RNNを用いたTCP輻輳ウィンドウ減少量調整手法の実現可能性評価

• Item type: Trans(1)
• 公開日: 2024-03-26
• タイトル: RNNを用いたTCP輻輳ウィンドウ減少量調整手法の実現可能性評価
• タイトル / 言語: en
• タイトル: Feasibility Study for Adjusting TCP Congestion Window Reduction using RNN
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 輻輳制御アルゴリズム，TCP，オペレーティングシステム，ニューラルネットワーク，RNN
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 筑波大学
• 著者所属: 筑波大学
• 著者所属: 筑波大学
• 著者所属: トヨタ自動車
• 著者所属(英): en
• 著者所属(英): University of Tsukuba
• 著者所属(英): en
• 著者所属(英): University of Tsukuba
• 著者所属(英): en
• 著者所属(英): University of Tsukuba
• 著者所属(英): en
• 著者所属(英): Toyota Motor Corporation
• 著者名: 風間, 龍; 児嶋, 陽平; 阿部, 洋丈; 李, 忠翰
• 著者名(英): Ryu, Kazama; Yohei, Kojima; Hirotake, Abe; Chunghan, Lee
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: Recurrent Neural Network（RNN）による帯域予測を用いることで，既存の輻輳制御アルゴリズムのスループット改善が期待できる．しかし，先行研究における性能評価は，シミュレーションデータを用いてのみ行われている．実環境は，シミュレーションと比較して，様々な要因が影響するため，同等の予測性能が出るとは限らない．そのため，この手法は実環境でも十分な予測性能が出るかを検証する．本研究では，多様な環境における性能を評価するため，2つの実環境で通信を計測し，パケットキャプチャデータ収集した．そして，パケットキャプチャデータから，各環境に適した学習用データを生成する2種類の手法を提案する．実験の結果，環境ごとに適した手法とのペアでは，Accuracyはおよそ0.67，0.63であった．また，結果を分析し，環境ごとに適した手法が異なることを明らかにした．さらに，将来的な予測性能の向上のためのアプローチとして，学習データの教師ラベルの分布に着目し，分析と考察を示した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Congestion control algorithms using recurrent neural network (RNN) for bandwidth prediction are expected to improve throughput. Previous studies involving performance evaluations were only conducted using simulated data. However, a gap of simulation and real-world environments is large. Thus, we cannot expect equivalent prediction accuracy. Therefore, we will investigate whether our RNN-based prediction method provides better prediction accuracy in a real-world environment. To evaluate performance in various environments, we measured communications in two real-world environments and collected packet trace data. We proposed two methods to generate training data for each environment from the packet trace data. The results showed that the prediction accuracy of the effective methods are approximately 0.67 and 0.63 for each real-world environment. We found that the effective method on each environment is different. Finally, we focused on the distribution of labeled training data for improving the prediction accuracy.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11833852
• 書誌情報: 情報処理学会論文誌コンピューティングシステム（ACS）; 巻 17, 号 1, p. 1-12, 発行日 2024-03-26
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7829
• 出版者 / 言語: ja
• 出版者: 情報処理学会