基于数据挖掘的TCP CUBIC拥塞控制优化算法

"论文研究-利用数据挖掘技术改进TCPCUBIC拥塞控制算法.pdf" 这篇论文探讨了如何利用数据挖掘技术改进TCP CUBIC拥塞控制算法，以更有效地判断网络拥塞并预测丢包。TCP CUBIC是一种广泛使用的拥塞控制算法，但它在主动识别拥塞和预测丢包方面存在不足。为了解决这些问题，研究者们采取了以下步骤： 首先，他们通过采集网络节点的数据，应用多维关联挖掘方法来构建模型。这种方法旨在发现数据中的隐藏模式和关系，以识别可能影响网络状态的因素。具体来说，他们使用RTT（Round Trip Time）的最大值和最小值的变化率作为关键指标，以此来判断网络是否出现拥塞。 其次，为了更精细化地处理拥塞问题，研究者们将拥塞状态划分为不同的等级。他们利用动态神经网络算法训练模型，以确定拥塞窗口立方增长因子λ和线性增长参数S的合适值。这些参数的动态调整能够使拥塞窗口的增长速度根据网络状况进行灵活改变，从而更好地适应不同的拥塞状态。 接下来，论文引入了贝叶斯学习推理策略，用于动态学习和预测连接路径上的丢包概率。贝叶斯学习是一种统计学方法，它基于先验知识和新观察数据不断更新概率分布。这种方法可以实时地更新对丢包可能性的估计，提高预测的准确性。 最后，实验结果显示，经过改进的算法在调整拥塞和预测丢包方面表现出显著的效果。这表明，结合数据挖掘技术的TCP CUBIC算法能够在复杂网络环境中提供更稳定和高效的通信性能。 这篇论文的作者包括张釴、毛澍、李彦庆等人，他们来自全球能源互联网研究院的信息通信研究所和信息网络安全国网重点实验室。他们的研究工作集中在网络与信息安全、大数据算法、深度学习、人工智能、人机交互以及网络安全分析等领域。 这篇研究为改善TCP协议在网络拥塞控制上的性能提供了新的思路，即通过数据挖掘和机器学习技术来增强算法的自适应性和预测能力，对于优化网络流量管理和提升网络服务质量具有重要意义。