FALCON：基于离线与在线学习的快速精准多路径调度
网络与互联网体系结构
2022-01-25 v1
摘要
多路径传输协议支持不同网络路径的并发使用，有益于快速可靠的数据传输。多路径传输协议的调度器决定如何在不同路径间分配数据包。现有多路径调度器要么遵循预定义策略，要么遵循在线训练策略。在第 5 代（5G）网络与无线局域网（WLAN）中采用毫米波（mmWave）路径引入了时变网络条件，在此条件下现有调度器难以实现快速且精准的适应。本文提出 FALCON，一种基于学习的多路径调度器，可快速精准地适应时变网络条件。FALCON 基于元学习思想，利用离线学习创建一组表征粗粒度网络条件的元模型，并利用在线学习为当前细粒度网络条件引导出特定模型，以推导调度策略应对此类条件。通过迹驱动仿真实验，我们证明 FALCON 在静态与移动网络中分别比最佳最先进调度器高出 19.3% 与 23.6%。此外，我们展示 FALCON 可灵活适配批量传输与 Web 服务等不同应用类型。而且，我们观察到 FALCON 相较其他所有基于学习的调度器具有快得多的适应时间，相较其中最佳者近乎实现 8 倍加速。最后，我们在真实环境中验证了仿真结果，表明 FALCON 能良好适应真实网络的动态性，持续优于其他所有调度器。
引用
@article{arxiv.2201.08969,
title = {FALCON: Fast and Accurate Multipath Scheduling using Offline and Online Learning},
author = {Hongjia Wu and Ozgu Alay and Anna Brunstrom and Giuseppe Caso and Simone Ferlin},
journal= {arXiv preprint arXiv:2201.08969},
year = {2022}
}