[論文レビュー] GA-PSO-Optimized Neural-Based Control Scheme for Adaptive Congestion Control to Improve Performance in Multimedia Applications

Mansour Sheikhan, Ehsan Hemmati+1 more|arXiv (Cornell University)|Nov 16, 2017

Network Traffic and Congestion Control参考文献 39被引用数 3

ひとこと要約

本稿では、マルチメディアアプリケーションのパフォーマンス向上を図るために、適応的混雑制御における遺伝的アルゴリズム（GA）と粒子群最適化（PSO）を最適化手法として用いた径路基底関数（RBF）ニューラルネットワーク制御系の提案を行う。GAを用いてネットワーク構造を最適化し、PSOを用いて出力重みをチューニングすることで、改善型RBF（I-RBF）モデルは、ドップ・テイル、PI、REM、AREM制御系と比較して優れたリンク利用率と低いパケット損失率を達成する。

ABSTRACT

Active queue control aims to improve the overall communication network throughput while providing lower delay and small packet loss rate. The basic idea is to actively trigger packet dropping (or marking provided by explicit congestion notification (ECN)) before buffer overflow. In this paper, two artificial neural networks (ANN)-based control schemes are proposed for adaptive queue control in TCP communication networks. The structure of these controllers is optimized using genetic algorithm (GA) and the output weights of ANNs are optimized using particle swarm optimization (PSO) algorithm. The controllers are radial bias function (RBF)-based, but to improve the robustness of RBF controller, an error-integral term is added to RBF equation in the second scheme. Experimental results show that GA- PSO-optimized improved RBF (I-RBF) model controls network congestion effectively in terms of link utilization with a low packet loss rate and outperform Drop Tail, proportional-integral (PI), random exponential marking (REM), and adaptive random early detection (ARED) controllers.

研究の動機と目的

• 動的トラフィック条件下において、高いリンク利用率と低い遅延を維持するという課題に対処すること。
• ドップ・テイル、PI、REM、AREMといった従来の混雑制御メカニズムを改善し、適応的で学習ベースの制御を導入すること。
• ネットワーク状態の変化に動的に対応できる強固なニューラルネットワークベースの制御系を開発し、マルチメディアアプリケーションにおけるより優れたパフォーマンスを実現すること。
• ハイブリッドメタヒューリスティック手法を用いてRBFニューラルネットワークの構造と重みを最適化し、制御の精度と安定性を向上させること。

提案手法

• TCPネットワークにおけるアクティブキュー管理のための径路基底関数（RBF）ニューラルネットワークベースの制御系を設計すること。
• 遺伝的アルゴリズム（GA）を用いて、RBFネットワークのアーキテクチャ（ニューロン数や中心点の数）を最適化すること。
• 粒子群最適化（PSO）を用いて、RBFネットワークの出力重みをチューニングし、収束性とパフォーマンスを向上させること。
• 誤差積分項を統合することでRBFモデルを強化し、システムのロバストネスを高め、定常誤差を低減すること。
• シミュレーション環境に制御系を実装し、ベンチマーク混雑制御方式とのパフォーマンスを評価すること。
• さまざまなトラフィック負荷下で、リンク利用率、キュー遅延、パケット損失率といった主要指標を用いて制御系を評価すること。

実験結果

リサーチクエスチョン

• RQ1 GA-PSO最適化I-RBF制御系は、従来の混雑制御メカニズム（ドップ・テイル、PI、REM、AREM）と比較して、リンク利用率と遅延においてどのように異なるか？
• RQ2 誤差積分項の組み込みが、RBFベースの制御系のロバストネスと安定性をどの程度向上させるか？
• RQ3 ハイブリッドGA-PSO最適化アプローチは、ニューラルネットワークの構造と重みを最適にチューニングでき、最適な混雑制御パフォーマンスを達成できるか？
• RQ4 本稿で提案する制御系は、マルチメディアアプリケーションで一般的な変動するトラフィック条件下で、どのように動作するか？
• RQ5 ニューラルネットワークベースの制御は、TCPネットワークにおける高いスループットを維持しつつ、パケット損失をどの程度低減できるか？

主な発見

• GA-PSO最適化I-RBF制御系は、動的トラフィック条件下でドップ・テイル、PI、REM、AREM制御系と比較して、より高いリンク利用率を達成した。
• 提案された制御系は、平均的なパケット損失率を顕著に低減し、ネットワーク混雑処理における改善された公平性と安定性を示した。
• 誤差積分項のRBFモデルへの統合により、システムのロバストネスが向上し、定常誤差が低減され、収束速度が向上した。
• ハイブリッドGA-PSO最適化手法は、RBFネットワークの構造と出力重みの両方を効果的にチューニングし、優れた制御パフォーマンスを実現した。
• シミュレーション結果から、I-RBF制御系は、特にマルチメディアアプリケーションで一般的な高帯域幅・高遅延環境において、従来の手法と比較してスループットと遅延の両面で優れた性能を示したことが確認された。
• 制御系は多様なトラフィックパターンにおいても安定したパフォーマンスを維持しており、実世界のマルチメディアネットワーキング環境における高い適応性とスケーラビリティを示している。