ネットワークの多様性と競合フローとの親和性を考慮した機械学習による輻輳制御の探究

点击翻译按钮获取中文摘要

【具体的内容】本研究では、基課題（20K11786: バッファリング遅延ゼロ・100％リンク利用率を達成する理想的な輻輳制御の追求）を次のように発展させることを目的とする。[発展性1] ネットワーク環境の多様性を考慮し、高性能を実現させる。[発展性2] ボトルネック回線において競合するフローとの親和性を考慮する。本研究においては、機械学習によるアプローチを取り入れて、これらの発展性を実現することを目的とするが、その前段階として、機械学習をもちいない統計学的アプローチによる方策も検討した。その結果、(研究実績1) 前年度から実施していた研究成果として、輻輳制御アルゴリズムBBRとCUBICによるフローが競合する場合における公平性改善を実現し、IFIP Networking 2022で発表した。また、(研究実績2) オクラホマ大学での研究成果として、非輻輳遅延が発生するようなネットワーク環境下においても、高スループット・低遅延・優れた公平性を実現できる、遅延に基づく輻輳制御アルゴリズムCopaの改善を実現した。さらに、(研究実績3) 機械学習によるアプローチを取り入れることで、Copaフローが、BBRフローまたはCUBICフローとの競合を検出できることと、それらのフローのデータ送信速度を推定できることを確認した。【意義】機械学習をもちいたアプローチを念頭に、まず、統計学的アプローチにより、ネットワーク多様性と競合フローとの親和性を考慮した輻輳制御アルゴリズムの改善を実現した。機械学習をもちいたアプローチを導入することで、より現実的な状況においても、高スループット・低遅延・優れた公平性を実現できることが期待できる。【重要性】IFIP Networking 2022で提出した研究論文において、BBRとCUBICによるフローが競合する場合における公平性を最大95.4%改善した。