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
- 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 [62.557323506605236]
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) - Throughput and Latency in the Distributed Q-Learning Random Access mMTC
Networks [0.0]
mMTCモードでは、何千ものデバイスがスポラジカルにネットワークリソースにアクセスしようとするため、ランダムアクセス(RA)の問題が重要である。
本研究では,送信するパケット数がより多いデバイスを優先する中央ノードから報酬を変動させることにより,分散パケットベースの学習手法を提案する。
計算結果から,分散パケットベースのQ-ラーニング手法は,従来の独立・協調手法よりもスループット・レイテンシのトレードオフがはるかに優れていることがわかった。
論文 参考訳(メタデータ) (2021-10-30T17:57:06Z) - 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) - Multi-scale Interaction for Real-time LiDAR Data Segmentation on an
Embedded Platform [62.91011959772665]
LiDARデータのリアルタイムセマンティックセグメンテーションは、自動運転車にとって不可欠である。
ポイントクラウド上で直接動作する現在のアプローチでは、複雑な空間集約操作を使用する。
本稿では,マルチスケールインタラクションネットワーク(MINet)と呼ばれるプロジェクションベースの手法を提案する。
論文 参考訳(メタデータ) (2020-08-20T19:06:11Z) - 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。