基础设施和网络技术的发展促使了各类分布式应用的爆发增长,复杂变化的应用场景使得传输协议的研究再一次成为网络领域的热点。其中拥塞控制作为传输协议的核心机制,近年来在机器学习等技术的推动下不断有新的算法被提出,针对应用需求进行拥塞控制自定义是传输协议发展的趋势。然而这些算法大多都止步于理论仿真,在传输协议中实现甚至部署一直是研究人员的痛点。因此本文研究分析了传输协议发展以来的实现方案,提出了一个面向拥塞控制的用户态自定义传输协议框架CCUTP,并面向分布式机器学习应用的传输需求进行定制化的拥塞控制实现。本文的核心工作如下:（1）通过对比现有传输协议实现方案的优劣,结合面向应用的拥塞控制研究需求,选择基于UDP的用户态传输协议方案,设计并实现了CCUTP协议框架方便快速自定义各类拥塞控制算法。首先,根据拥塞感知方式的不同抽象出三种拥塞控制协议模型:丢包控制机制、时延控制机制、混合控制机制,基于三种模型设计不同的控制事件来适应各类拥塞控制算法。其次,CCUTP实现了统一的数据传输功能,将基础传输与拥塞控制解耦,使算法研究屏蔽底层通信,达到快速自定义拥塞控制的目的。最后介绍了CCUTP自定义拥塞控制的开发流程,基于CCUTP对应抽象模型,实现了三种拥塞控制算法TCP-Reno、Verus和DMLCC,验证了框架的可行性。（2）分布式机器学习是一种典型分布式应用,本文基于上述框架进一步研究了面向分布式机器学习应用的自定义拥塞控制。针对分布式机器学习应用场景下的长尾流和有限丢包容忍的传输特点,设计实现了基于在线学习的拥塞控制算法DMLCC。拥塞感知方面,DMLCC将时延梯度、丢包率、吞吐作为拥塞信息,通过效用函数将拥塞信息转化为效用值,更细粒度地感知网络状态;速率控制方面,DMLCC根据效用值的变化直接控制数据包的发送间隔,不受窗口大小的限制,能够尽可能提高吞吐来降低流完成时间。最后和分布式机器学习常用的TCP拥塞控制算法进行对比测试,结果表明DMLCC在低丢包率下相比TCP能提高至少两倍带宽利用率,能够更快的完成大数据量的传输。