Mitigating Datacenter Incast Congestion Using RTO Randomization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
TCP incast congestion happens in many-to-one communication workflow patterns that frequently arise in large-scale datacenter applications such as web search, social networks, and cluster-based storage systems. Incast congestion can severely degrade the performance of applications. This paper studies the effectiveness of randomizing the TCP retransmission timeout (RTO) in mitigating the impact of incast. Our design is based on the observation that under incast, retransmitted packets also get synchronized due to the use of similar RTOs by the senders. Using analysis and experimental evaluation, we show that there exists a tradeoff between the randomization interval (from which the RTO values are picked) and the number of senders involved in incast. Motivated by this insight, we propose three algorithms (TDA, MAA, and FSA) for the dynamic adaptation of the randomization interval that rely on (a) successive timeouts, (b) explicit knowledge of the level of multiplexing, and/or (c) the knowledge of flow sizes (i.e., large interval for long flows and a small interval for short flows), respectively. Our results show that these algorithms improve goodput by 1.5x-11x for up to 64 senders and provide greater improvement for larger number of senders. The proposed algorithms can be readily deployed as they do not require any changes in switches or applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle