针对车地传输TCP协议优化的TTI-RTT拥塞控制算法

TTI-RTT Congestion Control Algorithm Optimized for Train-Ground Transmission TCP Protocol

摘要

为适应铁路5G专用移动通信系统动态易变的网络环境，解决现有算法中存在的吞吐量减少、传输时延增加、检测数据车地传输可靠性难以保证的问题，在分析传输控制协议（TCP）传输拥塞控制过程，以及对比TCP-Reno，TCP-Vegas和TCP-Westwood 3种基础拥塞控制算法存在问题的基础上，提出一种联合传输时间间隔（TTI）和往返时延（RTT）的拥塞控制算法——TTI-RTT算法，即将RTT的成对比较测试统计量和网络当前拥塞因子联合起来作为网络拥塞判断标准，根据反映网络拥塞程度的拥塞因子动态调节加性和乘性因子，并在传输控制协议拥塞控制的不同条件下灵活调整传输时间间隔。采用NS-3仿真软件，构建考虑高速铁路5G-R无线信道误码影响的点对点通信网络拓扑结构，对TTI-RTT拥塞控制算法进行仿真验证，并与3种基础算法进行性能比较。结果表明：不同丢包率下所提算法的平均吞吐量均保持在9 Mb · s^-1以上，较基础算法中吞吐量最高且最稳定的TCP-Reno算法增加了约5.9%，且实时吞吐量稳定性具有显著改善。

Abstract

To adapt to the dynamic and variable network environment of the 5th Generation Mobile Communication System-Railway, and to address issues such as decreased throughput, increased transmission delay, and difficulty in ensuring the reliability of detection data transmission between train and ground, this paper analyzes the transmission control protocol (TCP) congestion control process and compares the existing problems with three basic congestion control algorithms: TCP-Reno, TCP-Vegas, and TCP-Westwood. Based on this analysis, a congestion control algorithm that combines transmission time interval (TTI) and round-trip time (RTT) called the TTI-RTT algorithm is proposed. This algorithm calculates the test statistic for pairwise comparison and the current network congestion factor based on the RTT measurement value, using both as a criterion for judging network congestion. It dynamically adjusts the additive and multiplicative factors based on the congestion factor reflecting the degree of network congestion. Additionally, the transmission time interval is flexibly adjusted during different conditions of congestion control. Using the NS-3 simulation software, a point-to-point communication network topology is constructed considering the error code impact of high-speed railway 5G-R wireless channel, the TTI-RTT congestion control algorithm is validated through simulation and compared with the three basic algorithms in terms of performance. The results show that under different packet loss rates, the average throughput of the proposed algorithm remains above 9 Mb · s^-1, which is an increase of about 5.9% over the highest and most stable throughput of the basic TCP-Reno algorithm, with significant improvements in real-time throughput stability.

Graphical abstract

关键词

车地传输 / 检测数据 / 5G-R / TCP算法优化 / 拥塞控制 / 吞吐量

Key words

Train-ground transmission / Inspection Data / 5G-R / TCP algorithm optimization / Congestion control / Throughput

随着我国高速铁路迅速发展，行车安全问题至关重要，综合检测数据对指导铁路基础设施养护维修、保障铁路列车安全运行具有突出作用^［1］。目前，综合检测数据的归集仍采用人工传输、应用系统管理等传统方式，效率低，时效差，安全性不足。实现车地检测数据的快速传输、安全汇聚及自动转储成为建设智慧铁路的迫切需要^［2］。将5G通信技术应用在铁路上可以满足业务的高性能需求，而现有的网络架构和移动技术对网络的性能优化并不充分，当大量业务数据上传至核心网处理时，易导致网络拥塞严重、资源竞争激烈等问题^［3］。多接入边缘计算（Multi-Access Edge Computing，MEC）作为满足5G网络关键性能指标的重要技术之一，通过在靠近终端侧对业务进行处理，可以有效缩短数据传输时延，满足业务可靠性要求，部署5G MEC网络架构成为推动铁路5G专用移动通信（The Fifth Generation Mobile Communication-Railway，5G-R）系统应用的关键。然而，5G-R传输层采用基础的传输控制协议（Transmission Control Protocol，TCP）进行数据传输，难以适应MEC动态易变的特性，且对于高速铁路无线网络来说，多普勒频移会导致下层无线链路误码率增加，频繁的频率切换会导致切换失败率增加、无线链路丢失和信号中断等问题^［4］。因这些问题产生的随机丢包情况会被TCP误判为网络拥塞，从而减少吞吐量、增加传输时延，难以保证检测数据车地传输的可靠性。

在无线网络中，基础的TCP拥塞控制算法有TCP-Reno^［5］，TCP-Vegas^［6］和TCP-Westwood^［7］，许多学者针对基础TCP算法的拥塞控制优化问题开展了研究。文献［8］提出了一种基于深度强化学习的TCP近端策略拥塞控制（TCP-Proximal Policy Congestion Control，TCP-PPCC）算法，并与TCP-NewReno算法^［9］对比，验证了该算法可缩短数据包平均传输时延、增加网络吞吐量。文献［10］基于毫米波新无线技术提出了一种动态TCP（Dynamic-TCP，D-TCP）算法，并与TCP-Reno算法、TCP-Cubic算法^［11］对比，验证了该算法可增加网络吞吐量和网络资源公平性。文献［12］基于网络流的瓶颈带宽和往返时延（Round-Trip Time，RTT）提出了一种测量瓶颈带宽和RTT（Measuring Bottleneck Bandwidth and RTT，BBR）的拥塞控制算法，其核心思想为在不引起网络拥塞的前提下尽量占用网络带宽，缩短数据包平均传输时延。文献［13］提出TCP增强型拥塞控制（TCP-Enhanced Congestion Control，TCP-E）算法，以适用于高速铁路无线网络环境，该算法在增加网络吞吐量、缩短数据包平均传输时延方面均有所改善。传输时间间隔（Transmission Time Interval，TTI）指数据从发送端发送开始，至数据在无线链路上传输完成经历的总时延。5G网络支持多种长度的TTI，且在TCP协议中使用较短的TTI，能够加速数据传输过程，提升系统整体性能^［14］。文献［15］提出，可以通过灵活地改变TTI长度优化无线网络中的TCP传输性能。

比较上述学者研究的TCP协议拥塞控制优化算法发现：TCP-PPCC算法无法对网络环境的变化趋势进行预判，且需要结合深度强化学习，复杂性高，不适合铁路无线网络环境；D-TCP算法无法保证较短的平均传输时延，不适用于要求保证安全性的列车检测任务；TCP-BBR算法与其他拥塞控制算法同时使用时存在网络资源竞争问题，且在浅缓冲区中会导致巨大的数据包重复传输，使用时需要考虑吞吐量、网络带宽与体验质量之间的权衡，该算法对网络拥塞状态误判高、受RTT突变影响大，易导致发送速率被限制，网络性能下降。这对需要平衡传输速率、网络带宽以及服务质量的5G-R业务也并不适合；TCP-E算法在拥塞避免阶段会导致拥塞窗口（congestion window，cwnd）振荡频繁，造成网络资源浪费。因此，上述算法不适用于5G-R业务和高速铁路复杂场景，有必要对基础TCP算法的拥塞控制优化问题做进一步研究。

本文首先分析TCP传输拥塞控制过程，提取加增乘减（Additive Increase Multiplicative Decrease，AIMD）特征和影响TCP传输拥塞控制的关键参数；其次分析比较基础的TCP拥塞控制算法，提取待优化问题和可参考特点；然后针对待优化问题和影响TCP传输拥塞控制的关键参数，结合AIMD特征和基础算法可参考特点对基础的TCP拥塞控制算法进行优化，提出TTI-RTT拥塞控制算法；最后使用仿真软件对所提算法和基础算法进行仿真对比，研究TTI-RTT拥塞控制算法在网络平均吞吐量、网络实时吞吐量及稳定性等方面的改善效果。

1 TCP传输拥塞控制过程

1.1　TCP传输过程AIMD特征

1.1.1　传输过程

TCP协议应用于无线网络的传输层时易产生网络拥塞情况。TCP协议中对网络拥塞情况进行控制的过程称为TCP传输拥塞控制过程，其包含4个阶段^［16］：慢启动阶段、拥塞避免阶段、快重传阶段和快恢复阶段，该过程内容如下。

1）慢启动阶段

当1个新的TCP进程启动时，传输过程进入慢启动阶段，发送端开始发送报文段，此时cwnd值被设置为1个最大报文段^［17］，归一化表示为1。每当发送端首次接收到1个新序号的报文段确认（Acknowledge character，ACK）后，cwnd值则增加1个加性因子{\alpha }_{\mathrm{1}}的量，当cwnd值增至大于1个预设的慢启动阈值时，传输过程结束于慢启动阶段，转而进入拥塞避免阶段^［18］。该阶段结束后cwnd值调整为

N_{\mathrm{1}}=N_{\mathrm{0}}+k{\alpha }_{\mathrm{1}}（1）

式中：N_{\mathrm{1}}为慢启动阶段结束后cwnd值；N_{\mathrm{0}}为慢启动阶段cwnd初值；k为cwnd值大于慢启动阈值时，发送端首次接收到新序号ACK的数量。

2）拥塞避免阶段

为避免网络拥塞造成数据包丢失以及保持较大的吞吐量，该阶段cwnd值增加速率降低，每经过1个RTT，发送端的cwnd值才增加1个加性因子{\alpha }_{\mathrm{2}}的量，而不是每收到1个新序号的ACK就增加。这使得拥塞避免阶段的cwnd值相比于慢启动阶段来说增加速率降低，可避免网络过早地拥塞。一旦发送端判定网络拥塞，即某一时刻未收到任何ACK，则进入快恢复阶段^［19］。

拥塞避免阶段结束后cwnd值调整为

N_{\mathrm{2}}=N_{\mathrm{1}}+m{\alpha }_{\mathrm{2}}（2）

式中：N_{\mathrm{2}}为拥塞避免阶段结束后cwnd值；m为拥塞避免阶段持续时间与RTT值的比值。

3）快重传阶段

当发送端收到3个重复序号的ACK时，则认为下一个序号的数据包丢失了，为正常的网络丢包，此时进入快重传阶段，即发送端立即重传该丢失数据包。该阶段的触发可能发生在慢启动阶段和拥塞避免阶段的任一时刻。

4）快恢复阶段

对于快恢复阶段，该阶段利用乘性因子\gamma将cwnd值和慢启动阈值迅速减小。该阶段结束后的cwnd值为

N_{\mathrm{3}}=N_{\mathrm{2}}\gamma（3）

式中：N_{\mathrm{3}}为快恢复阶段结束后的cwnd值；\gamma为乘性因子。

则慢启动阈值为

N_{\mathrm{s}}=N_{\mathrm{2}}\gamma（4）

式中：N_{\mathrm{s}}为快恢复阶段结束后的慢启动阈值。

乘性因子\gamma将cwnd值和慢启动阈值迅速减小，发送速率快速降低，随后回到慢启动阶段，此时慢启动阶段的cwnd初值N_{\mathrm{0}}将等于N_{\mathrm{3}}，即cwnd值将在N_{\mathrm{3}}的基础上继续加性增加的过程，同时慢启动阈值设置为N_{\mathrm{s}}。

1.1.2　AIMD特征

通过TCP传输拥塞控制过程可提取出AIMD特征：在传输过程的启动阶段，为使得网络的吞吐量迅速增加，在某种触发机制下，通过1个加性因子对cwnd值不断增加；在传输过程的稳定阶段，为避免网络拥塞同时保持较大的吞吐量，通过调整触发机制或者加性因子的值使得cwnd值增加速率降低；一旦网络被判定为拥塞情况，则通过1个乘性因子将cwnd值和慢启动阈值迅速减小，以恢复网络的正常传输。基础的TCP传输过程中加性因子和乘性因子是恒定值，未与cwnd值的变化关联，易造成网络资源的浪费。因此，应结合AIMD特征，通过对加性和乘性因子的恒定性进行改进，提出动态可变的加性和乘性因子表达式。

1.2　影响TCP传输拥塞控制的关键参数

1.2.1　往返时延

RTT是发送端发送数据包至其成功收到接收端反馈的ACK所经历的总时延^［20］。通过成对比较测试（Pairwise Comparison Test，PCT）统计量可以判断RTT的变化趋势^［21］，RTT的PCT统计量定义为

\beta =\frac{\mathrm{1}}{n-\mathrm{1}}{\displaystyle \sum _{i=\mathrm{1}}^n}I\left(T_{\mathrm{R}\mathrm{T}{\mathrm{T}}_i}-T_{\mathrm{R}\mathrm{T}{\mathrm{T}}_{i-\mathrm{1}}}\right)\beta \in \left[\mathrm{0,1}\right]（5）

其中，

I\left(T_{RT{T}_i}-T_{RT{T}_{i-\mathrm{1}}}\right)=\left\{\begin{array}{c}\mathrm{1}{T}_{\mathrm{R}\mathrm{T}{\mathrm{T}}_i}>T_{\mathrm{R}\mathrm{T}{\mathrm{T}}_{i-\mathrm{1}}}\\ \mathrm{0}{T}_{\mathrm{R}\mathrm{T}{\mathrm{T}}_i}\le T_{\mathrm{R}\mathrm{T}{\mathrm{T}}_{i-\mathrm{1}}}\end{array}\right.

式中：\beta为RTT的PCT统计量，表示当前记录的RTT呈延长趋势的比例；n为统计期间数据包总数量；i为数据包序号；T_{\mathrm{R}\mathrm{T}{\mathrm{T}}_i}为第i个数据包的RTT值；T_{\mathrm{R}\mathrm{T}{\mathrm{T}}_{i-\mathrm{1}}}为第i-\mathrm{1}个数据包的RTT值。

RTT的PCT统计量\beta能实时地反映网络的拥塞趋势。若\beta值趋近于1，则RTT延长趋势明显，网络拥塞趋势明显；若，则RTT呈现缩短的变化趋势，网络拥塞趋势减弱；若\beta >\mathrm{0.66}，则RTT呈现延长的变化趋势，网络拥塞趋势增强；若\mathrm{0.54}\le \beta \le \mathrm{0.66}，则RTT的变化趋势不明确，暂不判断。

此外根据RTT的当前测量值可以反映网络的拥塞程度，即定义拥塞因子^［13］为

\rho =\frac{T_{\mathrm{R}\mathrm{T}\mathrm{T}}-T_{\mathrm{R}\mathrm{m}\mathrm{i}\mathrm{n}}}{T_{\mathrm{R}\mathrm{m}\mathrm{a}\mathrm{x}}-T_{\mathrm{R}\mathrm{m}\mathrm{i}\mathrm{n}}}\rho \in \left[\mathrm{0,1}\right]（6）

式中：\rho为拥塞因子；T_{\mathrm{R}\mathrm{m}\mathrm{i}\mathrm{n}}为当前记录的最小RTT值；T_{\mathrm{R}\mathrm{m}\mathrm{a}\mathrm{x}}为当前记录的最大RTT值；T_{\mathrm{R}\mathrm{T}\mathrm{T}}为当前测量值。

拥塞因子\rho也能实时地反映网络当前的实际拥塞程度。

因此，可根据RTT的PCT统计量\beta和拥塞因子\rho对网络的拥塞程度进行判断，并利用拥塞因子\rho定义加性和乘性因子表达式。

1.2.2　传输时间间隔

在长期演进网络中TTI恒定为1 ms，而在5G网络中TTI的长短可以根据具体的业务需求灵活地配置。理论上，在TCP传输过程中使用不同长度TTI下网络吞吐量和cwnd值的变化趋势有所不同，当采用短TTI（short-TTI，S-TTI）时，达到最大cwnd值所用的时间相比采用长TTI（long-TTI，L-TTI）时明显减少，L-TTI为1 ms；S-TTI为0.143 ms^［22］。

当RTT相同时，S-TTI可以在更短的时间达到稳定数据传输速率，实现更大的吞吐量增益。在拥塞避免阶段，使用S-TTI会使网络更快地到达拥塞情况，频繁地调度会增加信令传输能耗。而当数据传输速率较为稳定时，使用L-TTI能够保持较大的吞吐量，减少调度开销。因此，可根据TTI的这一特点针对其进行改进。

2 基础TCP拥塞控制算法存在问题

基础TCP算法均不适用于5G-R网络下的传输过程，然而众多拥塞控制优化算法均在这几种算法基础上开展研究，因此分析比较这3种基础算法的定义和特点对提出新的改进算法很有必要。

2.1　TCP-Reno算法

TCP-Reno算法的核心思想是利用AIMD特征进行拥塞控制，并且通过数据包的丢失触发拥塞控制过程，即将数据包的丢失作为判断网络拥塞的标准。在慢启动阶段，将加性因子设置为1，cwnd值呈指数型增加。在拥塞避免阶段，则采用慢增长的方式使cwnd值缓慢增加，即每经过1个RTT，发送端cwnd值增加1，呈线性规律增长。在快恢复阶段，将乘性因子设置为0.5，使发送速率在该阶段快速降低，随后回到慢启动阶段，继续加性增加cwnd值的过程。

2.2　TCP-Vegas算法

TCP-Vegas算法与TCP-Reno算法的主要区别在于判断网络拥塞的标准不同。TCP-Vegas算法将RTT变化作为判断网络拥塞的标准，具体为TCP-Vegas算法引入网络的期望吞吐量和实际吞吐量的概念、并将两者的差值作为判断网络拥塞的标准^［23］。期望吞吐量被定义为当前cwnd值与最小RTT测量值的比值，而实际吞吐量被定义为当前cwnd值与RTT测量值的比值。当RTT突然延长时，网络吞吐量急剧减少，则被判断为网络拥塞。

TCP-Vegas算法同样利用AIMD特征进行拥塞控制，在慢启动阶段每经过2个RTT，cwnd值增加1倍，同时测量并计算1次期望吞吐量与实际吞吐量的差值。当差值大于慢启动阈值时，进入拥塞避免阶段，在该阶段将加性因子设置为\pm \mathrm{1}，并利用上述吞吐量差值确定加性因子的正负。在快恢复阶段，将乘性因子设置为0.75。

2.3　TCP-Westwood算法

TCP-Westwood算法调节cwnd值的参数为端到端的可用带宽估计值B_j，其定义为某段时间内发送端收到序号为j的ACK的数据量D_j与该段时间（即接收端收到序号为j的ACK时间T_j与收到序号为j-\mathrm{1}的ACK时间T_{j-\mathrm{1}}之差）的比值。

TCP-Westwood算法同样利用AIMD特征进行拥塞控制并且将数据包丢失作为判断网络拥塞的标准。不同之处在于当网络被判断为拥塞时，TCP-Westwood算法利用可用带宽估计值对cwnd值进行调整，将cwnd值和慢启动阈值调整为可用带宽估计值与最小RTT测量值的乘积。

2.4　算法比较

上述3种算法在网络的拥塞控制方面应用广泛，它们在传输的4个阶段将TTI均设置为1 ms，而在网络拥塞判断标准、cwnd值调节参数以及调节性能等方面有所不同，具体见表1。

分析可知：3种算法均未考虑不同长度TTI对网络吞吐量的影响；TCP-Reno算法中的加性因子没有与cwnd值的变化进行关联，易造成网络拥塞周期过短、数据包丢失及cwnd值振荡频繁等问题，网络资源难以充分利用，且当网络拥塞时，恒定的乘性因子也会盲目地将cwnd值减半，造成网络资源浪费；TCP-Vegas算法在增加吞吐量和降低丢包率方面有显著成效，但在慢启动阶段传输速率较低，同时无法保证在具有不同RTT值的连接间公平地分配带宽，且存在对RTT错误估计的可能；TCP-Westwood算法应用在无线网络时无法区分网络拥塞造成的丢包与无线网络中的随机丢包，因此随着丢包率提高该算法会导致网络吞吐量迅速减少。

因此，针对这些问题进行改进时，应根据以上的参数特点，提出优化的TTI-RTT拥塞控制算法。

3 TTI-RTT拥塞控制算法

3.1　算法描述

为跟随5G-R网络的波动动态地调整cwnd值、增加网络的吞吐量，结合影响TCP传输拥塞控制的关键参数，在基础TCP算法和AIMD特征的基础上，提出一种TTI和RTT联合的拥塞控制算法——TTI-RTT拥塞控制算法。

该算法一方面根据TTI长度对cwnd值和吞吐量的影响，在慢启动阶段采用S-TTI进行数据传输，从而缩短传输时延；在网络出现拥塞或呈现拥塞趋势时采用L-TTI进行数据传输，从而降低cwnd值的增加速率，但同时保持较高的cwnd值水平，保证网络吞吐量；当网络恢复正常状态时，则恢复采用S-TTI进行数据传输。

该算法另一方面利用RTT测量值计算PCT统计量\beta和拥塞因子\rho，将两者共同作为网络拥塞的判断标准及呈现拥塞趋势的判断依据，并且根据拥塞因子\rho对AIMD特征的加性和乘性因子进行动态调整，使cwnd值更好地适应网络的波动进行动态地调整。

根据以上思想，基于反映网络拥塞程度的拥塞因子\rho提出动态可变的加性和乘性因子，分别为

{\alpha }^{\text{'}}=\frac{\mathrm{l}\mathrm{n}\left(\mathrm{1}+\rho R\right)}{\mathrm{l}\mathrm{n}\left(\mathrm{1}+\rho \right)}（7）

{\gamma }^{\text{'}}=\mathrm{1}-\rho（8）

式中：{\alpha }^{\text{'}}为动态可变加性因子；R为拥塞避免阶段cwnd值调整次数，调整周期为1个RTT值；{\gamma }^{\text{'}}为动态可变乘性因子。

通过式（7）和式（8）可知：在拥塞避免阶段cwnd值调整次数R相同时，当网络的拥塞程度越强，拥塞因子\rho越趋近1，加性因子{\alpha }^{\text{'}}则越小，使得cwnd值增加地越少；同时在快恢复阶段，当网络的拥塞程度越强，拥塞因子\rho越趋近1，此时乘性因子{\gamma }^{\text{'}}则越小，使得cwnd值和慢启动阈值减少得越多；因此可以根据网络的拥塞情况动态地调整cwnd值和慢启动阈值的变化量，在保证网络传输效率的情况下避免网络拥塞。

TTI-RTT拥塞控制算法在拥塞避免阶段通过动态可变的加性因子{\alpha }^{\text{'}}对cwnd值进行调整，使其呈对数型增长；当根据反映网络拥塞程度的拥塞因子\rho和反映网络拥塞趋势的RTT的PCT统计量\beta联合判断出网络处于拥塞或呈现拥塞趋势时，则利用乘性因子{\gamma }^{\text{'}}减小cwnd值和慢启动阈值。

3.2　算法内容

TTI-RTT拥塞控制算法也由慢启动、拥塞避免、快重传和快恢复4个阶段组成。算法整体流程图如图1所示。参数初始化将S-TTI设置为0.143 ms，L-TTI设置为1 ms，传输过程cwnd初值设置为1，慢启动阈值设置为常用值524 280 b。

TTI-RTT拥塞控制算法各阶段调节cwnd值的具体过程及改进内容如下。

1）慢启动阶段

在慢启动阶段，为迅速提高网络的传输速率，该算法改用S-TTI进行数据传输，以提高cwnd值的增加速率，缩短达到慢启动阈值的时间，保证网络的吞吐量。该阶段其余过程和内容与TCP-Reno算法该阶段相同：加性因子设置为1，每当发送端首次接收到1个新序号的ACK后，cwnd值则增加1。当cwnd值增加到大于慢启动阈值时，则进入拥塞避免阶段。该阶段结束后cwnd值可由式（1）得到。

虽然该算法与TCP-Reno算法的慢启动阶段一样均将加性因子设置为1，cwnd值呈指数型增长，但是由于采用S-TTI进行数据传输，能以更高的速率增加网络吞吐量。

2）拥塞避免阶段

该阶段相比基础算法的拥塞避免阶段，在TTI长度及cwnd值调节参数方面均有改进。拥塞避免阶段中TTI长度的选择取决于网络的拥塞程度以及拥塞程度变化的趋势。利用拥塞因子\rho和RTT的PCT统计量\beta联合进行判断，当或时，则认为网络处于拥塞状态或呈现拥塞趋势，此时大部分数据包滞留在缓冲区，需要降低cwnd值的增长速率和数据包的传输速率，同时保持较高的cwnd值水平以保证网络的吞吐量，因此选择L-TTI进行数据传输。反之，则认为网络状态正常甚至欠载，需要迅速增加cwnd值和数据包传输速率、提高网络的传输效率，此时选择S-TTI进行数据传输。

该阶段改用动态可变的加性因子{\alpha }^{\text{'}}对cwnd值进行增加，该阶段结束后的cwnd值为

N_{\mathrm{2}}^{\text{'}}=N_{\mathrm{1}}+m^{\text{'}}{\alpha }^{\text{'}}（9）

式中：N_{\mathrm{2}}^{\text{'}}为拥塞避免阶段结束后cwnd值；m^{\text{'}}为该阶段持续时间与RTT值的比值。

3）快重传阶段和快恢复阶段

TTI-RTT拥塞控制算法与基础TCP在快重传阶段基本相同，而在快恢复阶段不同，不同之处在于快恢复阶段的网络拥塞判断标准和cwnd值调节参数。在该阶段依旧利用拥塞因子\rho和RTT的PCT统计量\beta联合进行判断，当或时，则认为网络处于拥塞状态或者呈现拥塞趋势，此时利用动态可变乘性因子{\gamma }^{\text{'}}对慢启动阈值和cwnd值进行乘性减少，该阶段结束后的cwnd值为

N_{\mathrm{3}}^{\text{'}}=N_{\mathrm{2}}^{\text{'}}{\gamma }^{\text{'}}（10）

式中：N_{\mathrm{3}}^{\text{'}}为快恢复阶段结束后的cwnd值。

则慢启动阈值为

N_{\mathrm{s}}^{\text{'}}=N_{\mathrm{2}}^{\text{'}}{\gamma }^{\text{'}}（11）

式中：N_{\mathrm{s}}^{\text{'}}为快恢复阶段结束后的慢启动阈值。

4 TTI-RTT算法性能仿真

4.1　仿真环境和参数

为评估TTI-RTT拥塞控制算法在5G-R网络环境下高速铁路场景的性能，利用NS-3模拟器^［24］进行仿真。在仿真网格中部署包含车载终端、5G-R基站、边缘用户面功能（User Plane Function，UPF）设备以及MEC服务器4个节点的拓扑结构，如图2所示。

车载终端节点与5G-R基站节点之间利用改进的RateErrorModel类模拟高速铁路无线信道环境，数据传输速率设置为10 Mb · s^-1；基站与边缘UPF以及边缘UPF与MEC服务器之间直接连接模拟有线链路，数据传输速率设置为500 Mb · s^-1；4个节点均利用InternetStackHelper类配置协议栈以及IP地址；利用BulkSendApplication类模拟数据的发送，数据包大小设置为8 192 b，车载终端速度为300 km · h^-1。

为保证仿真结果的准确性，通过改变随机种子的参数进行10次重复试验后取平均值，仿真参数设置详见表2。

改进的RateErrorModel类模型为基于RateErrorModel类模型改进后的马尔可夫错误模型^［13］，这是由于NS-3模拟器中原有的RateErrorModel类模型与实际的高速铁路无线信道数据传输模型不符，无法模拟真实的高速铁路无线信道环境，而改进后的模型更加符合真实的高速铁路无线信道环境，具体改进方法如下。

无线信道数据传输模型中信道状态分为2种，良好状态表示无线信道状态良好、传输数据正确无差错；出错状态表示无线信道状态较差、数据传输错误或丢失。该模型将无线信道视为莱斯衰落信道，利用信道的2个二阶统计量^［25］——平均衰落持续时间和电平通过率可表示出错状态出现的概率P，为

P=\mathrm{1}-Q\left(a,b\right)（12）

其中，

a=\sqrt[]{\mathrm{2}K}

b=\sqrt[]{\frac{\mathrm{2}\left(K+\mathrm{1}\right)}{F}}

Q\left(a,b\right)={\int }_b^{\mathrm{\infty }}x\mathrm{e}\mathrm{x}\mathrm{p}\left(-\frac{x^{\mathrm{2}}+a^{\mathrm{2}}}{\mathrm{2}}\right){\mathrm{J}}_{\mathrm{0}}(ax)\mathrm{d}x

式中：Q\left(\bullet \right)为Marcum-Q函数；K为莱斯因子；F为发射机平均接收功率下的衰落裕量；{\mathrm{J}}_{\mathrm{0}}(·)为0阶第一类柱贝塞尔函数^［26］。

由式（9）可见，无线信道出错状态出现的概率与莱斯因子K和衰落裕量F有关，因此通过在NS-3模拟器中对原有RateErrorModel类的莱斯因子K和衰落裕量F进行调整可以改变无线信道出错状态出现的概率，从而模拟真实的高速铁路无线信道环境。

4.2　仿真结果对比

利用NS-3模拟器对TTI-RTT拥塞控制算法及3种基础的TCP拥塞控制算法进行仿真对比，分析所提算法的性能改善效果，验证其可行性。

4种算法在不同丢包率下的平均吞吐量对比如图3所示。由图3可见：随着丢包率的增加，4种算法的平均吞吐量均呈现下降的趋势，其中TCP-Vegas算法的下降趋势最为明显，TCP-Westwood算法的次之，TTI-RTT算法和TCP-Reno算法没有明显的下降；但TTI-RTT算法的平均吞吐量明显高于其他3种基础算法，且在不同丢包率下该算法的平均吞吐量均保持在9 Mb · s^-1以上，相比基础算法中平均吞吐量最高且最稳定的TCP-Reno算法提高了约5.9%；由于吞吐量为单位时间内成功传输数据的总量，吞吐量的增加意味着平均时延的缩短，表明所提TTI-RTT算法也缩短了平均时延。

对于5G-R业务需求来说，丢包率的最低要求为10^-3，因此选取该参数下4种算法的实时吞吐量进行对比，仿真结果如图4所示。由图4可知：4种算法都能在5 s内达到较高的吞吐量；TCP-Vegas算法的实时吞吐量在3.7 Mb · s^-1上下小幅度波动；TCP-Westwood算法波动最为明显，其有效吞吐量在6~8 Mb · s^-1间波动，但在50~60 s时间段内其吞吐量大幅度下降，分析认为这是由于数据包丢失导致cwnd值大幅度下降；TCP-Reno算法的实时吞吐量在8.3 Mb · s^-1左右波动，程度介于TCP-Vegas算法与TCP-Westwood算法之间；TTI-RTT算法的吞吐量不仅高于3种基础算法的吞吐量，在稳定状态下几乎保持在9 Mb · s^-1左右，其中较TCP-Vegas和TCP-Westwood算法有明显的提升，且较TCP-Reno和TCP-Westwood算法吞吐量的变化更平稳，没有大幅度波动，TTI-RTT算法的吞吐量表明该算法可以更好地适应5G-R网络和高速铁路复杂场景。

5 结论及展望

（1）为保证车地之间利用无线通信进行检测数据传输的速度及接入的可靠性，同时考虑动态易变的高速铁路无线网络环境，对5G-R传输层中的TCP协议进行改进，提出一种优化的拥塞控制算法——TTI-RTT算法。该算法利用不同长度传输时间间隔（TTI）对TCP拥塞窗口值和吞吐量的不同影响，在TCP协议各阶段采用不同长度的TTI；利用往返时延（RTT）测量值计算拥塞控制因子和PCT统计量，作为判断网络拥塞情况及拥塞趋势的参数；利用拥塞因子动态调节拥塞窗口值的加性因子和乘性因子。

（2）与3种基础的TCP拥塞控制算法相比，TTI-RTT算法的平均吞吐量明显优于3种基础拥塞控制算法，且在不同丢包率下平均吞吐量均保持在9 Mb · s^-1以上，较基础算法中吞吐量最高且最稳定的TCP-Reno算法提高约5.9%；丢包率为10^-3情况下，TTI-RTT算法稳定状态下实时吞吐量保持在9 Mb · s^-1左右且较为平稳。这表明TTI-RTT算法在吞吐量和稳定性方面有着显著改善。

（3）受时间和设备限制，未能在实际的5G-R MEC场景下进行可行性和可靠性测试，同时仅通过改进无线信道模型的方式简化模拟应用场景高速复杂的特性，这些问题将在后续工作中进一步考虑。下一步将继续完善该算法基于实物的试验验证，在实际场景中进行更深入的研究和测试。

参考文献

[1] 马良民，顾建华.我国高速铁路基础设施综合维修管理模式探讨［J］.铁道标准设计，2011，55（7）：18-21.

[2] MA Liangmin， GU Jianhua. Discussion on Overall Maintenance and Management Mode for Infrastructures as High Speed Railway in China ［J］. Railway Standard Design， 2011， 55 （7）： 18-21. in Chinese

[3] 陶凯，代春平，时菁，等.5G技术在铁路基础设施检测监测领域的应用［J］.中国铁路，2022（12）：58-62.

[4] TAO Kai， DAI Chunping， SHI Jing， et al. Application of 5G Technology in Railway Infrastructure Inspection and Monitoring ［J］. China Railway， 2022 （12）： 58-62. in Chinese

[5] 艾渤，马国玉，钟章队.智能高铁中的5G技术及应用［J］.中兴通讯技术，2019，25（6）：42-47，54.

[6] AI Bo， MA Guoyu， ZHONG Zhangdui. 5G Technologies and Applications in High-Speed Railway ［J］. ZTE Technology Journal， 2019， 25 （6）： 42-47， 54. in Chinese

[7] 于瑶佳.基于5G-R的CTCS-3级列控业务车地通信关键技术研究［D］.北京：北京交通大学，2021.

[8] YU Yaojia. Research on Key Technologies of Train-Ground Communication for CTCS-3 Train Control Service Based on 5G-R ［D］. Beijing： Beijing Jiaotong University， 2021. in Chinese

[9] STEVENS W. TCP Slow Start， Congestion Avoidance， Fast Retransmit， and Fast Recovery Algorithms ［R］. America： RFC Editor， 1997： 1-6.

[10] BRAKMO L S， O'MALLEY S W， PETERSON L L. TCP Vegas： New Techniques for Congestion Detection and Avoidance ［J］. ACM SIGCOMM Computer Communication Review， 1994， 24 （4）： 24-35.

[11] MASCOLO S， CASETTI C， GERLA M， et al. TCP Westwood： Bandwidth Estimation for Enhanced Transport over Wireless Links ［C］// Proceedings of the 7th Annual International Conference on Mobile Computing and Networking. New York： ACM， 2001： 287-297.

[12] LI J， GUAN Y Y， DING P P， et al. TCP-PPCC： Online-Learning Proximal Policy for Congestion Control ［C］// 2020 21st Asia-Pacific Network Operations and Management Symposium （APNOMS）. New York： IEEE Press， 2020： 243-246.

[13] ALLMAN M， PAXSON V， BLANTON E. TCP Congestion Control ［R］. America： RFC Editor， 2009： 1-18.

[14] KANAGARATHINAM M R， SINGH S， SANDEEP I， et al. NexGen D-TCP： Next Generation Dynamic TCP Congestion Control Algorithm ［J］. IEEE Access， 2020， 8： 164482-164496.

[15] HA S， RHEE I， XU L S. Cubic： a New TCP-Friendly High-Speed TCP Variant ［J］. ACM SIGOPS Operating Systems Review， 2008， 42 （5）： 64-74.

[16] CARDWELL N， CHENG Y， GUNN C S， et al. BBR： Congestion-Based Congestion Control： Measuring Bottleneck Bandwidth and Round-Trip Propagation Time ［J］. Queue， 2016， 14 （5）： 20-53.

[17] GUO Y， YU Y J， SUN B， et al. TCP-E： an Enhanced Congestion Control Algorithm for Reliable Communication in 5G-R ［C］// Proceedings of the 5th International Conference on Electrical Engineering and Information Technologies for Rail Transportation （EITRT） 2021. Singapore： Springer Singapore， 2022： 99-109.

[18] 吴诗雨.基于可扩展传输时间间隔的混合业务性能优化研究［D］.北京：北京交通大学，2019.

[19] WU Shiyu. Research on Performance Optimization of Hybrid Traffic Based on Scalable Transmission Time Interval ［D］. Beijing： Beijing Jiaotong University， 2019. in Chinese

[20] PEDERSEN K I， BERARDINELLI G， FREDERIKSEN F， et al. A Flexible 5G Frame Structure Design for Frequency-Division Duplex Cases ［J］. IEEE Communications Magazine， 2016， 54 （3）： 53-59.

[21] YANG Y R， LAM S S. General AIMD Congestion Control ［C］// Proceedings 2000 International Conference on Network Protocols. Osaka： IEEE， 2000： 187-198.

[22] 汪永伟，司彬彬，赵靓，等.一种改进的TCP连接初始阶段的拥塞控制模型［J］.计算机工程与应用，2004，40（26）：152-154.

[23] WANG Yongwei， SI Binbin， ZHAO Liang， et al. A Refined Congestion Control Scheme for Initial TCP Connection ［J］. Computer Engineering and Applications， 2004， 40 （26）： 152-154. in Chinese

[24] 牛磊，郭博，刘冬冬.一种基于往返时延的慢启动策略［J］.阜阳师范学院学报：自然科学版，2013，30（1）：50-53.

[25] NIU Lei， GUO Bo， LIU Dongdong. A Slow-Start Strategy Based on Round-Trip Time ［J］. Journal of Fuyang Teachers College： Natural Science， 2013， 30 （1）： 50-53. in Chinese

[26] 张宁，宋晓虹，侯亚欣.多路视频监控信息传输中网络带宽资源利用的优化策略［J］.中国铁道科学，2006，27（3）：84-88.

[27] ZHANG Ning， SONG Xiaohong， HOU Yaxin. An optimization Strategy of Network Bandwidth Utility in Transmitting Multi-Channel Surveillance Video Information ［J］. China Railway Science， 2006， 27 （3）： 84-88. in Chinese

[28] JOSEPH A J M， DINIESH V C， SHIVARANJANI M. Throughput Stability and Flow Fairness Enhancement of TCP Traffic in Multi-Hop Wireless Networks ［J］. Wireless Networks， 2020， 26 （6）： 4689-4704.

[29] 李稚春.一种基于Pathload改进的网络可用带宽测量方法［J］.物联网技术，2015，5（5）：26-28，31.

[30] LI Zhichun. An Improved Network Available Bandwidth Measurement Method Based on Pathload ［J］. Internet of Things Technology， 2015， 5 （5）： 26-28， 31. in Chinese

[31] MU S Q， WU S Y， LIU M， et al. Hybrid Transmission Time Intervals for TCP Slow Start in Mobile Edge Computing System ［C］// Proceedings of the 2018 IEEE/CIC International Conference on Communications in China （ICCC）. New York： IEEE Press， 2018： 808-813.

[32] 杜春梅，代长明，钟晓春，等.VegasE1算法研究［J］.通信技术，2009，42（6）：93-95，98.

[33] DU Chunmei， DAI Changming， ZHONG Xiaochun， et al. VegasE1 Algorithm ［J］. Communications Technology， 2009， 42 （6）： 93-95， 98. in Chinese

[34] 马春光，姚建盛.ns-3网络模拟器基础与应用［M］.北京：人民邮电出版社，2014.

[35] MA Chunguang， YAO Jiansheng. Open Source Network Simulator ns-3 - Architect and Practice ［M］. Beijing： Posts & Telecom Press， 2014. in Chinese

[36] 陈启香，李茂青，林俊亭.列车间超短波直接通信信道衰落特性分析［J］.计算机工程与应用，2015，51（8）：74-78.

[37] CHEN Qixiang， LI Maoqing， LIN Junting. Channel Fading Properties Analysis of Train to Train Direct Communication Based on Ultrashort Wave ［J］. Computer Engineering and Applications， 2015， 51 （8）： 74-78. in Chinese

[38] 林家儒，吴伟陵.LDPC码在RICE信道中的性能分析［J］.北京邮电大学学报，2004，27（2）：48-53.

[39] LIN Jiaru， WU Weiling. Analysis of Performance of LDPC on Rician-Fading Channels ［J］. Journal of Beijing University of Posts and Telecommunications， 2004， 27 （2）： 48-53. in Chinese

基金资助

中国国家铁路集团有限科技研究开发计划课题(N2023G052)

中国铁道科学研究院集团有限公司院基金课题(2023YJ097)