INCC: In-Network Congestion Control With Proactive Bottleneck Awareness
Notice bibliographique
Résumé
Delay-sensitive applications like telemedicine and VR/AR intensify competition for network resources and elevate congestion risks, particularly in mobile networks with highly dynamic link conditions. Traditional end-to-end congestion control methods suffer from prolonged response times, rendering them ineffective for Delay-sensitive applications. To this end, this paper proposes a novel In-Network Congestion Control (INCC) mechanism that accelerates congestion control by enabling network nodes to proactively identify bottlenecks and promptly notify end-hosts. Unlike traditional end-host-centric approaches, INCC facilitates collaborative congestion decision-making between end-hosts and in-network unit. INCC classifies congestion into two phases: “yellow” and “red” based on the local queue length bottleneck awareness and global congestion flow bottleneck statistics. For the “yellow” local congestion phrase, we design an in-network local control algorithm that performs proactive packet dropping and rate adjustment to mitigate emerging congestion. For the “red” global congestion phrase, we design an end-host and network cooperative global congestion control algorithm to make precise sending rate adaptation by proactive bottleneck awareness. We implement INCC via Linux kernel modifications and design three experiments to compare with Cubic, NewReno, and BBR. Experimental results demonstrate INCC has good performance on round-trip time and throughput, achieving 99.03% scheduling fairness in flow contention scenarios. Additionally, INCC has low execution overhead on CPU utilization and realize microsecond computational latency.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».