基于在线学习的速率控制协议，在PCC框架中实现的。对比方案有BBR（Google）和传统TCP速率控制方案。
简介：
背景：TCP协议族面临很多挑战，主要有三个。（1）在变化复杂的网络环境中，不能灵活调整，不能有效的利用网络资源。（2）拥塞控制协议应当快速收敛，并保证速率的稳定和公平性。（3）拥塞控制策略应足够简单和安全，易部署。对现有的协议友好。
已有解决方案与不足：（1）Remy：在特定的设计空间内用离线的优化策略代替了人工设计师，在特定的TCP流下表现出很高的性能。当网络状况发生变化时，性能会严重下降。（2）PCC：采用黑盒网络模型。PCC发送端观察到特定发送速率下的性能参数，将这些参数转换为效能值，并根据经验调整发送速率，使其朝着更高效能的方向发展。（3）BBR：采用白盒网络模型建模，将性能参数的变化（例如发送时延的增加）转换为底层网络的变化（例如瓶颈吞吐量和时延）。存在问题是上述方案不能在收敛速度和稳定性上达到平衡，并且对现有的TCP协议攻击性过强，不兼容。BBR收敛后不稳定，速率变化大，丢包率高；PPC收敛时间过长。
方案核心思想：凸优化。学习理论通知框架：时延最小化和TCP友好，基于梯度下降的最优在线优化：快速收敛，实现对网络资源的更好的利用。
主要贡献：
网友评论