开放科学（资源服务）标志码（OSID）：

0 概述

2019年，国家电网有限公司提出建设“三型两网”世界一流能源互联网的战略目标^[1]，其核心是建设泛在电力物联网以实现电力业务全面感知、高效处理、便捷应用^[2]，综合应用大数据、云计算、人工智能等新兴通信技术，使电力系统设备和通信技术相融合。目前，电力系统业务发展具有信息采集业务爆发式增长、控制业务末端发展、覆盖范围广等特点^[3-4]。由于泛在电力物联网节点数目众多且范围广，随着越来越多的资源受限影响节点间应用层数据传输效率，进而无法实现电力信息流的泛在互联和有效传输。

为解决物联网设备应用层通信的效率问题，国际互联网工程任务组（The Internet Engineering Task Force，IETF）于2014年提出RFC7252标准协议规范，设计一种基于表征状态转移（Representational State Transfer，REST）架构的合理通用应用层通信协议，即受限应用协议（Constrained Application Protocol，CoAP）^[5]。该协议类似于HTTP协议，常用于低功耗、资源受限网络节点间的通信，主要目标是满足（如物联网）等节点资源受限环境下的特殊需求，实现物联网数据共享^[6]。

合理的拥塞控制是通信可靠传输的必要保证。CoAP协议在RFC7252标准中提供一种基于Stop-and-wait ARQ重传机制^[6]的拥塞控制机制，在默认情况下，重传时间初始值随机从2 s、3 s内选取，此后每次重传时用指数退避算法对重传超时时间（Retransmission TimeOut，RTO）进行指数级更新。但物联网的网络环境往往彼此差别很大，因此这种原始的拥塞控制在物联网环境中无法保证具有良好的数据传输效率。IETF提出一种新的RFC拥塞控制草案（CoAP Simple Congestion Control/Advanced，CoCoA）^[6]，对CoAP原始拥塞控制机制进行改进。CoAP协议获取能够反映当前链路状况的链路往返时间（Round-Trip Time，RTT）并根据RTT自适应地调整RTO，为CoAP协议的拥塞控制机制增加了动态和学习特性。文献[9]提出CoAP物联网应用层通信方案，介绍物联网场景的数据传输，探讨物联网中应用层流服务的必要性。文献[10]提出动态模式选择机制，在CoAP低功耗网络场景下应用层通信有2种操作模式，以降低功耗并最小化延迟。文献[11]对CoAP原始拥塞控制算法与CoCoA算法进行性能和可靠性对比，原始CoAP拥塞控制算法过于保守导致在网络拥塞状态产生高时延和低成功率。文献[12]在CoAP头部增加重传ID字段来解决弱估计器不确定性和在低带宽、高丢包率的链路下存在估计误差的问题，从而显著提高拥塞网络中的吞吐量。文献[13]提出CoCoA协议在网络流量激增和超时重传选择不当时，弱估计器无法准确对RTT进行计算，进而导致RTO出现估计误差，拥塞控制性能明显低于原始CoAP拥塞控制机制。文献[14]采用CoCoA+算法对弱估计器计算进行修改，减少了弱变化对网络传输的影响，并增加了可变后退因子。文献[15]利用CoAP传输带宽延迟进行网络拥塞控制，对发送端的传输速率进行调整，并与估计带宽相匹配实现拥塞控制。

针对泛在电力物联网资源受限特性，本文基于CoAP协议的泛在电力物联网应用层通信协议，提出一种链路稳定性的CoAP拥塞控制（A Link-Stability-Based CoAP Congestion Control，L-CoCC）算法。将泛在电力物联网架构结合CoAP协议进行应用层通信，完成电力业务与通信技术相融合。在此基础上，采用3种自适应RTT估计器来区分链路状态进而估计RTO。

1 泛在电力物联网与CoAP协议

泛在电力物联网的目标是将电力系统和新兴通信产业跨平台相结合，因此，泛在电力物联网场景下的应用层通信协议尤为重要。

1.1 CoAP协议

CoAP协议的设计是为了满足资源受限网络和物联网的应用层通信需求，其协议栈如图 1所示。为满足CoAP协议的轻量级要求，以UDP为传输层协议，数据通过请求/响应模型进行交互。

CoAP协议逻辑上采用双层结构：1）消息层，节点间数据进行交互和拥塞控制；2）请求/响应层，与HTTP类似的资源操作，包括获取资源的GET方法、创建资源的POST方法、更新资源的PUT方法、删除资源的DELETE方法。

CoAP协议共定义了4种消息类型，分别为需要被确认的消息（Confirmable Message，CON）、不需要被确认的消息（Non-Confirmable Message，NON）、应答消息（Ackknowledge Message，ACK）、复位消息（Reset Message，RST）。通过这4种消息，CoAP协议同时实现了物联网场景下的不可靠传输和轻量级的可靠传输。

1.2 泛在电力物联网体系架构

泛在电力物联网将电网中的基础设施、员工、用户以及其所在环境进行互联互通的网络环境，是一种适用于电力业务系统的工业级物联网。其体系架构如图 2所示，在物联网感知延伸层、网络传输层和平台应用层3层架构的基础上增加了边缘计算层。

泛在电力物联网正处在飞速发展阶段，通信网络核心正在搭建，但加入急速增长的终端业务节点后仍面临着通信覆盖力度和可靠性的问题。目前迫切需求一种能够满足电网业务精准负荷控制和智能化管理的应用层通信协议^[16]，泛在电力物联网的网络特点对其通信协议的要求归纳为以下3个方面：1）轻量级，节点数目多且运算能力受限，协议应当尽量简单高效；2）流量控制，节点资源受限通信能力弱，应减少业务负荷量；3）兼容和可拓展性，考虑到将结合大数据、云计算、深度学习等新兴通信技术，协议应当具备兼容、可拓展性以及负载共享功能^[17]。

CoAP协议适用于工业物联网^[18]，最大的优势是其兼容性高，其与已有现成网络架构和传输协议的系统（如智能电表）^[19]完美匹配。

轻量级的CoAP协议适合泛在电力物联网应用场景，但考虑到泛在电力物联网接入节点增多，网络流量负载增大、链路不稳定性等问题，很容易造成网络拥塞，还需进一步研究CoAP协议从应用层额外提供保障可靠性传输的拥塞控制机制^[20]。

2 L-CoCC算法

本文根据泛在电力物联网的链路特点提出一种基于链路稳定性的L-CoCC算法。默认超时重传值$ {R}^{\mathrm{T}\mathrm{O}} $的合理估计是CoAP协议拥塞控制的关键因素^[21]。在$ {R}^{\mathrm{T}\mathrm{O}} $时间内接收方未收到数据包，发送方将该数据包视为丢失，并启动包重传。当$ {R}^{\mathrm{T}\mathrm{O}} $小于实际网络往返时延$ {R}^{\mathrm{T}\mathrm{T}} $时，会造成不必要的虚假重传。但当$ {R}^{\mathrm{T}\mathrm{O}} $过大时，又会造成重传等待时间过长，形成网络拥塞影响传输效率。

2.1 3种$ {\mathit{R}}^{\bf{T}\bf{T}} $估计

L-CoCC算法利用强$ {R}^{\mathrm{T}\mathrm{T}} $、弱$ {R}^{\mathrm{T}\mathrm{T}} $和失败$ {R}^{\mathrm{T}\mathrm{T}} $这3种估计器确定准确的网络链路状态进而估计$ {R}^{\mathrm{T}\mathrm{O}} $，并提供自适应的拥塞控制。L-CoCC算法在请求-响应交互模型中加入重传计数（Retransmission Count，RC）变量，以减小由于物联网环境波动而引起的$ {R}^{\mathrm{T}\mathrm{T}} $负变化。因此使用下界$ {R}^{\mathrm{T}\mathrm{O}} $约束方法，避免了不必要的虚假重传，且老化更新机制限制了R^TO值的有效性，从而提高了所提方案的效率。3种R^TT估计器分别将成功、延迟和失败的包视为强、弱和失败的R^TT。

在CoAP协议中实现的大多数拥塞控制机制的假设只由网络拥塞引起包丢失。但从大规模物联网场景分析，当节点在争夺网络资源时，会出现丢包和延迟，导致节点和通信链路都出现网络拥塞。节点级的网络拥塞大多为数据包延迟，而链路级的拥塞会导致数据冲突。因此，在R^TO测量中，L-CoCC算法同时考虑了链路级拥塞碰撞和节点级拥塞延迟的影响。

L-CoCC算法运行3种R^TT估计器，分别利用不同ACK消息进行R^TT估计，强R^TT表示数据包从客户端节点到服务器节点的成功传输，即时ACK用于计算数据包已成功传输的强R^TT；弱R^TT表示数据包从客户端节点到服务器节点的延迟传输，延迟ACK用于计算在重传中传输数据包的弱R^TT；失败R^TT表示从客户端节点到服务器节点的数据包传输失败，NO ACK用于计算失败的R^TT，对于该R^TT，相同的包已被重新传输，并且最多4次都未能交付，失败R^TT表明存在着链路级的冲突，即有些数据包丢失。根据上述方法，实现了$ {R}^{\mathrm{T}\mathrm{T}} $的自适应计算。

2.2 动态S^R和$ {\mathit{R}}^{\bf{T}\bf{O}} $估计器

L-CoCC算法利用R^TO来确保传输可靠性和最小的重传。CoAP协议默认拥塞机制使用平滑R^TT（S^R）和R^TT抖动值（R^TTVAR）。CoAP协议根据最大延迟和处理延迟来决定数据包传输的R^TT值，在收到第一个R^TT样本后，L-CoCC算法计算R^TO如式（1）~式（3）所示：

$ S_k^{\rm{R}} = \frac{{\sum\limits_{i = 1}^K {R_i^{{\rm{TT}}}} }}{K} $

(1)

其中：平滑时延S^R_k为先前R^TT_S的平均值；K为4。

$ {R}_{k}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}}=(1-\delta )\times {R}_{k-1}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}}+\delta \times \left|{R}_{\mathrm{n}\mathrm{e}\mathrm{w}}^{\mathrm{T}\mathrm{T}}-{R}_{k-1}^{\mathrm{T}\mathrm{T}}\right| $

(2)

其中：$ {R}_{k}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}} $为连续R^TT值的抖动大小，即两个时刻R^TT的差值；$ {R}_{k-1}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}} $为上一时刻往返抖动值；$ {R}_{k-1}^{\mathrm{T}\mathrm{T}} $为上一时刻R^TT值；$ {R}_{\mathrm{n}\mathrm{e}\mathrm{w}}^{\mathrm{T}\mathrm{T}} $为当前R^TT值；δ为1/8。

$ {R}_{k}^{\mathrm{T}\mathrm{O}}={S}_{k}^{\mathrm{R}}+\gamma \times {R}_{k}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}} $

(3)

其中：$ {R}_{k}^{\mathrm{T}\mathrm{O}} $为对第k次重传R^TO预估；γ为往返抖动值的权重比，默认为4。

对于后续传输，每次重传估计都是必须的。超时重传时间总体估计值（$ {R}_{\mathrm{o}\mathrm{v}\mathrm{e}\mathrm{r}\mathrm{a}\mathrm{l}\mathrm{l}}^{\mathrm{T}\mathrm{O}} $）是当前计算的S^R和上一步获得$ {R}_{\mathrm{o}\mathrm{v}\mathrm{e}\mathrm{r}\mathrm{a}\mathrm{l}\mathrm{l}}^{\mathrm{T}\mathrm{O}} $值的平均值。为了避免测量当前R^TO值后R^TO陡增或陡减，$ {R}_{\mathrm{o}\mathrm{v}\mathrm{e}\mathrm{r}\mathrm{a}\mathrm{l}\mathrm{l}}^{\mathrm{T}\mathrm{O}} $保持R^TO值一致增/减。$ {R}_{\mathrm{o}\mathrm{v}\mathrm{e}\mathrm{r}\mathrm{a}\mathrm{l}\mathrm{l}}^{\mathrm{T}\mathrm{O}} $估算如式（4）所示：

$ {R}_{\mathrm{o}\mathrm{v}\mathrm{e}\mathrm{r}\mathrm{a}\mathrm{l}\mathrm{l}}^{\mathrm{T}\mathrm{O}}=\frac{1}{2}\times {S}_{\mathrm{n}\mathrm{e}\mathrm{w}}^{\mathrm{R}}+\frac{1}{2}\times {R}_{\mathrm{o}\mathrm{v}\mathrm{e}\mathrm{r}\mathrm{a}\mathrm{l}\mathrm{l}}^{\mathrm{T}\mathrm{O}}\left(p\right) $

(4)

强R^TT、弱R^TT和失败R^TT分别表示正常网络中、节点级阻塞延迟和链路级冲突的R^TT。运用L-CoCC算法对S^R测量进行了改进，以区分网络拥塞和链路冲突情况。在实际应用场景中，3种R^TT的大小关系是：强R^TT < 弱R^TT < 失败R^TT。用FR、SR和WR分别表示最后4次传输中失败R^TT、强R^TT和弱R^TT的频率。其中，α值总是大于（1-α）。

在链路冲突情况下FR > SR > 0，即失败R^TT的贡献要高于强R^TT。由于链路级别冲突，有更多的数据包被丢弃，只能及时接收到少部分数据包。在这种情况下，拥塞窗口将处于最小状态。链路冲突中的$ {S}_{x}^{\mathrm{R}} $如式（5）所示：

$ {S}_{x}^{\mathrm{R}}=\left((1-\alpha )\frac{{R}_{\mathrm{s}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{n}\mathrm{g}}^{\mathrm{T}\mathrm{T}}}{{S}_{\mathrm{t}\mathrm{i}\mathrm{m}\mathrm{e}}}\right)+\left(\alpha \frac{{R}_{\mathrm{f}\mathrm{a}\mathrm{i}\mathrm{l}}^{\mathrm{T}\mathrm{T}}}{{F}_{\mathrm{t}\mathrm{i}\mathrm{m}\mathrm{e}}}\right) $

(5)

在节点级网络拥塞下WR > FR，即弱R^TT的贡献要高于失败R^TT。因此，发送方在最大程度上增加R^TO，降低了网络拥塞影响，最终提高物联网场景下的通信性能。节点级网络拥塞下的$ {S}_{x}^{\mathrm{R}} $如式（6）所示：

$ {S}_{x}^{\mathrm{R}}=\left((1-\alpha )\frac{{R}_{\mathrm{f}\mathrm{a}\mathrm{i}\mathrm{l}}^{\mathrm{T}\mathrm{T}}}{{F}_{\mathrm{t}\mathrm{i}\mathrm{m}\mathrm{e}}}\right)+\left(\alpha \frac{{R}_{\mathrm{w}\mathrm{e}\mathrm{a}\mathrm{k}}^{\mathrm{T}\mathrm{T}}}{{W}_{\mathrm{t}\mathrm{i}\mathrm{m}\mathrm{e}}}\right) $

(6)

在正常情况下，SR比WT、FR大。因此，无需增加拥塞窗口的$ {S}_{x}^{\mathrm{R}} $如式（7）所示：

$ {S}_{x}^{\mathrm{R}}=\left((1-\alpha )\frac{{R}_{\mathrm{s}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{n}\mathrm{g}}^{\mathrm{T}\mathrm{T}}}{{S}_{\mathrm{t}\mathrm{i}\mathrm{m}\mathrm{e}}}\right)+\left(\alpha \frac{{R}_{\mathrm{w}\mathrm{e}\mathrm{a}\mathrm{k}}^{\mathrm{T}\mathrm{T}}}{{W}_{\mathrm{t}\mathrm{i}\mathrm{m}\mathrm{e}}}\right) $

(7)

将式（5）~式（7）代入式（4），可估计出总体R^TO值。利用3个R^TT估计器来动态自适应调整R^TO值，但是在发端接收ACK时不知道是第几次重传，导致计算出$ {S}_{x}^{\mathrm{R}} $不准确，所以拟加入重传次数RC字段以确定当前是第几次重传并引入R^TO下限机制和老化更新机制。

2.3 RC值和$ {\mathit{R}}^{\bf{T}\bf{T}} $波动估计$ {\mathit{R}}^{\bf{T}\bf{O}} $

在标准CoAP协议中，节点使用消息ID识别所有CoAP确认消息，并帮助系统检测重复的数据包。对于拥塞情况，无法判定发端收到的响应是重传的延迟ACK还是即时ACK。当发端计划向接收节点发出多个连续请求时，对于拥塞场景仅使用消息ID来确定数据包是不够的，在估计R^TO时导致2个问题：1）确定太大的R^TO，比R^TT易导致包延迟，影响网络吞吐量；2）R^TO选择不当小于R^TT，导致不必要虚假重传和网络拥塞造成的数据包丢失。

因此，L-CoCC机制提出利用RC字段来解决R^TT的不公平性^[22]，避免R^TO的陡增和过度收缩。为了附加RC新的字段，使用CoAP协议中头部控制消息的Option选项。利用此字段信息，发端在收到ACK包时提取RC值以明确重传次数。当不发生重传时，RC值被赋值为零。对于每个重新传输的包，RC值递增1。该机制利用RC计数信息，避免了由于$ {S}_{x}^{\mathrm{R}} $和R^TO测量不当而造成意外延迟和损失。

CoAP和L-CoCC机制传输对比如图 3所示。CoAP的原始拥塞控制机制如图 3（a）所示，可以看出节点A收到的ACK包中没有重传信息，无法得知ACK包经历了几次重传，导致无法准确计算R^TT。L-CoCC机制表明节点A能够得到正确的R^TT，因ACK包携带了RC信息。链路冲突情况下L-CoCC机制如图 3（b）所示，发送CON RC=2后，发端收到第一个携带RC的ACK。因此它被认为是弱R^TT，第一个CON请求是一个失败R^TT，因此失败和弱R^TT的频率都为1。当网络畅通时L-CoCC机制如图 3（c）所示，第1个和第2个CON请求都失败，第3次重传后ACK包被即时接收。

与其他拥塞控制机制简单的收包时间减去发包时间计算R^TT不同，L-CoCC算法通过比较具有相同RC值的CON传输时间和ACK的接收时间，使发送方节点测量数据包的实际R^TT。

此外，利用R^TT的波动R^TTVAR对$ {R}_{x}^{\mathrm{T}\mathrm{O}} $进行加权预估，最大限度地减少R^TO在后续传输中不必要的扩展和收缩。$ {R}_{x}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}} $使$ {R}_{x}^{\mathrm{T}\mathrm{O}} $体现出R^TT的变化历史，β的值设为0.125，返回$ {R}_{x}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}} $值如式（8）所示：

$ {R}_{x}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}}=(1-\beta )\times {R}_{x}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}}\left(p\right)+\beta \times ({R}^{\mathrm{T}\mathrm{T}}-{S}_{x}^{\mathrm{R}\mathrm{T}\mathrm{T}}) $

(8)

从图 3（b）可以看出，R^TT大于S^R，因此$ {R}_{x}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}} $的当前值主要依赖于过去的R^TTVAR。相比图 3（c）的R^TT值小于S^R。因此，$ {R}_{x}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}} $值降低。L-CoCC机制采用$ {R}_{x}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}} $和S^R的估计算法区分了拥塞和冲突场景，利用R^TT波动限制了R^TO的上限波动，并有效动态调整R^TO值。与R^TO上限值一样，R^TO的下限也决定了拥塞控制机制的效率。因此，利用R^TO收缩方案成功地限制了R^TO下限值。

2.4 R^TO限制与更新

R^TT的负变化使R^TO比R^TT小，这种情况会导致虚假重传，再次出现高碰撞和拥堵。因此，本文附加了限制R^TO（$ {R}_{\mathrm{l}\mathrm{i}\mathrm{m}}^{\mathrm{T}\mathrm{O}} $）测量中的max（-L，K×R^TTVAR）条件，如式（9）所示：

$ {R}_{\mathrm{l}\mathrm{i}\mathrm{m}}^{\mathrm{T}\mathrm{O}}\left(x\right)={S}^{\mathrm{R}}+\mathrm{m}\mathrm{a}\mathrm{x}(-L, K\times {R}_{x}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}}) $

(9)

其中：L为R^TT的下限，建议初始L值不大于10 s。在随后的R^TO测量中，如果R^TT的负变化增加，则L值增加10；当R^TT出现正变化时，L的值重置为10 s。因此，L-CoCC算法决定了R^TO收缩的最小程度以及CON报文的虚假重发。下限R^TO对拥塞控制机制的影响如图 4所示。

K的值设置为4，$ {R}_{x}^{\mathrm{T}\mathrm{O}} $利用S^R值进行估计，降低了R^TTVAR对弱R^TO估计的影响。从图 4（a）可以看出，由于R^TT值极小，R^TTVAR为负的拥塞控制机制。R^TTVAR大幅减小，导致R^TO急剧减少，并虚假重传。但L-CoCC算法降低了R^TT的L值，因此发送方节点可以在超时之前收到ACK消息，避免了不必要的数据包重传和延迟。

考虑到泛在电力物联网的链路不稳定因素，R^TT变化很快。当估计的R^TO值在一段时间内没有更新时，就执行更新老化。L-CoCC平衡了基于S^R_x的$ {R}_{x}^{\mathrm{T}\mathrm{O}} $和基于$ {R}_{\mathrm{o}\mathrm{v}\mathrm{e}\mathrm{r}\mathrm{a}\mathrm{l}\mathrm{l}}^{\mathrm{T}\mathrm{T}\mathrm{V}\mathrm{A}\mathrm{R}} $的$ {R}_{\mathrm{l}\mathrm{i}\mathrm{m}}^{\mathrm{T}\mathrm{O}} $之间的R^TO值，R^TO值如式（10）所示：

$ {R}_{\mathrm{n}\mathrm{e}\mathrm{w}}^{\mathrm{T}\mathrm{O}}\left(x\right)=\frac{1}{2}\times {R}_{\mathrm{o}\mathrm{v}\mathrm{e}\mathrm{r}\mathrm{a}\mathrm{l}\mathrm{l}}^{\mathrm{T}\mathrm{O}}+\frac{1}{2}\times {R}_{\mathrm{l}\mathrm{i}\mathrm{m}}^{\mathrm{T}\mathrm{O}}\left(x\right) $

(10)

在CoAP中L-CoCC机制使用3种R^TO估计器、R^TO值的下界限制、R^TT波动处理方案和老化概念，提高了在泛在电力物联网场景下的CoAP性能。

3 仿真分析

以网络链路估计为基础从理论上对L-CoCC算法进行定量分析。本文模拟泛在电力物联网场景，选取原始CoAP协议中指数退避机制算法，L-CoCC算法、文献[23]中CoCoA++算法，重复实验分别对3种算法的吞吐量、端到端时延、请求成功率等指标进行比较分析。

3.1 网络拓扑特征

由于泛在电力物联网部署环境的特殊性和复杂性，泛在电力物联网的拓扑结构如图 5所示。树状拓扑将多个子节点连接到中央服务器，中央服务器承担子节点入网、资源调度、数据收集、数据处理等功能。但由于泛在电力物联网资源受限性和传输链路不稳定性，因此节点间通信很容易发生冲突。

3.2 仿真参数设置

本文使用Windows平台上OPENT Modeler 14.5仿真软件，构建了如图 5所示的拓扑仿真测试环境。CoAP消息由每个子节点产生，并定期向拓扑中的中央服务器传输，为了生成不同级别的网络流量，设置不同节点个数M，并将数据传输间隔T设为2~30 s，模拟网络拥塞情况和链路冲突情况。每个节点的发射、接收功率以及通信范围均相同；其中链路带宽设为50 kb/s，模拟资源受限网络场景；消息重传时间初值为2 s，最大重传次数K值设为默认值4。在资源受限环境下网络节点数M不同和数据传输间隔T不同对各性能指标的影响，其具体数值如表 1所示。

3.3 仿真结果分析

依据上述参数设定仿真场景。对4种随机SEED值下的的仿真各重复实验20次，随机种子数不同对应的仿真结果相近，并取整体平均值95%置信区间作为最终的仿真数据进行分析。

3.3.1 吞吐量

选取传输时间间隔T=5 s，不同节点个数的吞吐量对比如图 6所示。仿真结果表明，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协议平均提升34.7%。3种算法在节点数目较少时，吞吐量差别不是很明显，但随着节点数目增加，网络开始出现拥塞状态，因此CoCoA++和L-CoCC算法吞吐量均高于原始CoAP。

不同传输时间间隔吞吐量对比如图 7所示。图 7选取节点数目M=100，仿真结果表明，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算法在网络中以最小重传数量交付大部分数据包，当发送周期间隔从2 s增加到30 s时，由于网络流量网络吞吐量从4.62 Mb/s减少到0.31 Mb/s，但性能仍优于CoCoA++算法和CoAP算法。

随着网络流量增大，网络开始出现拥塞或冲突，L-CoCC算法使用3种基于整体的R^TO估计器，从而更精确地估算出R^TO值，减少重传等待时间和虚假重传次数，及时准确地对R^TO进行估算，有效提高了数据包交付的成功率，能够维持较高的网络吞吐量。L-CoCC算法在网络出现严重拥塞或链路级冲突时提升了网络性能。

3.3.2 端到端时延

不同节点数目端到端时延对比如图 8所示。选取传输时间间隔T=10 s，L-CoCC算法有更低的平均端到端时延。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%。在节点数目较少时，CoCoA++算法端到端时延略高于其他两种算法。

不同传输时间间隔端到端时延对比如图 9所示。选取节点数目M=100，相比CoCoA++算法，L-CoCC算法的端到端时延平均降低了11.98%，相比CoAP算法，L-CoCC算法平均降低了15.47%。当传输时间间隔低时，网络流量较大L-CoCC算法端到端时延明显低于其他两种算法。

L-CoCC算法使用三种基于整体的R^TO估计器，在拥塞和冲突环境下结合R^TT和R^TT抖动进行R^TO更新，保证了R^TO的准确性和实时性。在低网络流量中，由于CoCoA++算法加入选择字段且增加了少量控制开销，所以其延迟略高；当网络拥塞严重时，L-CoCC算法的时延明显低于其他两种算法。

3.3.3 请求成功率

不同节点数目请求成功率对比如图 10所示。选取传输时间间隔T=10 s，相比CoCoA++算法，L-CoCC算法的请求成功率平均提升1.93%；相比CoAP算法，L-CoCC算法平均提升3.97%。当入网节点为50个时，3个算法的请求成功率都接近88%，随着入网节点数增加，请求成功率逐渐降低，但L-CoCC算法表现仍优于CoAP和CoCoA++算法。

不同传输时间间隔3种算法请求成功率对比如图 11所示，选取节点数M为100，相比CoCoA++算法，L-CoCC算法的请求成功率平均提升2.73%；相比CoAP算法，L-CoCC算法平均提升了4.34%。在传输时间间隔低时，L-CoCC和CoCoA++算法的请求成功率明显高于CoAP算法，在时间间隔高时三者都接近于94%。

泛在电力物联网网络具有结构复杂、稳定性不高特点，易造成信道冲突。L-CoCC算法可以自适应地调整R^TO，避免R^TO出现陡增和过度收缩，并且利用RC字段明确重传状态和重传次数，避免网络中过度重传进而确保了高请求成功率。

4 结束语

针对泛在电力物联网的资源受限特性，以及在应用层通信协议上的局限性，本文提出L-CoCC算法。在网络拥塞状态下，使用3种R^TT估计器对网络链路稳定性进行估计。实验结果表明，相比CoAP协议和CoCoA++算法，L-CoCC算法降低了时延并提高了网络吞吐量和请求成功率，有效缓解了电力物联网场景下的网络拥塞和链路冲突。下一步将结合泛在电力物联网场景，引入动态学习思路，对重传次数值和更新时间设置进行研究。