Meta-DAMS: Delay-Aware Multipath Scheduler using Hybrid Meta Reinforcement Learning
Notice bibliographique
Résumé
The deployment of multipath transport protocols in the mobile environment can enhance the performance of delay-sensitive applications by enabling the simultaneous use of several network paths, resulting in faster data transmission. However, due to the heterogeneity of network paths, packets may not arrive on time or in order, affecting the performance of delay-sensitive applications. Therefore, a well-designed multipath scheduler is important to distribute data packets efficiently to guarantee the per-packet delay requirement. In this paper, we propose Meta-DAMS, a delay-aware learning-based multipath scheduler, aiming to ensure that end-to-end delay is below a predefined threshold for delay-sensitive applications. We introduce a hybrid meta reinforcement learning (meta-RL) architecture for Meta-DAMS in which offline meta-RL and online meta-RL are used to learn the optimal scheduling policy quickly and accurately in response to highly dynamic network conditions. Based on trace-driven emulation experiments, we demonstrate that Meta-DAMS surpasses state-of-the-art MP schedulers, ensuring a delay of 50 ms or less for 98% of packets after sufficient operational episodes, compared to the 83% achieved by existing MP schedulers. Even in initial operational episodes, Meta-DAMS maintains its superiority, guaranteeing 94% of packets with a delay of 50 ms or less, while the performance of the DQN-based MPQUIC scheduler drops to 72%. Meta-DAMS exhibits nearly triple the efficiency in terms of runtime compared to the DQN-based MPQUIC scheduler across varying episode numbers.
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 | 0,001 | 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».