[论文解读] Congestion Control Approach based on Effective Random Early Detection and Fuzzy Logic

Maimuna Khatari, Ghassan Samara|arXiv (Cornell University)|Dec 12, 2017

Network Traffic and Congestion Control参考文献 18被引用 29

一句话总结

本文提出了一种融合模糊逻辑的增强型随机早期检测（ERED）拥塞控制机制，通过整合缓冲区占用率与队列延迟，以提升网络性能。通过用模糊推理系统替代固定参数，该方法相比传统ERED与参数化ERED，将分组丢失率降低了10–100%，延迟降低了30–60%，在动态流量条件下展现出更优的稳定性和响应能力。

ABSTRACT

Congestion in router buffer increases the delay and packet loss. Active Queue Management (AQM) methods are able to detect congestion in early stage and control it by packet dropping. Effective Random Early Detection (ERED) method, among many other AQM methods, gives a good performance in detect and control congestion and preserve packet loss. However, the ERED neglect the delay factor, which is effect the performance of the network. Moreover, ERED has a real parameterization problem. Several parameters have to be initialized to optimal values to obtain satisfactory results. This paper proposed an extended ERED method that considers the delay in its process and combines the extended ERED method with a Fuzzy Inference Process that eases the problem of parameter initialization. The results show that the parametric-based form of the proposed work gives a better performance results, according to the performance measures, delay, dropping and packet loss. The loss has been enhanced by 10-100%. Delay has been enhanced by 30-60%. The performance of the fuzzy-based form of the proposed method is better than the parametric-based form and ERED in terms of delay and packet loss.

研究动机与目标

• 解决传统ERED忽略延迟且需手动调参的局限性。
• 通过将缓冲区占用率与队列延迟同时作为输入变量，改进拥塞控制机制。
• 通过模糊推理系统降低对最优参数初始化的依赖。
• 在不同流量负载下，提升网络性能，包括延迟、分组丢失率与稳定性。

提出的方法

• 在ERED算法基础上，引入队列延迟作为第二个输入变量，与缓冲区占用率并列。
• 设计一个包含两个输入变量的模糊推理系统（FIS）：归一化的缓冲区占用率与归一化的队列延迟。
• 利用一组模糊规则，根据缓冲区与延迟状态的综合情况，动态确定早期分组丢弃的概率。
• 采用单点模糊化与重心解模糊化方法，将模糊输出映射为可执行的丢包概率。
• 实现两种变体：基于参数的ERED与基于模糊逻辑的ERED，用于对比评估。
• 采用标准指标评估性能：在不同流量条件下，测量平均队列延迟、分组丢失率与吞吐量。

实验结果

研究问题

• RQ1 与传统ERED相比，将队列延迟引入ERED对拥塞控制性能有何影响？
• RQ2 模糊推理系统能否有效替代ERED中的固定参数，以降低调参复杂度？
• RQ3 基于模糊逻辑的ERED在延迟与分组丢失方面，相较于基于参数的ERED与标准ERED，性能提升程度如何？
• RQ4 所提出方法在不同流量负载下如何保持稳定性和响应能力？
• RQ5 模糊逻辑方法在多大程度上减少了AQM机制中手动参数优化的需求？

主要发现

• 与标准ERED及参数化ERED相比，基于模糊逻辑的ERED将平均队列延迟降低了30–60%。
• 在各种流量场景下，分组丢失率降低了10–100%，尤其在高负载条件下改善最为显著。
• 模糊逻辑系统有效消除了手动参数调优的需求，显著降低了部署复杂度。
• 所提方法在稳定性与对流量波动的响应能力方面，优于基于参数的ERED与标准ERED。
• 在模糊推理系统中整合延迟与缓冲区占用率，实现了更精确、更及时的拥塞检测与控制。