组群编码在车轮型结构下的网络吞吐量分析与优化

在真实的场景中，本章实现了GX-Coding方案，并且和现有的方案进行了比较。在对比中，主要关注吞吐量、时延在不同缓存大小下的性能。

（1）吞吐量。

在不同的网络拓扑结构（如单向Alice-Bob结构、X型和车轮型网络拓扑结构）下，本章的研究验证了GX-Coding方案在吞吐量方面的性能。在单向Alice-Bob拓扑结构中，分别比较了组群编码和无编码两种方案的性能。随后在X型和车轮型拓扑结构下，得到的实验结果如图4-8所示。对于单向Alice-Bob结构，比起无编码方案，GX-Coding方案具有更好的吞吐量性能。特别当虚拟流队列大小为20时，GX-Coding方案下的网络吞吐量达到0.85，而无编码方案下的吞吐量仅为0.65左右。图4-8（a）表明：比起其他的方案，组群编码方案具有最好的吞吐量。而图4-8（b）表示在车轮型拓扑结构下不同策略的吞吐量增益。

上述结果表明，随着缓存容量的增大，吞吐量逐渐上升。然而，GXCoding方案比其他方案在拓扑结构下具有更好的网络吞吐量。而且，当组群编码应用在车轮型拓扑结构下时，网络吞吐量能达到0.9，较其他方案平均提升了15%左右，这是一个非常显著的改进。

（2）时延。

在X型和车轮型拓扑结构下，分别评估了其网络时延性能。得到了图4-9和图4-10。

图4-9描绘了在X型拓扑结构下不同策略的时延性能。可以发现，网络时延随着缓存容量的增大而减少。这主要是由于缓存越大，越多的数据包将得到编码机会，并且在单位时间间隙内，越多的数据将被传输，极大地减少了网络时延。因此，GX-Coding方案比其他三种方案具有更少的网络时延。(www.xing528.com)

图4-8　在X型和车轮型拓扑结构中吞吐量增益图

图4-9　X型拓扑结构中时延对比图

图4-10　车轮型拓扑结构中时延对比图

类似地，在图4-10中，可以得到如下结论：当数据流增加时，网络时延增大。这主要是由于随着数据流的增多，网络负载变大，从而导致时延增大。