[論文レビュー] Comparative Analysis of Congestion Control Algorithms Using ns-2

Sanjeev Patel, Pankaj Gupta+3 more|arXiv (Cornell University)|Mar 16, 2012

Network Traffic and Congestion Control参考文献 4被引用数 11

ひとこと要約

本稿では、ns-2を用いて、帯域幅の変動する条件下でスループット、遅延、キュー長、損失率の観点から、RED、SFQ、REMの各コグネッション制御アルゴリズムのシミュレーションベースの比較分析を提示している。研究は、特に高トラフィック負荷下での損失率の低減と低遅延の維持に優れるREMが、REDおよびSFQを上回ることを示している。

ABSTRACT

In order to curtail the escalating packet loss rates caused by an exponential increase in network traffic, active queue management techniques such as Random Early Detection (RED) have come into picture. Flow Random Early Drop (FRED) keeps state based on instantaneous queue occupancy of a given flow. FRED protects fragile flows by deterministically accepting flows from low bandwidth connections and fixes several shortcomings of RED by computing queue length during both arrival and departure of the packet. Stochastic Fair Queuing (SFQ) ensures fair access to network resources and prevents a busty flow from consuming more than its fair share. In case of (Random Exponential Marking) REM, the key idea is to decouple congestion measure from performance measure (loss, queue length or delay). Stabilized RED (SRED) is another approach of detecting nonresponsive flows. In this paper, we have shown a comparative analysis of throughput, delay and queue length for the various congestion control algorithms RED, SFQ and REM. We also included the comparative analysis of loss rate having different bandwidth for these algorithms.

研究の動機と目的

• 増加するネットワークトラフィック下での主要なコグネッション制御アルゴリズム—RED、SFQ、REM—の性能を評価・比較すること。
• 高帯域幅環境下での各アルゴリズムがスループット、遅延、キュー長、パケット損失率をどのように管理するかを分析すること。
• REMがコグネッション測定と性能指標を分離することで、公平性と安定性を向上させる有効性を評価すること。
• ns-2シミュレーションを用いて、帯域幅の変動が各アルゴリズムの性能に与える影響を調査すること。
• 現代の高トラフィックネットワークに最も効率的かつ公平なコグネッション制御メカニズムを特定すること。

提案手法

• varying traffic loads および bandwidth conditions をモデル化するためのns-2を用いたシミュレーテッドネットワークシナリオ。
• Random Early Detection (RED)、Stochastic Fair Queuing (SFQ)、Random Exponential Marking (REM) の3つのコグネッション制御アルゴリズムの実装および設定。
• 低帯域幅フローの公平性を向上させるために、REDのステートベースの拡張版としてFRED（Flow Random Early Drop）を用いた。
• スループット、エンドツーエンド遅延、キュー長、パケット損失率の主な性能指標を測定。
• 安定およびバースト性のあるフローをテストするため、動的トラフィックモデルを適用してアルゴリズムのロバストネスを検証。
• 統計的信頼性を確保するため、複数回のシミュレーション実行を通じた比較分析を実施。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク帯域幅が増加する状況下で、RED、SFQ、REMのスループットはそれぞれどのように変化するか？
• RQ2 高トラフィック環境下での各アルゴリズムがエンドツーエンド遅延およびキュー長に与える影響は何か？
• RQ3 帯域幅およびトラフィック負荷の関数として、3つのアルゴリズムにおけるパケット損失率はどのように変動するか？
• RQ4 伝統的なREDおよびSFQと比較して、REMはどれほど公平性と安定性を向上させるか？
• RQ5 FREDは、低帯域幅フローの保護を目的としたREDの欠陥を効果的に是正できるか？

主な発見

• REMは、すべての帯域幅設定において最も低いパケット損失率を示し、REDおよびSFQを上回った。
• SFQは、どのフローも帯域幅を独占することを防ぐなど、リソース割り当てにおいて最も一貫した公平性を達成した。
• REDは高負荷下で最も高い遅延とキュー長を示し、コグネッション処理における不安定性を示した。
• FREDをREDに統合することで、低帯域幅フローの損失が顕著に低減され、公平性が向上した。
• REMはバースト性のあるトラフィック下でも安定したキュー長と低遅延を維持した。これは、コグネッション信号の分離が有効であることを裏付けた。
• 特に高帯域幅下でREMのスループットが最も高く、スケーラビリティに優れていることが示された。