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。

[特定内容]本研究旨在制定基本任务（20K11786：追求理想的拥塞控制以实现零缓冲延迟和100％的链接利用率），如下所示。 [进化1]考虑到网络环境的多样性，可以实现高性能。 [Evolution 2]考虑与瓶颈线上竞争流的亲和力。在这项研究中，目的是结合一种机器学习方法来实现这些发展，但是作为初步步骤，我们还使用没有机器学习的统计方法来检查措施。 As a result, (Research Performance 1) As a result, research results that have been implemented since the previous year, improved fairness was achieved when flows using the congestion control algorithm BBR and CUBIC competed, and was presented at IFIP Networking 2022. Furthermore, (Research Results 2) Research results at the University of Oklahoma have been improved to Copa, a delay-based congestion control algorithm that can achieve high throughput, low latency and即使在发生非主场延迟的网络环境中，公平性也是如此。此外，通过采用机器学习方法（研究性能3），我们确认COPA流可以检测到与BBR或Cubic流的冲突，并估算这些流量的数据传输速度。 [简介]考虑到机器学习方法，我们首先通过使用统计方法来考虑网络多样性和竞争流量之间的亲和力，从而改善了拥塞控制算法。通过引入一种使用机器学习的方法，可以预料，即使在更现实的情况下，也可以达到高吞吐量，低潜伏期和出色的公平性。 [重要性]在IFIP Networking 2022提交的研究论文中，当与BBR和Cubic竞争时，公平性提高了95.4％。

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