最近关注UDP之上的媒体数据流的拥塞控制,对于[1]中的公式(12)不是很明白,根据它的参考文献,追本溯源,找到出处。深刻感受到科研不是无源之水,而是一脉相承的。
对于[2]中的指数平均的公式:
x((k+1)δ)=(1−α)x(k∗δ)+α∗q(k∗δ).(1)
(1)表示k+1次的数据由之前的x的值与第k次采样数据
q(k∗δ)
的滑动平均的和。
α
决定权重,是倚重历史数据多一点,还是新采样的数据多一点。
根据文献[2],公式(1)可以转化为一个微分方程,在这里,稍微推理一下:
x((k+1)δ)−x(k∗δ)δ=−α∗x(k∗δ)δ+α∗q(k∗δ)δ.(2)
当采样间隔
δ
无限小,(2)式的左边可以写成微分形式:
x˙(t)=a∗x(t)+b∗q(t).(3)
这是微分方程是经典的一阶微分方程,其通项可以参考维基百科[3].根据文献[4]42页中给出通过当前值
x(tk)
,预测时刻
t∈[tk,tk+1]
的值,但是很遗憾,只有结论,没有推导。Not all conclusions are well known. 根据[5],推导一下.
对(3)乘以
e−at
,可得:
e−atx˙(t)−a∗e−atx(t)=b∗e−atq(t)⇒ddt[e−atx(t)]=b∗e−atq(t).(4)
左右求积分:
∫ttkddτ[e−aτx(τ)]dτ=∫ttkb∗e−aτq(τ)dτ.(5)
进而可得:
e−aτx(τ)∣ttk=∫ttkb∗e−aτq(τ)dτ⇒e−atx(t)−e−atkx(tk)=∫ttkb∗e−aτq(τ)dτ.(6)
根据上式:
x(t)=ea(t−tk)x(tk)+∫ttkb∗e−a(τ−t)q(τ)dτ.(7)
对比(1)和(7),
t=(k+1)δ
和
tk=kδ
,
可得:
(1−α)=eaδ⇒a=ln(1−α)δ.(8)
对于(7),q表示的是对系统的抽样值,就是说,在
t∈[tk,tk+1]
,
q(t)=q(tk)
.可以得到:
∫tk+1tkb∗e−a(τ−tk+1)q(tk)dτ=−ba(1−eaδ)q(tk)=αq(tk)(9)
这系数就是文献[1,2]中公式的系数。
At thus far,The conclusion is well known.
文献[1]参考了文献[2],文献[2]使用了书籍[4]中的推论。科研不是无源之水,科研不是拍脑袋,制造谬误百出的公式。
公式(1)又叫做Exponential Fiter,就是通过对输入数据的指数平滑处理,虑除高频噪声,获得平滑的输出[6,7]。
(3)的装换方程可以表示为
F(s)=−as−a=Ks+K(10)
[1]Zhu X, Pan R. NADA: A unified congestion control scheme for low-latency interactive video[C]//Packet Video Workshop (PV), 2013 20th International. IEEE, 2013: 1-8.
[2]Misra V, Gong W B, Towsley D. Fluid-based analysis of a network of AQM routers supporting TCP flows with an application to RED[C]//ACM SIGCOMM Computer Communication Review. ACM, 2000, 30(4): 151-160.
[3]一阶常微分方程
[4]computer controlled system theory and design
[5]Solution to Linear Time-Invariant Systems
[6]Exponential moving average cut-off frequency
[7]一阶RC低通滤波
[8]预测算法——指数平滑法
[9]wiki-Exponential smoothing
[10]smoothing models for forcasting
[11]基于智能优化的分布式网络流量预测方法(2015)