Python实现的基于数据包队列管理内容

队列管理内容"/>

Python实现的基于数据包队列管理内容

基于数据包队列管理内容

实验内容

实验内容一

重现 Bufferbloat 结果

• h1(发送方)在对 h2 进行 iperf 的同时，测量 h1 的拥塞窗口值(cwnd)、r1-eth1 的队列长度(qlen)、h1 与 h2 间的往返延迟(rtt)
• 变化 r1-eth1 的队列大小，考察其对 iperf 吞吐率和上述三个指标的影响

实验内容二

解决 BufferBloat 问题

• Tail Drop
• RED
• CoDel

数据处理及结果

重现 Bufferbloat 结果

处理的可视化脚本位于 10-bufferbloat/reproduce_data.ipynb 中，实验根据获取的数据，利用 Matplotlib 画图，得到了下列结果。

CWND

上图为拥塞窗口大小随时间变化的曲线。测试刚开始时，队列大小为 100 的拥塞窗口迅速增长达到 600 的峰值，队列大小为 200 的的拥塞窗口迅速增长达到 1200 的峰值。可见该实验环境下，拥塞窗口峰值大小为队列大小的两倍。
接着拥塞窗口迅速回落到队列大小一致的水平，接着再次增长。拥塞窗口随收包增长，随丢包下降。另外可以看到大队列后续的波动较小队列不明显。

QLEN

上图为即时队列长度随时间变化的曲线。队列大小为 100 的曲线的上界为 100。测试刚开始时队列快速上升达到峰值，当队列满时，直接丢弃新接收的包，由于发送速率骤降，使得队列长度降低至最大队列长度的 40% 左右。随后一直这次循环下去。

RTT

上图为 RTT 随时间变化的曲线。测试刚开始时，由于接收队列的快速增长，网络延时急剧增加，随后也随着队列缩短而减少。之后的时间内，延时随着队列长度的变化而变化，波动明显。另外可以看到大队列后续的波动较小队列不明显。

iperf 吞吐率

队列大小 200 时，iperf Transfer 成功的带宽平均大约为 29.4Mb/s，峰值为 37.7 Mb/s，有 2/3 的时间区间会下降到 0。

队列大小 100 时，iperf Transfer 成功的带宽平均大约为 15Mb/s，峰值为 37.7 Mb/s，有 1/3 的时间区间会下降到 0。

队列大小 10 时，iperf Transfer 成功的带宽平均大约为 9Mb/s，峰值为 12.6 Mb/s，最低为 6.9Mb/s。

因此可以看出队列越长，iperf Transfer 为 0 的可能性越大，但是 Transfer 成功时的带宽也越大。

解决 BufferBloat 问题

上图中出现了三种方式来 BufferBloat 问题的曲线。

可以看出，tail drop 的队列延时远高于 RED 和 CoDel。其中 CoDel 的性能表现最佳。

另外值得注意的是，tail drop 曲线一直出现“尖端”情况，和 ppt 中稳定的一段峰值不同，这是因为 Mininet 环境下仿真环境的差异导致的。在 Mininet 中，maxq 参数实际上是一个模拟延迟和丢包的批处理大小，与真实的队列大小有区别，只是近似仿真。因此结果存在差异。