Understanding and circumventing deployed traffic differentiation practices
Notice bibliographique
Résumé
Net neutrality, the principle that Internet Service Providers (ISPs) should treat all Internet communications equally, has been the subject of considerable public debate over the past decade. One specific example of a net neutrality violation is traffic differentiation: giving a better (or worse) performance to certain classes of Internet traffic. Despite the potential impact on content providers and users (e.g., a potential advantage to certain content providers but not others), there is little work that investigates current traffic differentiation practices. My work addresses this need by answering the following key questions: "How prevalent are traffic differentiation practices?","How are these policies implemented?", "What is the impact of these policies?", and "Is there an efficient way to circumvent them?" I argue that even without internal access to either content providers or ISPs, researchers can independently analyze traffic differentiation practices, and Internet users can evade middleboxes that ISPs commonly deploy for enforcing differentiation policies. Specifically, my work uncovers the current deployed traffic differentiation policies, analyzes how are differentiation policies implemented, and infers the impact of these practices on affected applications. With insight into the deployed practices, we evaluate opportunities to mitigate differentiation's impact and develop a system that can automatically circumvent middleboxes that enforce these policies. My work raises awareness of the prevalence of net neutrality violations and provides useful insights for both academia and the general public. More than 100,000 users contributed to the research; the work was covered by numerous media outlets, sparked collaborations with a regulator (Arcep), an ISP (Verizon), a content provider (Amazon AWS), and an open-source project (M-Lab); Legislators including Massachusetts state legislators, federal legislators, the FCC, the FTC, and CRTC in Canada cited my work when proposing new network regulations.--Author's abstract
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».