基于流特征学习的TCP加速技术

      TCP协议在当今网络环境下主要存在对丢包和拥塞判断不准，以及相应的传输调节机制过于简单、机械和粗暴的问题，从而导致传输吞吐率比较低，传输波动比较大。因此，优化TCP协议是件很有意义的事情，但这件事情远没有那么简单！
       传统TCP和后来一些改进版本，对拥塞的判断要么基于丢包、要么基于时延，很难自适应网络环境的复杂变化，容易出现判断不准确、传输调节不合理的问题。而且丢包也有随机丢包和拥塞丢包之分，这个也是要区别对待的。对于随机丢包，一旦识别出来，就应该立即重传丢失的包（非整个报文）。对于拥塞造成的丢包，就得采用一系列拥塞避免或恢复机制。
       当然，仅凭丢包来判断拥塞是不够的。还是要综合考虑以TCP连接为单位的流特征带来的影响，因此拥塞判据的多元化是一种新的优化思路。流特征最好要涵盖网络传输路径外在特征（丢包、时延及其变化规律）和TCP传输参数（拥塞窗口、慢启动阈值等）两个方面。但这带来一个问题，拥塞判据多了，对网络的认知虽然更全面，但相应的判断逻辑变复杂了，而且如何设计这个逻辑也更难了。
      考虑用人工智能来解决这个问题。如何通过一系列学习算法来对流特征进行学习，获得对网络传输状况的准确认知，分类识别不同的丢包和拥塞场景，并基于对这些网络场景的准确认知，估计可用带宽大小，采取合理的窗口进行传输，既不加重拥塞，也不保守传输，确保带宽利用率最大化。
      如何分类识别丢包和拥塞场景？如果基于机器学习来实现，那么就需要带标签样本来训练学习机，可标签怎么打？根据每轮RTT传输采集到的流特征就能知道此刻是丢包还是没丢包？是随机丢包还是拥塞丢包？拥塞程度怎样？这个怎么实现啊？需要工程经验，还是有某种规律需要发现，抑或玩概率？人工打标签也不能拍脑袋定吧！如果不要标签，类似于无监督学习，那怎么实现对以上场景的识别？如果用概率的方式来实现，那怎么由输入的流特征来计算当前属于哪种场景的概率呢？
      另一种思路，通过状态机来实现流特征学习。将待分类的丢包和拥塞场景定义成几种状态。根据每个RTT采集的流特征向量，经过一系列算法确定状态机该转换到哪种状态？这个算法该怎么设计呢？假设基于连接生命周期内传输历史过程中，曾经采用的状态转换来确定当前应该转换到哪个状态，这个算法一般怎么实现啊？
      很困惑啊，有没有高人指点啊？谢谢啦！