Sep, 2023

多路径TCP拥塞控制和调度的调查：机器学习 vs 传统方法

HTML
PDF
TL;DR该论文讨论了Multipath TCP（MPTCP）在网络通信中的应用，以及其面临的挑战。论文提出了两种解决问题的方法：非数据驱动（经典）方法和数据驱动（机器学习）方法，并对两种方法进行了比较和分析。此外，论文还介绍了MPTCP的模拟和实际应用情况。
发现论文，激发创造
  • MACC: 基于深度强化学习的跨层多智能体拥塞控制

    本研究探讨了基于多智能体强化学习的跨层拥塞控制算法的性能，证明了基于多智能体深度强化学习的网络协议对通信管理的有效性，同时证明了网络领域可以用作机器学习算法的新游戏场。

    Jun, 2022

  • 基于符号化精简的TCP学习型拥塞控制技术

    本文提出一种基于深度强化学习的深度神经网络模型，在模型训练完成后对模型参数进行压缩，转换成可解释且能够适用于不同网络环境的符号表达式，并提供了一种新的符号分支算法，验证了该方法在模拟和仿真环境中能够保留和提高性能。

    Oct, 2022

  • 一种强化学习的方法优化可用网络带宽利用

    本文提出了一种利用深度强化学习的方法来寻找最适宜的并行TCP流数量，以使网络带宽得到合理利用，并确保在争用传输之间的公平性。与规则和贪心算法相比，我们的RL算法可以在未知网络情况下动态发现和使并行TCP流适应不同的网络环境。研究证明，我们的算法可以更快地找到接近最优的解决方案，同时提高达15%的吞吐量，并避免网络拥塞和资源浪费。

    Nov, 2022

  • 基于Soft Actor-Critic的强化学习在真实网络的拥塞控制中的应用

    研究提出了一种基于最大熵强化学习算法的拥塞控制解决方案(MARLIN)，该方法使用软Actor-Critic算法并将学习过程建模为一个无限时间任务，经过实验测试，MARLIN可以在文件传输任务中取得与TCP Cubic可比较的结果。

    Feb, 2023

  • 一种可扩展且可推广的路径损耗图预测

    基于ML的PMNet通过使用有限的RT（或信道测量）数据和地图数据进行训练，可以在几毫秒内高精度地预测位置上的路径损耗，并通过使用迁移学习在快速和高效的情况下学习新的网络场景。

    Dec, 2023

  • 复杂网络中的拥塞控制新型强化学习路由算法

    使用强化学习的路由算法能够控制拥塞和优化路径长度，从而提高网络吞吐量，有效地应用于复杂网络中各种流量场景和拓扑结构，并在实验中显示出最大节点拥塞减少5倍、效率提高30%的结果。

    Dec, 2023

  • 通过中央控制优化数据中心网络中的交互流

    数据中心网络中的两个问题，一是快速通行是一个集中式的零队列数据中心网络，通过重新设计其中央仲裁器的时间片分配器，使其在扩容至12核和支持1024个节点、7.1 Terabits的网络流量方面有线性规模；二是拥塞控制问题，我们提出了一个框架，其中控制器通过适当设置IPv4数据包的ECN位来积极参与终端TCP主机的拥塞控制决策，在一个实现下，在交互式流量的流完成时间方面，与TCP cubic相比提高了30倍，与RED相比提高了1.7倍。

    Oct, 2023

  • MLTCP: 深度神经网络训练的拥塞控制

    我们提出了MLTCP技术，通过将竞争网络带宽的作业的通信阶段相互交错，以有效利用网络，从而增加共享GPU集群中的深度神经网络训练作业的速度。在MLTCP的核心是一个基于关键概念洞察的非常简单的原则：DNN训练流应基于每个训练迭代发送的字节数来调整其拥塞窗口大小。通过向Reno、CUBIC或DCQCN添加30-60行代码，我们证明了将这一原则集成到现有的拥塞控制协议中是直接的：不论竞争流的数量或每个流的开始时间如何，MLTCP将不同作业的流稳定到一个交错状态只需要几个训练迭代。我们对流行的DNN训练作业进行的实验证明，启用MLTCP将平均和第99百分位数的训练迭代时间分别加速了2倍和4倍。

    Feb, 2024

  • 面向公平高效的基于学习的拥塞控制

    Astraea是一种基于深度强化学习的拥塞控制算法，通过多智能体框架并在训练过程中显式优化收敛性质，以实现公平性和稳定性的快速收敛。

    Mar, 2024

  • 通过深度符号回归实现闭式拥塞控制

    该论文提出了一种使用强化学习和深度符号回归来处理5G时代中超低时延和高吞吐场景下拥塞控制问题的方法。通过训练一个专门针对类似前传网络的拥塞控制策略，并采集基准策略的状态-动作经验，使用深度符号回归方法处理实时推理的挑战，从而实现基准策略的性能和泛化能力。该方法能够近似基准性能（链路利用率、延迟和公平性）并可以直接在任何编程语言中实现，并对闭合形式表达式的内部工作进行了分析。

    Mar, 2024