基于拥塞估计的TCP窗口在线学习方法

摘要

针对传统TCP拥塞窗口更新、控制机制所导致的AdHoc网络吞吐量下降的问题,利用机器学习算法来改善TCP在AdHoc网络中的性能.该方法利用确认帧的时间间隔,通过连续动作集(CALA)算法快速学习并估计当前网络链路中的拥塞状况,从而能够迅速调整TCP拥塞窗口.仿真实验表明:当AdHoc网络环境较好时,学习型TCP的吞吐量略优于TCP-Few、TCP-Reno协议,但在环境较差的情况下,学习型TCP的吞吐量远远优于TCP-Few和TCP-Reno协议.