[论文解读] 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 3

一句话总结

本文提出了一种基于遗传算法（GA）与粒子群优化（PSO）的径向基函数（RBF）神经网络控制器，用于TCP网络中的自适应拥塞控制，从而提升多媒体应用的性能。通过结合遗传算法（GA）进行网络结构优化和粒子群优化（PSO）进行输出权重调优，改进的RBF（I-RBF）模型在链路利用率和包丢失率方面优于Drop Tail、PI、REM和AREDS控制器。

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.

研究动机与目标

• 解决在动态流量条件下维持高链路利用率和低延迟的挑战。
• 通过引入自适应、基于学习的控制机制，改进传统拥塞控制方法（如Drop Tail、PI、REM和AREDS）。
• 开发一种鲁棒的基于神经网络的控制器，能够动态适应网络状态变化，从而在多媒体应用中实现更优性能。
• 利用混合元启发式技术优化RBF神经网络的结构与权重，以提升控制精度与稳定性。

提出的方法

• 设计一种基于径向基函数（RBF）神经网络的控制器，用于TCP网络中的主动队列管理。
• 使用遗传算法（GA）优化RBF网络的结构，包括神经元数量和中心点。
• 应用粒子群优化（PSO）调优RBF网络的输出权重，以提升收敛速度与性能表现。
• 通过集成误差积分项增强RBF模型的鲁棒性，降低稳态误差。
• 在仿真环境中实现该控制器，以评估其相对于基准拥塞控制方案的性能表现。
• 采用关键性能指标（如链路利用率、队列延迟和包丢失率）在不同流量负载下对控制器进行评估。

实验结果

研究问题

• RQ1 在链路利用率和延迟方面，GA-PSO优化的I-RBF控制器相较于传统拥塞控制机制表现如何？
• RQ2 引入误差积分项在多大程度上提升了基于RBF的控制器的鲁棒性与稳定性？
• RQ3 混合GA-PSO优化方法是否能有效调优神经网络的结构与权重，以实现最优拥塞控制性能？
• RQ4 在多媒体应用中典型的动态流量条件下，所提出的控制器性能如何？
• RQ5 基于神经网络的控制对降低包丢失率的同时维持高吞吐量在TCP网络中的影响是什么？

主要发现

• 在动态流量条件下，GA-PSO优化的I-RBF控制器相比Drop Tail、PI、REM和AREDS控制器实现了更高的链路利用率。
• 所提出的控制器显著降低了平均包丢失率，表明在网络拥塞处理中具备更高的公平性与稳定性。
• 将误差积分项集成到RBF模型中增强了系统鲁棒性，从而实现更低的稳态误差与更快的收敛速度。
• 混合GA-PSO优化方法有效调优了RBF网络的结构与输出权重，带来了更优的控制性能。
• 仿真结果证实，I-RBF控制器在吞吐量与延迟方面优于现有方案，尤其在多媒体应用中常见的高带宽、高延迟环境中表现更优。
• 该控制器在多种流量模式下均保持稳定性能，表明其在真实世界多媒体网络场景中具备强大的自适应能力与可扩展性。