Achieving Low Delay & High Rate in 802.11ac Edge Networks
Notice bibliographique
Résumé
Provision of connections with low end-to-end latency is one of the most challenging requirements in 5G. In most use cases the target is for < 100ms latency, while for some applications it is < 10ms. In part, this reflects the fact that low latency is already coming to the fore in network services, but the requirement for low latency also reflects the needs of next generation applications such as augmented reality, virtual reality and the tactile internet.\n\nIn this thesis we analyze the end-to-end latency in an edge network where an 802.11ac wireless hop is the bottleneck and queueing delay at the AP is the main source of latency. We demonstrate that queueing delay is coupled to the aggregation level in 802.11ac WLANs and that we can manage the delay by controlling the aggregation level. We implement this algorithm with a simple feedback loop on Linux using MAC timestamps. We also propose and implement a machine learning technique to infer aggregation level from kernel timestamps on Android OS where we do not have access to MAC timestamps. We demonstrate that the aggregation-based rate control policy selects a rate between that of Cubic and BBR. Importantly, the end-to-end one-way delay is more than 20 times lower than that with Cubic and BBR while it induces very few losses. We also propose a passive technique using logistic regression to detect the location of the path bottleneck, i.e. whether the bottleneck is the backhaul link or the wireless hop, and show how measurement of the aggregation level can be used for this purpose. We show that this approach has more than 90% accuracy across a range of different network configurations.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 ».