Fugu-MT 論文翻訳(概要): A Survey on Congestion Control and Scheduling for Multipath TCP: Machine Learning vs Classical Approaches

論文の概要: A Survey on Congestion Control and Scheduling for Multipath TCP: Machine Learning vs Classical Approaches

arxiv url: http://arxiv.org/abs/2309.09372v1
Date: Sun, 17 Sep 2023 20:33:06 GMT
ステータス: 処理完了
システム内更新日: 2023-09-19 15:50:47.892278
Title: A Survey on Congestion Control and Scheduling for Multipath TCP: Machine Learning vs Classical Approaches
Title（参考訳）: マルチパスTCPにおける混雑制御とスケジューリングに関する調査:機械学習と古典的アプローチ
Authors: Maisha Maliha, Golnaz Habibi and Mohammed Atiquzzaman
Abstract要約: 本稿では,データ駆動型(古典的)とデータ駆動型(機械学習)の2つのアプローチに基づく問題解決手法についてレビューする。本稿では,これら2つのアプローチを比較し,その長所と短所を強調し,コミュニケーションのための機械学習のエキサイティングな領域における将来の研究者の動機付けを目的とした。
参考スコア（独自算出の注目度）: 11.940300796370703
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multipath TCP (MPTCP) has been widely used as an efficient way for communication in many applications. Data centers, smartphones, and network operators use MPTCP to balance the traffic in a network efficiently. MPTCP is an extension of TCP (Transmission Control Protocol), which provides multiple paths, leading to higher throughput and low latency. Although MPTCP has shown better performance than TCP in many applications, it has its own challenges. The network can become congested due to heavy traffic in the multiple paths (subflows) if the subflow rates are not determined correctly. Moreover, communication latency can occur if the packets are not scheduled correctly between the subflows. This paper reviews techniques to solve the above-mentioned problems based on two main approaches; non data-driven (classical) and data-driven (Machine Learning) approaches. This paper compares these two approaches and highlights their strengths and weaknesses with a view to motivating future researchers in this exciting area of machine learning for communications. This paper also provides details on the simulation of MPTCP and its implementations in real environments.
Abstract（参考訳）: マルチパスTCP(MPTCP)は多くのアプリケーションにおいて効率的な通信方法として広く利用されている。データセンター、スマートフォン、ネットワークオペレータは、MPTCPを使用してネットワーク内のトラフィックのバランスをとる。 MPTCPはTCP(Transmission Control Protocol)の拡張であり、複数のパスを提供し、高いスループットと低レイテンシをもたらす。 MPTCPは多くのアプリケーションでTCPよりも優れた性能を示しているが、独自の課題がある。サブフローレートが正しく決定されていない場合、複数のパス(サブフロー)の大量のトラフィックのためにネットワークが混雑する可能性がある。さらに、パケットがサブフロー間で正しくスケジュールされていない場合、通信遅延が発生する。本稿では,データ駆動型(古典的)とデータ駆動型(機械学習)の2つのアプローチに基づいて,上記の問題を解決する手法についてレビューする。本稿では,これら2つのアプローチを比較し,その長所と短所を強調し,コミュニケーションのための機械学習のエキサイティングな領域における将来の研究者の動機付けを目的とした。本稿では,MPTCPとその実環境における実装のシミュレーションについて詳述する。

関連論文リスト

AI Flow at the Network Edge [58.31090055138711]
AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
論文参考訳（メタデータ） (2024-11-19T12:51:17Z)
NetworkGym: Reinforcement Learning Environments for Multi-Access Traffic Management in Network Simulation [27.353473477645576]
本稿では,高忠実度ネットワーク環境シミュレータであるtextitNetworkGymを紹介する。マルチアクセストラフィック分割問題に対する異なるRLベースのソリューションのトレーニングと評価を容易にする。また、Pessimistic TD3 (PTD3) と呼ばれるTD3+BCアルゴリズムの拡張を提案し、最先端のオフラインRLアルゴリズムよりも優れていることを示した。
論文参考訳（メタデータ） (2024-10-30T01:14:33Z)
Modelling Concurrent RTP Flows for End-to-end Predictions of QoS in Real Time Communications [5.159808922904932]
本稿では,QoS(Quality of Service)メトリクスを予測するための新しいディープラーニングフレームワークであるPacket-to-Prediction (P2P)を提案する。我々は,無制限のRTPフローを処理可能な合理化アーキテクチャを実装し,マルチタスク学習パラダイムを用いて4つの重要なメトリクスを1ショットで予測する。我々の研究は、実ビデオ通話中に収集された広範囲なトラフィックに基づいており、P2Pは予測性能と時間効率の両方で比較モデルに優れています。
論文参考訳（メタデータ） (2024-10-21T10:16:56Z)
MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文参考訳（メタデータ） (2023-02-02T18:27:20Z)
Fair and Efficient Distributed Edge Learning with Hybrid Multipath TCP [62.81300791178381]
無線による分散エッジ学習のボトルネックは、コンピューティングから通信へと移行した。 DEL用の既存のTCPベースのデータネットワークスキームは、アプリケーションに依存しず、アプリケーション層要求に応じて調整を施さない。 DELのためのモデルベースと深部強化学習(DRL)に基づくMP TCPを組み合わせたハイブリッドマルチパスTCP(MP TCP)を開発した。
論文参考訳（メタデータ） (2022-11-03T09:08:30Z)
Implementing Reinforcement Learning Datacenter Congestion Control in NVIDIA NICs [64.26714148634228]
渋滞制御 (CC) アルゴリズムの設計は非常に困難になる。現在、計算能力に制限があるため、ネットワークデバイスにAIモデルをデプロイすることはできない。我々は,近年の強化学習CCアルゴリズムに基づく計算軽度解を構築した。
論文参考訳（メタデータ） (2022-07-05T20:42:24Z)
MACC: Cross-Layer Multi-Agent Congestion Control with Deep Reinforcement Learning [14.29757990259669]
Congestion Control (CC)は、ネットワーク容量を効率的に活用するためのコアネットワークタスクである。本稿では,マルチエージェント強化学習に基づく階層間混雑制御アルゴリズムの性能について検討する。
論文参考訳（メタデータ） (2022-06-04T12:02:35Z)
AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文参考訳（メタデータ） (2022-03-05T10:54:05Z)
Flow-Packet Hybrid Traffic Classification for Class-Aware Network Routing [24.947404267499586]
flow-packet hybrid traffic classification (fphtc) 我々は、ルーティングポリシーに基づいてパケットごとにルータが決定するfphtcを紹介する。トラフィックパターンの変更に対して堅牢であり、限られた計算リソースでデプロイできることを示す。
論文参考訳（メタデータ） (2021-04-30T20:30:36Z)
Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文参考訳（メタデータ） (2020-02-22T14:38:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。