针对多路径传输协议的子流共享带宽瓶颈检测方法和装置制造方法及图纸

本申请提出了一种针对多路径传输协议的子流共享带宽瓶颈检测方法，涉及通信技术领域，其中，该方法包括：对子流的应答分组进行特征提取，其中，用于提取特征的子流为多路径传输协议在网络运行过程中在线产生的所有子流，提取出的特征为离线训练过程中通过最大化分类器的精度获取到的特征的集合；根据提取的特征，基于离线训练出的模型分类器进行分类，之后根据分类结果，通过多路径传输数据连接的发送方进行不同的拥塞控制。采用上述方案的本申请实现了准确的子流共享带宽瓶颈检测。请实现了准确的子流共享带宽瓶颈检测。请实现了准确的子流共享带宽瓶颈检测。

【技术实现步骤摘要】
针对多路径传输协议的子流共享带宽瓶颈检测方法和装置


[0001]本申请涉及通信
，尤其涉及针对多路径传输协议的子流共享带宽瓶颈检测方法和装置。

技术介绍

[0002]多路径传输协议(Multipath TCP,MPTCP)目前已经在互联网工程任务组(Internet Engineering Task Force,IETF)标准化，它可以让支持多种方式接入互联网的设备，例如：智能手机、平板电脑、卫星互联网接入终端等，同时使用多种方式(WiFi、5G/4G、卫星链路等)传输数据。多路径传输协议使得传输数据过程中两个端点之间建立的数据连接可能能够获取更高的吞吐量和更好的连接可靠性，最终达到改善用户体验的目的。
[0003]多路径传输协议的拥塞控制算法是影响多路径传输协议性能(两个端点间吞吐量)的重要因素，它们可以分为两类，一类是耦合的拥塞控制算法，另一类是非耦合的拥塞控制算法。耦合的拥塞控制算法虽然能够保证和其他数据连接之间带宽分配的公平性，但是当多路径传输协议的子流不共享带宽瓶颈的时候获得的吞吐量会更低，影响用户体验；非耦合的拥塞控制算法虽然获取的吞吐量更高，但是当多路径传输协议的子流共享带宽瓶颈的时候会影响共同经过同一个带宽瓶颈的其他数据连接，这些数据连接只能获得很少一部分带宽，而此时多路径传输协议的数据连接会不公平地获取更多带宽。
[0004]现有的“针对多路径传输协议的子流共享带宽瓶颈检测方法”有两种，分别为：
[0005](1)当多路径传输数据连接的发送方发现一条子流i上出现了丢包事件，则去观察其他子流的往返时延(round trip time，RTT)是否在前面提及的丢包事件前后有过明显的增加，如果有则认为该子流和子流i共享了同一个带宽瓶颈。出现丢包事件后，检查的丢包事件前后时间间隔是事先定义好的不变的数值，判定往返时延的增加是否明显，也使用了预定义好的阈值。
[0006](2)多路径传输数据连接的接收方每350ms进行一次决策，将结果反馈给发送方，发送方累计10个结果(即每3.5s做一次决策)进行一次决策，只要10个结果中有超过5个结果是相同的，则根据多数的结果判定子流是否共享了带宽瓶颈。在接收方，每条子流每当收到数据包就会计算一次“单向时延的变化量”，该数值被保存下来用于计算其的三种统计数值：偏度、平均绝对偏差、关键频率。每条子流每350ms会计算一次单向时延的变化量的偏度、平均绝对偏差、关键频率，然后根据子流之间三种统计数值的相近程度，通过预先定义好的不变的规则判断子流是否共享了瓶颈链路。
[0007]上述两种方法的缺点为：
[0008](1)现有的两种方法都是基于预先定义好的规则，预先设置好的参数，不论在何种网络环境下仍然坚持使用统一的规则来判断子流是否共享了瓶颈链路，这种方式在很多种网络环境中尤其是包含了无线链路的网络环境中并不适用，在这些网络环境中判断的准确率很低。
[0009](2)现有的两种方法都基于研究人员的主观判断选择了决定子流是否共享瓶颈链
路时基于的子流状态信息。具体而言，第一种方法选择了丢包事件和子流的往返时延；第二种方法选择了单向时延的变化量。可是哪些子流状态信息是对子流是否共享瓶颈链路的决策最有用仍然没有定论，目前也没有方法来选择子流的状态信息。
[0010](3)现有的第二种方法使用的单向时延的变化量是一种需要让多路径传输数据连接的两端(发送端、接收端)配合才能计算的子流状态信息，这种子流状态信息是目前多路径传输协议不支持的，该状态信息的引入也增加了部署难度。

技术实现思路

[0011]本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
[0012]为此，本申请的第一个目的在于提出一种针对多路径传输协议的子流共享带宽瓶颈检测方法，实现了准确的子流共享带宽瓶颈检测。
[0013]本申请的第二个目的在于提出一种针对多路径传输协议的子流共享带宽瓶颈检测系统。
[0014]为达上述目的，本申请第一方面实施例提出了一种针对多路径传输协议的子流共享带宽瓶颈检测方法，包括：对子流的应答分组进行特征提取，其中，用于提取特征的子流为多路径传输协议在网络运行过程中在线产生的所有子流，提取出的特征为离线训练过程中通过最大化分类器的精度获取到的特征的集合；
[0015]根据提取的特征，基于离线训练出的模型分类器进行分类，之后根据分类结果，通过多路径传输数据连接的发送方进行不同的拥塞控制。
[0016]本申请实施例的针对多路径传输协议的子流共享带宽瓶颈检测方法，基于多路径传输协议实际使用过程中产生的各种子流状态信息，利用数据驱动机器学习(有监督机器学习)的方法判断子流是否共享瓶颈链路，为了检测而生成的子流共享带宽瓶颈检测模型可以更适配子流状态信息采集时的网络环境，有更强的适应网络环境的能力，
[0017]同时，本申请在利用数据驱动机器学习(有监督机器学习)的方法判断子流是否共享带宽瓶颈链路的过程中，可以自动地学到哪些子流状态信息最有助于检测子流是否共享带宽瓶颈，本申请还可以对子流状态信息进行评价，筛选出对检测子流是否共享带宽瓶颈最有用的子流状态信息，
[0018]本申请为降低部署难度，考虑的子流状态信息全都是仅需要多路径传输数据连接的发送方就可以获取的子流状态信息。
[0019]可选地，在本申请的一个实施例中，通过离线训练生成模型分类器，包括：
[0020]在使用多路径传输协议过程中从真实的网络里收集训练数据；
[0021]对训练数据进行特征提取和特征选择，得到特征排序结果；
[0022]根据特征排序结果，进行分组训练，在每一组训练完成后，得到一个分类器并同时获得其精度，在分组训练完成后，通过对比获得的所有分类器的最大精度，使用最大精度对应的特征集合、候选模型和候选模型的超参数来生成模型分类器，其中，候选模型包括决策树模型、随机森林模型、支持向量机，
[0023]其中，对训练数据进行特征提取，包括：
[0024]对每间隔预设时间内的子流状态变量进行计算，提取出可以评估每两条子流之间相似性的特征，
[0025]对训练数据进行特征选择，包括：
[0026]使用特征评价算法计算提取出的每个特征的互信息来对所有的特征进行排序，得到特征排序结果。
[0027]根据特征排序结果，进行多组训练，包括：
[0028]每组训练中包含若干次训练，同一组训练使用相同的特征集合，不同组的训练使用不同的特征集合，其中，训练使用的每个特征集合对应了特征排序结果中前X个特征，X的最大值是离线训练过程中考虑的特征总数；
[0029]对于特定一组的训练，使用网格搜索来选择确定每次训练时使用的候选模型和候选模型的各种超参数，训练完成后得到一个分类器和分类器对应的精度。
[0030]可选地，在本申请的一个实施例中，在使用多路径传输协议过程中从真实的网络里收集训练数据，包括：
[0031]在真实网络里构建子流共享带宽瓶颈本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对多路径传输协议的子流共享带宽瓶颈检测方法，其特征在于，包括以下步骤：对子流的应答分组进行特征提取，其中，用于提取特征的子流为多路径传输协议在网络运行过程中在线产生的所有子流，提取出的特征为离线训练过程中通过最大化分类器的精度获取到的特征的集合；根据提取的特征，基于离线训练出的模型分类器进行分类，之后根据分类结果，通过所述多路径传输数据连接的发送方进行不同的拥塞控制。2.如权利要求1所述的方法，其特征在于，通过离线训练生成模型分类器，包括：在使用多路径传输协议过程中从真实的网络里收集训练数据；对所述训练数据进行特征提取和特征选择，得到特征排序结果；根据特征排序结果，进行分组训练，在每一组训练完成后，得到一个分类器并同时获得其精度，在所述分组训练完成后，通过对比获得的所有分类器的最大精度，使用最大精度对应的特征集合、候选模型和候选模型的超参数来生成模型分类器，其中，所述候选模型包括决策树模型、随机森林模型、支持向量机，其中，对所述训练数据进行特征提取，包括：对每间隔预设时间内的子流状态变量进行计算，提取出可以评估每两条子流之间相似性的特征，对所述训练数据进行特征选择，包括：使用特征评价算法计算提取出的每个特征的互信息来对所有的特征进行排序，得到特征排序结果，所述根据特征排序结果，进行多组训练，包括：每组训练中包含若干次训练，同一组训练使用相同的特征集合，不同组的训练使用不同的特征集合，其中，训练使用的每个特征集合对应了特征排序结果中前X个特征，X的最大值是离线训练过程中考虑的特征总数；对于特定一组的训练，使用网格搜索来选择确定每次训练时使用的候选模型和候选模型的各种超参数，训练完成后得到一个分类器和分类器对应的精度。3.如权利要求2所述的方法，其特征在于，所述在使用多路径传输协议过程中从真实的网络里收集训练数据，包括：在真实网络里构建子流共享带宽瓶颈和子流不共享带宽瓶颈的场景，运行多路径传输协议；在多路径传输数据连接运行过程中，收集每条子流的状态信息。4.如权利要求1所述的方法，其特征在于，所述分类结果为子流是否共享同样的带宽瓶颈，所述根据分类结果，通过...

【专利技术属性】
技术研发人员：董恩焕，徐明伟，杨芫，杨家海，
申请(专利权)人：清华大学，
类型：发明
国别省市：