MétaCan
Menu
Retour à la cohorte
Enregistrement W4403636726 · doi:10.1145/3697253.3697271

StarQUIC: Tuning Congestion Control Algorithms for QUIC over LEO Satellite Networks

2024· article· en· W4403636726 sur OpenAlexaff
Victor Kamel, Jinwei Zhao, Daoping Li, Jianping Pan

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueWeb Application Security Vulnerabilities
Établissements canadiensUniversity of VictoriaUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésComputer scienceNetwork congestionSatelliteComputer networkAlgorithmEngineeringAerospace engineering

Résumé

récupéré en direct d'OpenAlex

With the deployment of mega constellations of Low-Earth-Orbit (LEO) satellites, low latency and high throughput Internet coverage is extended globally. Latency-sensitive applications can benefit from the inherent lower transmission delay of LEO satellite networks compared to traditional Geostationary-Earth-Orbit (GEO) satellite networks. Starlink employs a globally time-synchronized controller to manage the association of satellite-to-ground communication links with an interval of 15 seconds, at fixed 12-27-42-57 seconds of every minute. Latency spikes and packet losses can occur during the handover period which can degrade the performance of transport layer protocols including TCP and QUIC, which rely on similar congestion control algorithms for fair data transmission. In this paper, we investigate the impact of the frequent Starlink handover events on QUIC performance. By leveraging the predictable handover patterns to avoid unnecessary congestion window reduction, we improved the performance of QUIC by up to 35% in terms of completion time in both network emulation and real-world experiments over Starlink networks. Our approach is independent of specific loss-sensitive congestion control algorithms and can be easily generalized.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,287
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetWeb Application Security VulnerabilitiesTravaux en français237 207