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

考虑网络多样性和与竞争流的亲和力，利用机器学习探索拥塞控制

• 批准号: 21KK0202
• 负责人: 内海 哲史
• 金额: $ 9.98万
• 依托单位: Fukushima University
• 依托单位国家: 日本
• 项目类别: Fund for the Promotion of Joint International Research (Fostering Joint International Research (A))
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022 至 2024
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-21KK0202/
• 关键词: BBR; CUBIC; Copa; 非輻輳遅延; 解析モデル; 機械学習; 輻輳制御; 親和性; 多様性; インターネット

【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。

[Details] This study is based on the following topic (20K11786: To achieve the ideal convergence control goal of 100% utilization rate): [Development1] The diversity of the environment is considered and high performance is achieved. [Expandability 2] indicates that the compatibility of the loop should be considered. This paper discusses the development strategy of machine learning. Results: (Study Achievement 1) Fairness improvement in BBR and CUBIC competition cases was achieved in the previous year, and IFIP Networking 2022 was announced. (Research Achievement 2) The research results of the University of Science and Technology show that non-convergence delay occurs in the environment of high quality, high quality, low delay, and excellent fairness. (Study result 3) Mechanical learning is a process of determining the speed of transmission. [Significance] Mechanical learning is a process of convergence control and improvement in the idea, display and statistics of convergence control. Mechanical learning is the most important aspect of learning. [Importance] IFIP Networking 2022 presents a maximum 95.4% improvement in fairness in research papers, BBR and CUBIC.

项目成果

輻輳制御アルゴリズムと解析モデルと公平性（あるいは親和性）

拥塞控制算法、分析模型和公平性（或亲和性）

• 发表时间: 2022
• 作者: 小田 知央;廣川 優;近藤 宇智朗;嶋吉 隆夫;笠原 義晃;内海 哲史
• 通讯作者: 内海 哲史

A New Congestion-Based Congestion Control for Low Latency and Low Packet Drop Rate

一种新的基于拥塞的低延迟和低丢包率拥塞控制

• 发表时间: 2023
• 作者: Satoshi Utsumi;Go Hasegawa
• 通讯作者: Go Hasegawa

インターネットにおけるふくそう制御アルゴリズム

互联网中的拥塞控制算法

• 发表时间: 2023
• 期刊: 電子情報通信学会通信ソサイエティマガジンB-plus
• 作者: 野間崎晃文;河野英太郎;角田良明;内海哲史
• 通讯作者: 内海哲史

Improving Inter-Protocol Fairness Based on Estimated Behavior of Competing Flows

基于竞争流的估计行为提高协议间公平性

• 发表时间: 2022
• 作者: Satoshi Utsumi;Go Hasegawa
• 通讯作者: Go Hasegawa