来自网络的特定反馈信号的预定义动作的硬连线映射。然而,随着网络变得更加复杂化和动态化,设计最佳“奖励—行为”映射变得更加困难。

近年来,机器学习、深度学习和强化学习的兴起,给拥塞控制提供了新的思路,利用强大的学习能力来学习网络交互的行为引起了广泛关注。因此,针对基于机器学习的网络拥塞控制协议展开研究,对于优化网络性能具有重要的意义。……