Когда открывается веб-страница или работает онлайн-игра, компьютер отправляет данные в Сеть и ждет подтверждения. Время, за которое это происходит, называется RTT (Round‑Trip Time – время приема-передачи). Оно влияет на скорость передачи данных и качество пользовательского опыта. TCP использует RTT для управления потоками, снижая скорость при задержках. Однако RTT непредсказуем из-за физического расстояния, пропускной способности и других факторов. Большинство значений RTT невелики, но иногда возникают аномальные задержки.
С 1988 года стандарт предсказания RTT – алгоритм Джейкобсона, формула взвешенного скользящего среднего. Он добавляет к предыдущей оценке долю нового наблюдения, но плохо справляется с резкими скачками RTT из-за перегрузки маршрутизатора или переключения.
Сотрудники Института системного программирования РАН и МФТИ разработали метод предсказания RTT с использованием онлайн-обучения и детектора дрейфа данных. Исследователи предложили использовать модель машинного обучения – Random Forest (случайный лес). Random Forest предсказывает RTT по истории измерений и дополнительным признакам: TTL, объему данных и пропускной способности.
Модель, обученная на данных одной сети, может стать бесполезной в другой из-за изменения маршрутизации или резкого роста трафика, что приводит к дрейфу данных и изменению статистики RTT. Ученые внедрили детектор дрейфа на основе алгоритма ADWIN, который отслеживает ошибки предсказания и инициирует переобучение деревьев леса при значительном изменении их работы.
Ученые протестировали алгоритмы прогнозирования задержки в сети на датасете из миллионов TCP-пакетов в трех сценариях: загрузка файлов, онлайн-игра и веб-взаимодействие. Случайный лес показал лучшие результаты, чем алгоритм Джейкобсона, в офлайн-сценарии, снизив MAPE с 22,31% до 6,75%. В онлайн-сценарии адаптивный случайный лес с детектором дрейфа ADWIN оказался устойчивее, сохраняя точность. Эксперимент подтвердил необходимость онлайн-обучения для динамичных сетей.
Иван Степанов, ассистент кафедры информатики и вычислительной математики МФТИ, отмечает: «Алгоритм Джейкобсона устарел для современных сетей. Модели машинного обучения, способные адаптироваться в реальном времени, имеют преимущество. Следующий наш шаг – внедрение этого метода в TCP для проверки в реальных условиях».
Интернет стал сложным и непредсказуемым, требуя минимальных стабильных задержек для стриминга, игр и видеоконференций. Алгоритмы управления перегрузкой, такие как TCP, критически зависят от точности прогнозирования RTT. Работа ученых МФТИ и ИСП РАН прокладывает путь к адаптивному управлению сетью.
Источник: naked-science.ru
распечатать статью
