CCA 重新构想：大型语言模型用于拥塞控制的探索性研究
网络与互联网体系结构
2026-04-07 v1
摘要
在本文中，我们进行了一项以仿真为指导的研究，系统地探讨了大型语言模型（LLM）驱动拥塞控制的可行性。探索分为两个阶段。第一阶段降低整体风险，我们隔离了 LLM 在单一关键拥塞避免阶段中的作用，以便安全地研究何时调用 LLM、提供何种信息以及如何制定 LLM 指令。基于获得的洞察，我们将 LLM 的角色扩展到多个拥塞控制阶段，并提出了一种更通用的基于 LLM 的拥塞控制策略。我们在静态和动态网络轨迹上的评估表明，与传统 CCA 相比，基于 LLM 的方案可将延迟降低高达 50%，且吞吐量损失极小（例如低于 0.3%）。总体而言，我们的探索性研究证实了 LLM 用于自适应和通用拥塞控制的潜力，表明当赋予适当的控制自由并配以有效的触发机制时，基于 LLM 的策略可实现显著的性能提升，特别是在高度动态的网络条件下。
引用
@article{arxiv.2604.03857,
title = {CCA Reimagined: An Exploratory Study of Large Language Models for Congestion Control},
author = {Xiaoxuan Qin and Yufei Wang and Longfei Shangguan},
journal= {arXiv preprint arXiv:2604.03857},
year = {2026}
}