論文の概要: Unleashing Automated Congestion Control Customization in the Wild

• arxiv url: http://arxiv.org/abs/2505.12492v1
• Date: Sun, 18 May 2025 16:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.264099
• Title: Unleashing Automated Congestion Control Customization in the Wild
• Title（参考訳）: 野生における自動渋滞制御のカスタマイズ
• Authors: Amit Cohen, Lev Gloukhenki, Ravid Hadar, Eden Itah, Yehuda Shvut, Michael Schapira,
• Abstract要約: Congestion Control (CC)は、ストリーミング、ゲーム、AR/VR、コネクテッドカーといったインターネットサービス全体のユーザエクスペリエンスに重要な影響を与える。 伝統的にCCアルゴリズム設計は、多様なアプリケーションドメインやネットワークにまたがって高い性能をもたらす普遍的な制御規則を求める。 我々は,サービスニーズやネットワーク条件に対して,渋滞制御ロジックを自動的にカスタマイズするシステムで運用経験を共有する。
• 参考スコア（独自算出の注目度）: 1.4886886653481182
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Congestion control (CC) crucially impacts user experience across Internet services like streaming, gaming, AR/VR, and connected cars. Traditionally, CC algorithm design seeks universal control rules that yield high performance across diverse application domains and networks. However, varying service needs and network conditions challenge this approach. We share operational experience with a system that automatically customizes congestion control logic to service needs and network conditions. We discuss design, deployment challenges, and solutions, highlighting performance benefits through case studies in streaming, gaming, connected cars, and more. Our system leverages PCC Vivace, an online-learning based congestion control protocol developed by researchers. Hence, along with insights from customizing congestion control, we also discuss lessons learned and modifications made to adapt PCC Vivace for real-world deployment.
• Abstract（参考訳）: Congestion Control (CC)は、ストリーミング、ゲーム、AR/VR、コネクテッドカーといったインターネットサービス全体のユーザエクスペリエンスに重要な影響を与える。 伝統的にCCアルゴリズム設計は、多様なアプリケーションドメインやネットワークにまたがって高い性能をもたらす普遍的な制御規則を求める。 しかし、さまざまなサービスニーズとネットワーク条件がこのアプローチに挑戦します。 我々は,サービスニーズやネットワーク条件に対して,渋滞制御ロジックを自動的にカスタマイズするシステムで運用経験を共有する。 設計、デプロイメントの課題、ソリューションについて議論し、ストリーミング、ゲーム、コネクテッドカーなどのケーススタディを通じてパフォーマンスのメリットを強調します。 本システムは,研究者によって開発された,オンライン学習に基づく混雑制御プロトコルであるPCC Vivaceを活用する。 したがって、渋滞制御のカスタマイズによる洞察とともに、実世界の展開にPCC Vivaceを適用するために学んだ教訓と修正についても論じる。

関連論文リスト

• Communication-Control Codesign for Large-Scale Wireless Networked Control Systems [80.30532872347668]
  無線ネットワーク制御システム(Wireless Networked Control Systems, WNCS)は、ドローン群や自律ロボットなどのアプリケーションにおいて柔軟な制御を可能にする産業用4.0に必須である。 本稿では,マルチ状態マルコフブロックフェーディングチャネル上で限られた無線リソースを共有するセンサやアクチュエータを用いて,複数の制御ループ間の相関ダイナミクスを捕捉する実用的WNCSモデルを提案する。 本研究では,ハイブリッドな動作空間を効率的に処理し,通信制御の相関関係を捉え,疎域変数や浮動小数点制御の入力に拘わらず堅牢なトレーニングを確実にするDeep Reinforcement Learning (DRL)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-10-15T06:28:21Z)
• Validation of critical maneuvers based on shared control [0.0]
  本稿では,自動走行システムにおける臨界操作に対する共有制御方式の有効性について述べる。 提案手法は,低視認性シナリオの克服と横方向の回避行動という,2つの重要な操作に重点を置いている。 その結果,安全性とユーザ受け入れ性が向上し,共有制御戦略の有効性が示された。
  論文  参考訳（メタデータ） (2024-04-05T10:38:33Z)
• A Learning-based Incentive Mechanism for Mobile AIGC Service in Decentralized Internet of Vehicles [49.86094523878003]
  モバイルAIGCサービスアロケーションのための分散インセンティブ機構を提案する。 我々は、AIGCサービスのRSUへの供給と、IoVコンテキスト内のサービスに対するユーザ要求のバランスを見つけるために、マルチエージェントの深層強化学習を採用している。
  論文  参考訳（メタデータ） (2024-03-29T12:46:07Z)
• Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
  接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。 本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T21:38:36Z)
• Learning to Sail Dynamic Networks: The MARLIN Reinforcement Learning Framework for Congestion Control in Tactical Environments [53.08686495706487]
  本稿では, 正確な並列化可能なエミュレーション環境を利用して, 戦術ネットワークの環境を再現するRLフレームワークを提案する。 衛星通信(SATCOM)とUHFワイドバンド(UHF)の無線リンク間のボトルネックリンク遷移を再現した条件下で、MARLINエージェントを訓練することにより、我々のRL学習フレームワークを評価する。
  論文  参考訳（メタデータ） (2023-06-27T16:15:15Z)
• A Deep Reinforcement Learning Framework for Optimizing Congestion Control in Data Centers [2.310582065745938]
  異なるネットワーク環境において高い性能を達成するために,様々な渋滞制御プロトコルが設計されている。 集中制御アクションをマシンに委譲する現代のオンライン学習ソリューションは、データセンターの厳格な時間スケールに適切に収束できない。 我々はマルチエージェント強化学習を利用して、データセンターのエンドホストにおける混雑制御パラメータを動的にチューニングするシステムを設計する。
  論文  参考訳（メタデータ） (2023-01-29T22:08:35Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• A DRL-based Multiagent Cooperative Control Framework for CAV Networks: a Graphic Convolution Q Network [2.146837165387593]
  コネクテッド・オートモービル(CAV)ネットワークは、多車線の廊下で異なる場所で運用されているCAVの集合体として定義することができる。 本稿では,情報融合モジュールと決定プロセッサとして,GCN(Graphic Convolution Neural Network)とDQN(Deep Q Network)を組み合わせた新しいDeep Reinforcement Learning(DRL)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-12T03:53:58Z)
• Leveraging the Capabilities of Connected and Autonomous Vehicles and Multi-Agent Reinforcement Learning to Mitigate Highway Bottleneck Congestion [2.0010674945048468]
  RLをベースとしたマルチエージェントCAV制御モデルを提案する。 その結果、CAVのシェアが10%以下である場合でも、CAVはハイウェイ交通のボトルネックを著しく軽減することができることが示唆された。
  論文  参考訳（メタデータ） (2020-10-12T03:52:10Z)

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。