TURBOTEST：通过提前终止互联网速度测试实现“少即是多”
网络与互联网体系结构
2026-05-04 v2 机器学习
摘要
互联网速度测试对用户、运营商和政策制定者而言都是必不可少的，但其基于静态淹 flooding 设计的静态方式施加着日益增长的成本：单个高速测试可传输数百 MB，收集平台如 Ookla、M-Lab 和 Fast.com 每月产生珞bytes 的流量。降低这一负担需要决定在不牺牲准确性的前提下何时可以提前终止测试。我们将此建模为最优停止问题，指出现有启发式方法——静态阈值、BBR 管道满信号或 Fast.com 和 FastBTS 的吞吐稳定性规则——仅捕获可实现的准确性-节省权衡的狭窄切片。本文引入 TurboTest，一个置于现有平台之上的系统化框架，用于速度测试终止。核心思想是将吞吐预测（阶段 1）与测试终止（阶段 2）解耦：阶段 1 训练回归模型，从部分测量估计最终吞吐量；阶段 2 训练分类器，以决定何时已积累足够证据以停止。利用更丰富的传输层特征（RTT、重传、拥塞窗口）以及吞吐量，TurboTest 暴露出一个可调参数 epsilon 用于准确性容忍度，并包含针对高波动情况的后备机制。针对 100 万套 M-Lab NDT 速度测试（2024-2025）的评估表明，TurboTest 比基于 BBR 信号的方法在数据节省方面实现 1.8-4.4 倍，同时降低了中位数误差。这些结果表明，基于自适应机器学习的终止可以在大规模环境下交付准确、高效且可部署的速度测试。
引用
@article{arxiv.2510.21141,
title = {TURBOTEST: Learning When Less is Enough through Early Termination of Internet Speed Tests},
author = {Haarika Manda and Manshi Sagar and Yogesh and Kartikay Singh and Cindy Zhao and Tarun Mangla and Phillipa Gill and Elizabeth Belding and Arpit Gupta},
journal= {arXiv preprint arXiv:2510.21141},
year = {2026}
}