基于CoAP 協議的泛在電力物聯網擁塞控制算法

任 智，吳本源，周 舟，蘇 新

（重慶郵電大學通信與信息工程學院，重慶 400065）

0 概述

2019 年，國家電網有限公司提出建設“三型兩網”世界一流能源互聯網的戰略目標［1］，其核心是建設泛在電力物聯網以實現電力業務全面感知、高效處理、便捷應用［2］，綜合應用大數據、云計算、人工智能等新興通信技術，使電力系統設備和通信技術相融合。目前，電力系統業務發展具有信息采集業務爆發式增長、控制業務末端發展、覆蓋范圍廣等特點［3-4］。由于泛在電力物聯網節點數目眾多且范圍廣，隨著越來越多的資源受限影響節點間應用層數據傳輸效率，進而無法實現電力信息流的泛在互聯和有效傳輸。

為解決物聯網設備應用層通信的效率問題，國際互聯網工程任務組（The Internet Engineering Task Force，IETF）于2014 年提出RFC7252 標準協議規范，設計一種基于表征狀態轉移（Representational State Transfer，REST）架構的合理通用應用層通信協議，即受限應用協議（Constrained Application Protocol，CoAP）［5］。該協議類似于HTTP 協議，常用于低功耗、資源受限網絡節點間的通信，主要目標是滿足（如物聯網）等節點資源受限環境下的特殊需求，實現物聯網數據共享［6］。

合理的擁塞控制是通信可靠傳輸的必要保證。CoAP 協議在RFC7252 標準中提供一種基于Stop-andwait ARQ 重傳機制［6］的擁塞控制機制，在默認情況下，重傳時間初始值隨機從2 s、3 s 內選取，此后每次重傳時用指數退避算法對重傳超時時間（Retransmission TimeOut，RTO）進行指數級更新。但物聯網的網絡環境往往彼此差別很大，因此這種原始的擁塞控制在物聯網環境中無法保證具有良好的數據傳輸效率。IETF提出一種新的RFC擁塞控制草案（CoAPSimple Congestion Control/Advanced，CoCoA）［6］，對CoAP 原始擁塞控制機制進行改進。CoAP 協議獲取能夠反映當前鏈路狀況的鏈路往返時間（Round-Trip Time，RTT）并根據RTT自適應地調整RTO，為CoAP 協議的擁塞控制機制增加了動態和學習特性。文獻［9］提出CoAP 物聯網應用層通信方案，介紹物聯網場景的數據傳輸，探討物聯網中應用層流服務的必要性。文獻［10］提出動態模式選擇機制，在CoAP 低功耗網絡場景下應用層通信有2 種操作模式，以降低功耗并最小化延遲。文獻［11］對CoAP原始擁塞控制算法與CoCoA 算法進行性能和可靠性對比，原始CoAP 擁塞控制算法過于保守導致在網絡擁塞狀態產生高時延和低成功率。文獻［12］在CoAP 頭部增加重傳ID 字段來解決弱估計器不確定性和在低帶寬、高丟包率的鏈路下存在估計誤差的問題，從而顯著提高擁塞網絡中的吞吐量。文獻［13］提出CoCoA 協議在網絡流量激增和超時重傳選擇不當時，弱估計器無法準確對RTT 進行計算，進而導致RTO 出現估計誤差，擁塞控制性能明顯低于原始CoAP 擁塞控制機制。文獻［14］采用CoCoA+算法對弱估計器計算進行修改，減少了弱變化對網絡傳輸的影響，并增加了可變后退因子。文獻［15］利用CoAP 傳輸帶寬延遲進行網絡擁塞控制，對發送端的傳輸速率進行調整，并與估計帶寬相匹配實現擁塞控制。

針對泛在電力物聯網資源受限特性，本文基于CoAP 協議的泛在電力物聯網應用層通信協議，提出一種鏈路穩定性的CoAP 擁塞控制（A Link-Stability-Based CoAP Congestion Control，L-CoCC）算法。將泛在電力物聯網架構結合CoAP 協議進行應用層通信，完成電力業務與通信技術相融合。在此基礎上，采用3 種自適應RTT 估計器來區分鏈路狀態進而估計RTO。

1 泛在電力物聯網與CoAP 協議

泛在電力物聯網的目標是將電力系統和新興通信產業跨平臺相結合，因此，泛在電力物聯網場景下的應用層通信協議尤為重要。

1.1 CoAP 協議

CoAP 協議的設計是為了滿足資源受限網絡和物聯網的應用層通信需求，其協議棧如圖1 所示。為滿足CoAP 協議的輕量級要求，以UDP 為傳輸層協議，數據通過請求/響應模型進行交互。

圖1 CoAP 協議棧Fig.1 Protocol stack of CoAP

CoAP 協議邏輯上采用雙層結構：1）消息層，節點間數據進行交互和擁塞控制；2）請求/響應層，與HTTP 類似的資源操作，包括獲取資源的GET 方法、創建資源的POST 方法、更新資源的PUT 方法、刪除資源的DELETE 方法。

CoAP 協議共定義了4 種消息類型，分別為需要被確認的消息（Confirmable Message，CON）、不需要被確認的消息（Non-Confirmable Message，NON）、應答消息（Ackknowledge Message，ACK）、復位消息（Reset Message，RST）。通過這4 種消息，CoAP 協議同時實現了物聯網場景下的不可靠傳輸和輕量級的可靠傳輸。

1.2 泛在電力物聯網體系架構

泛在電力物聯網將電網中的基礎設施、員工、用戶以及其所在環境進行互聯互通的網絡環境，是一種適用于電力業務系統的工業級物聯網。其體系架構如圖2 所示，在物聯網感知延伸層、網絡傳輸層和平臺應用層3 層架構的基礎上增加了邊緣計算層。

圖2 泛在電力物聯網架構Fig.2 Architecture of ubiquitous electric IoT

泛在電力物聯網正處在飛速發展階段，通信網絡核心正在搭建，但加入急速增長的終端業務節點后仍面臨著通信覆蓋力度和可靠性的問題。目前迫切需求一種能夠滿足電網業務精準負荷控制和智能化管理的應用層通信協議［16］，泛在電力物聯網的網絡特點對其通信協議的要求歸納為以下3 個方面：1）輕量級，節點數目多且運算能力受限，協議應當盡量簡單高效；2）流量控制，節點資源受限通信能力弱，應減少業務負荷量；3）兼容和可拓展性，考慮到將結合大數據、云計算、深度學習等新興通信技術，協議應當具備兼容、可拓展性以及負載共享功能［17］。

CoAP 協議適用于工業物聯網［18］，最大的優勢是其兼容性高，其與已有現成網絡架構和傳輸協議的系統（如智能電表）［19］完美匹配。

輕量級的CoAP 協議適合泛在電力物聯網應用場景，但考慮到泛在電力物聯網接入節點增多，網絡流量負載增大、鏈路不穩定性等問題，很容易造成網絡擁塞，還需進一步研究CoAP 協議從應用層額外提供保障可靠性傳輸的擁塞控制機制［20］。

2 L-CoCC 算法

本文根據泛在電力物聯網的鏈路特點提出一種基于鏈路穩定性的L-CoCC 算法。默認超時重傳值RTO的合理估計是CoAP 協議擁塞控制的關鍵因素［21］。在RTO時間內接收方未收到數據包，發送方將該數據包視為丟失，并啟動包重傳。當RTO小于實際網絡往返時延RTT時，會造成不必要的虛假重傳。但當RTO過大時，又會造成重傳等待時間過長，形成網絡擁塞影響傳輸效率。

2.1 3 種RTT 估 計

L-CoCC 算法利用強RTT、弱RTT和失敗RTT這3 種估計器確定準確的網絡鏈路狀態進而估計RTO，并提供自適應的擁塞控制。L-CoCC 算法在請求-響應交互模型中加入重傳計數（Retransmission Count，RC）變量，以減小由于物聯網環境波動而引起的RTT負變化。因此使用下界RTO約束方法，避免了不必要的虛假重傳，且老化更新機制限制了RTO值的有效性，從而提高了所提方案的效率。3 種RTT估計器分別將成功、延遲和失敗的包視為強、弱和失敗的RTT。

在CoAP 協議中實現的大多數擁塞控制機制的假設只由網絡擁塞引起包丟失。但從大規模物聯網場景分析，當節點在爭奪網絡資源時，會出現丟包和延遲，導致節點和通信鏈路都出現網絡擁塞。節點級的網絡擁塞大多為數據包延遲，而鏈路級的擁塞會導致數據沖突。因此，在RTO測量中，L-CoCC 算法同時考慮了鏈路級擁塞碰撞和節點級擁塞延遲的影響。

L-CoCC 算法運行3 種RTT估計器，分別利用不同ACK 消息進行RTT估計，強RTT表示數據包從客戶端節點到服務器節點的成功傳輸，即時ACK 用于計算數據包已成功傳輸的強RTT；弱RTT表示數據包從客戶端節點到服務器節點的延遲傳輸，延遲ACK 用于計算在重傳中傳輸數據包的弱RTT；失敗RTT表示從客戶端節點到服務器節點的數據包傳輸失敗，NO ACK 用于計算失敗的RTT，對于該RTT，相同的包已被重新傳輸，并且最多4 次都未能交付，失敗RTT表明存在著鏈路級的沖突，即有些數據包丟失。根據上述方法，實現了RTT的自適應計算。

2.2 動態SR和RTO 估計器

L-CoCC 算法利用RTO來確保傳輸可靠性和最小的重傳。CoAP協議默認擁塞機制使用平滑RTT（SR）和RTT抖動值（RTTVAR）。CoAP 協議根據最大延遲和處理延遲來決定數據包傳輸的RTT值，在收到第一個RTT樣本后，L-CoCC 算法計算RTO如式（1）～式（3）所示：

強RTT、弱RTT和失敗RTT分別表示正常網絡中、節點級阻塞延遲和鏈路級沖突的RTT。運用L-CoCC算法對SR測量進行了改進，以區分網絡擁塞和鏈路沖突情況。在實際應用場景中，3 種RTT的大小關系是：強RTT<弱RTT<失敗RTT。用FR、SR 和WR 分別表示最后4 次傳輸中失敗RTT、強RTT和弱RTT的頻率。其中，α值總是大于（1?α）。

在鏈路沖突情況下FR>SR>0，即失敗RTT的貢獻要高于強RTT。由于鏈路級別沖突，有更多的數據包被丟棄，只能及時接收到少部分數據包。在這種情況下，擁塞窗口將處于最小狀態。鏈路沖突中的如式（5）所示：

在節點級網絡擁塞下WR>FR，即弱RTT的貢獻要高于失敗RTT。因此，發送方在最大程度上增加RTO，降低了網絡擁塞影響，最終提高物聯網場景下的通信性能。節點級網絡擁塞下的如式（6）所示：

在正常情況下，SR 比WT、FR 大。因此，無需增加擁塞窗口的如式（7）所示：

將式（5）～式（7）代入式（4），可估計出總體RTO值。利用3 個RTT估計器來動態自適應調整RTO值，但是在發端接收ACK 時不知道是第幾次重傳，導致計算出不準確，所以擬加入重傳次數RC 字段以確定當前是第幾次重傳并引入RTO下限機制和老化更新機制。

2.3 RC 值和RTT 波動估計RTO

在標準CoAP 協議中，節點使用消息ID 識別所有CoAP 確認消息，并幫助系統檢測重復的數據包。對于擁塞情況，無法判定發端收到的響應是重傳的延遲ACK 還是即時ACK。當發端計劃向接收節點發出多個連續請求時，對于擁塞場景僅使用消息ID來確定數據包是不夠的，在估計RTO時導致2 個問題：1）確定太大的RTO，比RTT易導致包延遲，影響網絡吞吐量；2）RTO選擇不當小于RTT，導致不必要虛假重傳和網絡擁塞造成的數據包丟失。

因此，L-CoCC 機制提出利用RC 字段來解決RTT的不公平性［22］，避免RTO的陡增和過度收縮。為了附加RC 新的字段，使用CoAP 協議中頭部控制消息的Option 選項。利用此字段信息，發端在收到ACK 包時提取RC 值以明確重傳次數。當不發生重傳時，RC 值被賦值為零。對于每個重新傳輸的包，RC 值遞增1。該機制利用RC 計數信息，避免了由于和RTO測量不當而造成意外延遲和損失。

CoAP 和L-CoCC 機制傳輸對比如圖3 所示。CoAP 的原始擁塞控制機制如圖3（a）所示，可以看出節點A 收到的ACK 包中沒有重傳信息，無法得知ACK 包經歷了幾次重傳，導致無法準確計算RTT。L-CoCC 機制表明節點A 能夠得到正確的RTT，因ACK 包攜帶了RC 信息。鏈路沖突情況下L-CoCC 機制如圖3（b）所示，發送CON RC=2 后，發端收到第一個攜帶RC 的ACK。因此它被認為是弱RTT，第一個CON 請求是一個失敗RTT，因此失敗和弱RTT的頻率都為1。當網絡暢通時L-CoCC 機制如圖3（c）所示，第1 個和第2 個CON 請求都失敗，第3 次重傳后ACK 包被即時接收。

圖3 CoAP 和L-CoCC 機制傳輸對比Fig.3 Transmission comparison between CoAP and L-CoCC mechanisms

與其他擁塞控制機制簡單的收包時間減去發包時間計算RTT不同，L-CoCC 算法通過比較具有相同RC 值的CON 傳輸時間和ACK 的接收時間，使發送方節點測量數據包的實際RTT。

此外，利用RTT的波動RTTVAR對進行加權預估，最大限度地減少RTO在后續傳輸中不必要的擴展和收縮。體現出RTT的變化歷史，β的值設為0.125，返回值如式（8）所示：

從圖3（b）可以看出，RTT大于SR，因此的當前值主要依賴于過去的RTTVAR。相比圖3（c）的RTT值小于SR。因此，值降低。L-CoCC 機制采用和SR的估計算法區分了擁塞和沖突場景，利用RTT波動限制了RTO的上限波動，并有效動態調整RTO值。與RTO上限值一樣，RTO的下限也決定了擁塞控制機制的效率。因此，利用RTO收縮方案成功地限制了RTO下限值。

2.4 RTO限制與更新

RTT的負變化使RTO比RTT小，這種情況會導致虛假重傳，再次出現高碰撞和擁堵。因此，本文附加了限制RTO（）測量中的max（?L，K×RTTVAR）條件，如式（9）所示：

其中：L為RTT的下限，建議初始L值不大于10 s。在隨后的RTO測量中，如果RTT的負變化增加，則L值增加10；當RTT出現正變化時，L的值重置為10 s。因此，L-CoCC 算法決定了RTO收縮的最小程度以及CON 報文的虛假重發。下限RTO對擁塞控制機制的影響如圖4 所示。

圖4 L-CoCC 下限機制Fig.4 L-CoCC lower bound mechanism

K的值設置為4，利用SR值進行估計，降低了RTTVAR對弱RTO估計的影響。從圖4（a）可以看出，由于RTT值極小，RTTVAR為負的擁塞控制機制。RTTVAR大幅減小，導致RTO急劇減少，并虛假重傳。但L-CoCC算法降低了RTT的L值，因此發送方節點可以在超時之前收到ACK 消息，避免了不必要的數據包重傳和延遲。

考慮到泛在電力物聯網的鏈路不穩定因素，RTT變化很快。當估計的RTO值在一段時間內沒有更新時，就執行更新老化。L-CoCC 平衡了基于的和基于之間的RTO值，RTO值如式（10）所示：

在CoAP 中L-CoCC 機制使用3 種RTO估計器、RTO值的下界限制、RTT波動處理方案和老化概念，提高了在泛在電力物聯網場景下的CoAP 性能。

3 仿真分析

以網絡鏈路估計為基礎從理論上對L-CoCC 算法進行定量分析。本文模擬泛在電力物聯網場景，選取原始CoAP 協議中指數退避機制算法，L-CoCC算法、文獻［23］中CoCoA++算法，重復實驗分別對3 種算法的吞吐量、端到端時延、請求成功率等指標進行比較分析。

3.1 網絡拓撲特征

由于泛在電力物聯網部署環境的特殊性和復雜性，泛在電力物聯網的拓撲結構如圖5 所示。樹狀拓撲將多個子節點連接到中央服務器，中央服務器承擔子節點入網、資源調度、數據收集、數據處理等功能。但由于泛在電力物聯網資源受限性和傳輸鏈路不穩定性，因此節點間通信很容易發生沖突。

圖5 泛在電力物聯網拓撲結構Fig.5 Topology structure of ubiqutous electric IoT

3.2 仿真參數設置

本文使用Windows 平臺上OPENT Modeler 14.5仿真軟件，構建了如圖5 所示的拓撲仿真測試環境。CoAP 消息由每個子節點產生，并定期向拓撲中的中央服務器傳輸，為了生成不同級別的網絡流量，設置不同節點個數M，并將數據傳輸間隔T設為2～30 s，模擬網絡擁塞情況和鏈路沖突情況。每個節點的發射、接收功率以及通信范圍均相同；其中鏈路帶寬設為50 kb/s，模擬資源受限網絡場景；消息重傳時間初值為2 s，最大重傳次數K值設為默認值4。在資源受限環境下網絡節點數M不同和數據傳輸間隔T不同對各性能指標的影響，其具體數值如表1 所示。

表1 仿真參數設置Table 1 Simulation parameters setting

3.3 仿真結果分析

依據上述參數設定仿真場景。對4 種隨機SEED 值下的的仿真各重復實驗20 次，隨機種子數不同對應的仿真結果相近，并取整體平均值95%置信區間作為最終的仿真數據進行分析。

3.3.1 吞吐量

選取傳輸時間間隔T=5 s，不同節點個數的吞吐量對比如圖6 所示。仿真結果表明，相比CoCoA++算法，L-CoCC 算法有更高的吞吐量，平均提升9.61%，比原始CoAP 協議平均提升34.7%。3 種算法在節點數目較少時，吞吐量差別不是很明顯，但隨著節點數目增加，網絡開始出現擁塞狀態，因此CoCoA++和L-CoCC 算法吞吐量均高于原始CoAP。

圖6 在不同節點數L-CoCC、CoCoA++、CoAP 算法吞吐量對比Fig.6 Throughput comparison between L-CoCC，CoCoA++，CoAP algorithms on different nodes number

不同傳輸時間間隔吞吐量對比如圖7 所示。圖7選取節點數目M=100，仿真結果表明，相比CoCoA++算法，L-CoCC算法吞吐量平均提升7.61%，比原始CoAP算法平均提升14.7%。L-CoCC 算法在網絡中以最小重傳數量交付大部分數據包，當發送周期間隔從2 s 增加到30 s 時，由于網絡流量網絡吞吐量從4.62 Mb/s 減少到0.31 Mb/s，但性能仍優于CoCoA++算法和CoAP算法。

圖7 在不同傳輸時間間隔L-CoCC、CoCoA++、CoAP 算法吞吐量對比Fig.7 Throughput comparison of L-CoCC，CoCoA++，CoAP algorithms on different transmisson time intervals

隨著網絡流量增大，網絡開始出現擁塞或沖突，L-CoCC 算法使用3 種基于整體的RTO估計器，從而更精確地估算出RTO值，減少重傳等待時間和虛假重傳次數，及時準確地對RTO進行估算，有效提高了數據包交付的成功率，能夠維持較高的網絡吞吐量。L-CoCC 算法在網絡出現嚴重擁塞或鏈路級沖突時提升了網絡性能。

3.3.2 端到端時延

不同節點數目端到端時延對比如圖8 所示。選取傳輸時間間隔T=10 s，L-CoCC 算法有更低的平均端到端時延。相比CoCoA++算法，L-CoCC 算法平均降低了9.18%。相比CoAP 算法，平均降低了18.31%。在節點數目較少時，CoCoA++算法端到端時延略高于其他兩種算法。

圖8 在不同節點數L-CoCC、CoCoA++、CoAP 算法端到端時延對比Fig.8 End-to-end delay comparison between L-CoCC，CoCoA++，CoAP algorithms on different nodes number

不同傳輸時間間隔端到端時延對比如圖9 所示。選取節點數目M=100，相比CoCoA++算法，L-CoCC 算法的端到端時延平均降低了11.98%，相比CoAP 算法，L-CoCC 算法平均降低了15.47%。當傳輸時間間隔低時，網絡流量較大L-CoCC 算法端到端時延明顯低于其他兩種算法。

圖9 在不同傳輸時間間隔L-CoCC、CoCoA++、CoAP 算法端到端時延對比Fig.9 End-to-end delay comparison between L-CoCC，CoCoA++，CoAP algorithms on different transmisson time intervals

L-CoCC 算法使用三種基于整體的RTO估計器，在擁塞和沖突環境下結合RTT和RTT抖動進行RTO更新，保證了RTO的準確性和實時性。在低網絡流量中，由于CoCoA++算法加入選擇字段且增加了少量控制開銷，所以其延遲略高；當網絡擁塞嚴重時，L-CoCC 算法的時延明顯低于其他兩種算法。

3.3.3 請求成功率

不同節點數目請求成功率對比如圖10 所示。選取傳輸時間間隔T=10 s，相比CoCoA++算法，L-CoCC算法的請求成功率平均提升1.93%；相比CoAP 算法，L-CoCC 算法平均提升3.97%。當入網節點為50 個時，3 個算法的請求成功率都接近88%，隨著入網節點數增加，請求成功率逐漸降低，但L-CoCC 算法表現仍優于CoAP 和CoCoA++算法。

圖10 在不同節點數L-CoCC、CoCoA++、CoAP 算法請求成功率對比Fig.10 Request success rate comparison between L-CoCC，CoCoA++，CoAP algorithms on different nodes number

不同傳輸時間間隔3種算法請求成功率對比如圖11所示，選取節點數M為100，相比CoCoA++算法，L-CoCC算法的請求成功率平均提升2.73%；相比CoAP 算法，L-CoCC算法平均提升了4.34%。在傳輸時間間隔低時，L-CoCC和CoCoA++算法的請求成功率明顯高于CoAP算法，在時間間隔高時三者都接近于94%。

圖11 L-CoCC、CoCoA++、CoAP 算法不同傳輸時間間隔請求成功率對比Fig.11 Request success rate comparison between L-CoCC，CoCoA++，CoAP algorithms on different transmission time intervals

泛在電力物聯網網絡具有結構復雜、穩定性不高特點，易造成信道沖突。L-CoCC 算法可以自適應地調整RTO，避免RTO出現陡增和過度收縮，并且利用RC 字段明確重傳狀態和重傳次數，避免網絡中過度重傳進而確保了高請求成功率。

4 結束語

針對泛在電力物聯網的資源受限特性，以及在應用層通信協議上的局限性，本文提出L-CoCC 算法。在網絡擁塞狀態下，使用3 種RTT估計器對網絡鏈路穩定性進行估計。實驗結果表明，相比CoAP 協議和CoCoA++算法，L-CoCC 算法降低了時延并提高了網絡吞吐量和請求成功率，有效緩解了電力物聯網場景下的網絡擁塞和鏈路沖突。下一步將結合泛在電力物聯網場景，引入動態學習思路，對重傳次數值和更新時間設置進行研究。