MétaCan
Menu
Retour à la cohorte
Enregistrement W4416706962 · doi:10.1109/tmc.2025.3637283

PEP-Policer: Eliminating the On-Off Traffic Pattern in PEP Over Satellite Networks

2025· article· W4416706962 sur OpenAlexaff
Zhe Chen, Lin Wang, Yue Gao

Notice bibliographique

RevueIEEE Transactions on Mobile Computing · 2025
Typearticle
Langue
DomaineComputer Science
ThématiqueNetwork Traffic and Congestion Control
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesnon disponible
Mots-clésGoodputGeostationary orbitLimitingSatelliteNetwork congestionCommunications satellite

Résumé

récupéré en direct d'OpenAlex

Performance Enhancement Proxies (PEPs) are widely used to improve TCP performance in geostationary orbit (GEO) satellite networks, which experience long RTT (approximately 500 ms). As a split TCP-based solution, PEP divides the end-to-end connection into multiple sub-connections, each independently managing its own rate control, including both congestion and flow control. This independence naturally leads to rate imbalances, manifested as an abnormal on-off traffic pattern-a phenomenon confirmed by our experimental observations in real-world GEO satellite networks. Furthermore, we demonstrate that this on-off traffic pattern not only undermines fairness but also reduces throughput, particularly for small-sized flows. To address this problem, we propose PEP-Policer, an automatic rate limiter for PEP to limit the link with higher rate to the lower one. Unlike traditional rate limiting methods that require manual configuration of the target rate, PEP-Policer employs a finite state machine to automatically determine and enforce the appropriate target rate. Moreover, as an add-on, PEP-Policer is compatible with all PEP-based solutions and can be integrated without modifying existing systems. Extensive evaluations in an emulated GEO satellite network show that PEP-Policer improves TCP's fairness and increases goodput by up to 63.0% for Cubic, 49.6% for BBR, and 88.6% for Hybla.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,888
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0020,000
Communication savante0,0010,000
Science ouverte0,0020,000
Intégrité de la recherche0,0000,003
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,008
Tête enseignante GPT0,251
Écart entre enseignants0,243 · 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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Mobile ComputingMême sujetNetwork Traffic and Congestion ControlTravaux en français237 207