Multipath TCP与网络效率最大化

他们把死人存进银行，吃利息。

多径tcp

 当别人造的公式没有办法理解的时候，只能勉强去理解。
 [1]中有个表达式同[2]中的(7)式有一样的形式，殊途同归。也可以参考[15]的推导，更容易理解。
 For every ACK,$w_r\leftarrow w_r+I_r$,for each lost,$w_r\leftarrow w_r+D_r$
 对于AIMD的TCP来说，$I_r=\frac{1}{w_r}$,$D_r=\frac{w_r}{2}$.
 设丢包率为$p_r$,
$$\Delta w=I_r(1-p_r)-D_r{p}_r\text{\hspace{1em}(1)}$$
 (1)反映的是收到ack，或者丢包发生的时候，窗口的变化。
 $p_r$可以认为是返回的ack被标记的概率，根据[3]中的随机微分方程，则有：$\delta w_{loss}=\frac{w_r}{2}{p}_r{x}_r\delta t=\frac{w_r^2}{2}{p}_r$，取$\delta t=rtt,x_r\ast rtt=w_r$.
 或者可以这样推理，$\Delta w$为收到一个ack的窗口变化，收到ack的时间间隔$\Delta t=\frac{{\tau }_r}{w_r}$.一个rtt窗口的变化$\delta w=\frac{\Delta w}{\Delta t}\tau =\Delta w{w}_r$
 根据上面的解释，确实可以得到[1]中的下式。$\delta w$设为一个rtt内的窗口变化情况，有：
$$\delta w_r=(I_r(1-p_r)-D_r{p}_r)w_r=\Delta w{w}_r\text{\hspace{1em}(2)}$$
 另：
$$\delta w_r={\dot{w}}_r{\tau }_r={\dot{x}}_r{\tau }_r^2\text{\hspace{1em}(3)}$$
 因此：
$${\dot{x}}_r=\frac{\Delta w{w}_r}{{\tau }_r^2}=\frac{x_r}{{\tau }_r}\Delta w=\frac{x_r}{{\tau }_r}\left[I_r(1-p_r)-D_r{p}_r\right]\text{\hspace{1em}(4)}$$
 (4)式同[2]中的(7)式是同一个表示。下一步需要学习下随机微分方程[4]。
 [1]中的后续分析主要基于下面这个公式：
$${\dot{x}}_r=k_r(x_r)(\varphi (x_r)-p_r)\text{\hspace{1em}(5)}$$
 对比(4),
$k_r(x_r)=\frac{x_r}{{\tau }_r}{D}_r$
$\varphi (x_r)=\frac{I_r}{D_r}$
 $k_r(x_r)$反应的是系统的dynamic property。$\varphi (x_r)$反应的是系统的equilibrium property。
 [1]只是找到TCP在AIMD约束下的明确表达式。大概可以这样理解，面对链路回馈的代价，Kelly在[5]中给出了一个速率调整的原则(6)。那么另外一个问题，就是根据速率，网络应该如何更新链路代价(8)。这其实不就网络研究的两个终极问题吗，tcp应该如何向网络中发送数据包？网络中的路由器应该如何控制tcp的发送速率？
 这两个方面用Kelly的数学语言表示就是[5]中的primal algorithm，dual algorithm。我采用[6]中的形式：
 primal algorithm-tcp端的速率更新方法：
$${\dot{x}}_s(t)=k(w_s-x_s(t)\sum _{l\in L(s)}{p}_l(t))\text{\hspace{1em}(6)}$$
$$p_l(t)=f_l(\sum _{s\in S(l)}{x}_s(t)))\text{\hspace{1em}(7)}$$
 dual algorithm-网络对速率的控制方法：
$${\dot{p}}_l(t)=k(\sum _{s\in S(l)}{x}_s(t))-q_l(p_l(t)))\text{\hspace{1em}(8)}$$
$$x_s(t)=\frac{w_s}{\sum _{l\in L(s)}{p}_l(t)}\text{\hspace{1em}(9)}$$
 如果$w_s$为窗口，$p_l$为一条链路的时延，那么(9)就完美契合。
 [7]就直接推导出了不同tcp的拥塞控制机制的utility function。
 [6]就给出了相应的效用最大化函数的数学推导。
##network utility maximazation
 以下属于效用最大化部分，公式中的序列号与上述无关。
 根据[6]的分析，稍微推导之：

符号	含义
$x_s$	速率为x的网络流s
$S(l)$	经过链路l的流s的集合
$L(s)$	流s经过的链路的集合
$c_l$	链路l的带宽处理能力
$U_s$	流s的效用函数

 根据效用最大化的定义，有如下约束：
 primal problem:
$max\sum _s{U}_s(x_s)$
$subjectto\sum _{s\in S(l)}{x}_s\le c_l,l=1,2...L.$
 对上述式子采用拉格朗日：
 dual problem:
$$L(x,p)=\sum _s{U}_s(x_s)-\sum _l{p}_l(\sum _{s\in S(l)}{x}_s-c_l)=\sum _s(U_s(x_s)-x_s\sum _{l\in L(s)}{p}_l)+\sum _l{p}_l{c}_l$$
$$p^s=\sum _{l\in L(s)}{p}_l\text{\hspace{1em}(4)}$$
 求(3)的极值，对(3)求偏导,：
$$\frac{\partial L}{\partial x_i}=U_i^{\prime }(x_i)-\sum _{l\in L(i)}{p}_l=0\Rightarrow U_i^{\prime }(x_i)=\sum _{l\in L(i)}{p}_l\text{\hspace{1em}(5)}$$
 那么(5)式的反函数，$x_i=U_i^{\prime -1}(p)$。根据Low的的说法，这就是微观经济学中的需求函数(demand function)。
 采用gradient projection method迭代的方式求解(3)的极值。
$$p_l(t+1)=[p_l(t)-\gamma \frac{\partial L}{\partial p_l}{]}^{+}\text{\hspace{1em}(6)}$$
其中$\frac{\partial L}{\partial p_l}=c_l-x^l(p)x^l(p)=\sum _{s\in S(l)}{x}_s$
 (6)就是在路由器层面的拥塞控制机制，这个算法是可以根据本地信息求解的。所以Low围绕Kelly的两个式子，做了很多研究。在TCP的拥塞控制方面，他提出了基于时延信息的TCP FAST[12],在路由器的主动队列管理方面，他提出了REM[13]算法。Low在[7]求出了Reno和Vegas的效用函数。
[1][Peng Q, Walid A, Hwang J, et al. Multipath TCP: Analysis, design, and implementation[J]. IEEE/ACM Transactions on Networking, 2016, 24(1): 596-609.]
[2]基于窗口与基于速率的拥塞控制
[3]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.
[4]Misra V, Gong W B, Towsley D. Stochastic differential equation modeling and analysis of TCP-windowsize behavior[C]//Proceedings of PERFORMANCE. 1999, 99.
[5][Kelly F P, Maulloo A K, Tan D K H. Rate control for communication networks: shadow prices, proportional fairness and stability[J]. Journal of the Operational Research society, 1998, 49(3): 237-252.]
[6]Low S H, Lapsley D E. Optimization flow control. I. Basic algorithm and convergence[J]. IEEE/ACM Transactions on networking, 1999, 7(6): 861-874.
[7]Low S H, Paganini F, Doyle J C. Internet congestion control[J]. IEEE control systems, 2002, 22(1): 28-43.
[8]Athuraliya S, Low S H. Optimization flow control, II: Implementation[J]. submitted for publication, 2000.
[9]Kelly F. Fairness and stability of end-to-end congestion control[J]. European journal of control, 2003, 9(2-3): 159-176.
[10]Kelly F, Voice T. Stability of end-to-end algorithms for joint routing and rate control[J]. ACM SIGCOMM Computer Communication Review, 2005, 35(2): 5-12.
[11]Ruiz H M, Kieffer M, Pesquet-Popescu B. TCP and network coding equilibrium and dynamic properties[C]//Network Coding (NetCod), 2013 International Symposium on. IEEE, 2013: 1-6.
[12]FAST TCP: motivation, architecture, algorithms, performance
[13]An enhanced random early marking algorithm for internet flow control
[14]Low S H. A duality model of TCP and queue management algorithms[J]. IEEE/ACM Transactions On Networking, 2003, 11(4): 525-536.
[15] AIMD吞吐量公式的推导 https://blog.csdn.net/u010643777/article/details/78950328