自相似流量下RED算法的优化与性能提升

本文主要探讨了在自相似流量环境中应用随机早期检测(RED)算法的问题，这是在网络拥塞控制中的一种关键策略。自相似流量是指其统计特性在不同时间尺度上保持不变的流量模式，这种特性对网络的稳定性和效率有着显著影响。论文的作者谭献海、黄娱辉和金炜东针对这一特定流量特性，提出了一种新的RED算法设计。 首先，他们深入研究了在自相似流量背景下如何优化RED算法的参数设置。他们认识到，传统的RED算法可能无法有效地应对这种流量的波动性，因此他们根据网络流量的自相似性特点，设计了一种参数调整策略，旨在使算法能够更好地适应这种流量的特性。这包括了对算法阈值和丢包概率的动态调整，以确保在控制拥塞的同时，尽可能减少数据丢弃。 论文的核心部分是利用分形布朗运动和其包络过程来建立理论模型。分形布朗运动是一种随机过程，它在自相似流量中起到了关键作用。通过数学建模，作者推导出了在自相似流量条件下，RED算法的最大队列长度阈值和丢包概率的计算公式。这些公式为实际网络环境中的参数设置提供了理论依据，使得算法能够在流量变化时自动进行调整，从而实现更高效的拥塞控制。 实验结果显示，作者提出的自相似流量RED算法在实际应用中表现出色。它显著降低了队列长度的波动，提高了链路的利用率，这意味着在相同的包丢失概率下，网络能够接纳更多的连接。这不仅提高了网络的整体性能，还减少了网络拥塞的发生，对于大型互联网服务提供商和数据中心等高带宽需求场景具有重要意义。 这篇论文在自相似流量环境下的随机早期检测算法研究方面取得了重要进展，为网络工程师提供了一种更有效的拥塞控制策略。通过结合自相似流量的特性与主动队列管理技术，该算法展示了其在实际网络环境中的实用价值。