基于深度强化学习的无线自组网拥塞控制性能提升方法

作     者：陈世河 徐彦彦 潘少明 Chen Shihe;Xu Yanyan;Pan Shaoming

作者机构：武汉大学测绘遥感信息工程国家重点实验室武汉430079 

出 版 物：《计算机应用研究》 (Application Research of Computers)

年 卷 期：2023年第40卷第7期

页      面：2138-2145页

学科分类：08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(41871312,42271425) 国家重点研发计划资助项目(2022YFB3903404,2022YFB3902804)。 

主　　题：无线自组网 拥塞控制 深度强化学习 

摘      要：针对现有传统拥塞控制算法难以适应高度动态变化的无线自组网链路环境的问题,提出了一种基于深度强化学习的拥塞控制性能提升方法Enhanced-CC(enhanced congestion control)。通过利用传统拥塞控制算法对拥塞窗口进行初步探测,在此基础上,利用深度强化技术学习链路实时最佳拥塞窗口区间,在传统拥塞控制算法计算的拥塞窗口过大或过小时,对拥塞窗口进行调整,从而使发送速率能够与高度动态变化的链路带宽相匹配,提升传统拥塞控制算法的传输性能。实验结果表明,Enhanced-CC能够大幅度提升BBR、CUBIC、Westwood、Reno等传统拥塞控制算法的性能,同时也优于PCC、PCC Vivace等完全基于学习的拥塞控制算法以及Orca、DeepCC等结合深度强化学习与传统拥塞控制算法方案的性能。