Предсказание времени приема-передачи с использованием методов машинного обучения

Время приема-передачи (RTT, Round-Trip Time) – время, которое требуется для отправки пакета от отправителя к получателю и возврата подтверждения, что пакет был получен. Алгоритмы управления перегрузками в протоколе TCP косвенно или напрямую используют предсказанные значения RTT для определения перегрузки сети. Основным алгоритмом для прогнозирования RTT на основе взвешенного скользящего среднего является алгоритм Джейкобсона. Однако этот алгоритм может работать не совсем эффективно, если RTT имеет распределение с тяжёлым хвостом, т.е. существуют редкие, но очень большие значения RTT. В этой статье мы предлагаем метод прогнозирования RTT, основанный на обучении с учителем, который может работать как в оффлайн режиме (с заранее собранной обучающей выборкой), так и в онлайн режиме (с поступлением данных в реальном времени и их последовательной обработкой). Полученные результаты показывают улучшение алгоритмов, основанных на машинном обучении, по сравнению с классическим алгоритмом Джейкобсона с точки зрения показателей MAPE, MAE и MSE. Кроме того, показана высокая эффективность онлайн обучения по сравнению с оффлайн обучением в случае дрейфа концепции или дрейфа данных.

1. Mo, J., La, R. J., Anantharam, V., and Walrand, J. (1999, March). Analysis and comparison of TCP Reno and Vegas. In IEEE INFOCOM'99. Conference on Computer Communications. Proceedings. Eighteenth Annual Joint Conference of the IEEE Computer and Communications Societies. The Future is Now (Cat. No. 99CH36320) (Vol. 3, pp. 1556-1563). IEEE.

2. Hernández, José-Alberto, and Iain W. Phillips. "Weibull mixture model to characterise end-to-end Internet delay at coarse time-scales." IEE Proceedings-Communications 153.2 (2006): 295-304.

3. Cerroni, W., Foschini, L., Grabarnik, G. Y., Shwartz, L., and Tortonesi, M. (2017). Estimating delay times between cloud datacenters: A pragmatic modeling approach. IEEE Communications Letters, 22(3), 526 529.

4. Rizo-Dominguez, L., Munoz-Rodriguez, D., Vargas-Rosales, C., Torres-Roman, D., and Ramirez-Pacheco, J. (2014). RTT prediction in heavy tailed networks. IEEE Communications Letters, 18(4), 700 703.

5. Hu, Wen, Zhi Wang, and Lifeng Sun. "Guyot: a hybrid learning-and model-based RTT predictive approach." 2015 IEEE International Conference on Communications (ICC). IEEE, 2015.

6. Dasgupta, B., D. Valles, and S. McClellan. "Estimating TCP RTT with LSTM Neural Networks." Proceedings on the International Conference on Artificial Intelligence (ICAI). The Steering Committee of The World Congress in Computer Science, Computer Engineering and Applied Computing (WorldComp). 2019.

7. Hagos, D. H., Engelstad, P. E., Yazid, A., and Griwodz, C. (2019, October). A deep learning approach to dynamic passive RTT prediction model for TCP. In 2019 IEEE 38th International Performance Computing and Communications Conference (IPCCC) (pp. 1-10). IEEE.

8. Dong, Ai, Zhijiang Du, and Zhiyuan Yan. "Round trip time prediction using recurrent neural networks with minimal gated unit." IEEE Communications Letters 23.4 (2019): 584-587.

9. Berger, Vance W., and YanYan Zhou. "Kolmogorov–smirnov test: Overview." Wiley statsref: Statistics reference online (2014).

10. Berkson, Joseph. "Some difficulties of interpretation encountered in the application of the chi-square test." Journal of the American Statistical Association 33.203 (1938): 526-536.

11. Engmann, Sonja, and Denis Cousineau. "Comparing distributions: the two-sample anderson-darling test as an alternative to the kolmogorov-smirnoff test." Journal of applied quantitative methods 6.3 (2011).

12. Jaworski, Maciej, Leszek Rutkowski, and Plamen Angelov. "Concept drift detection using autoencoders in data streams processing." International Conference on Artificial Intelligence and Soft Computing. Cham: Springer International Publishing, 2020.

13. Nau, Robert. "The mathematical structure of ARIMA models." Duke University Online Article 1.1 (2014): 1-8.

14. Bifet, Albert, and Ricard Gavalda. "Learning from time-changing data with adaptive windowing." Proceedings of the 2007 SIAM international conference on data mining. Society for Industrial and Applied Mathematics, 2007.

15. Gomes, H. M., Bifet, A., Read, J., Barddal, J. P., Enembreck, F., Pfharinger, B., ... and Abdessalem, T. (2017). Adaptive random forests for evolving data stream classification. Machine Learning, 106, 1469 1495.

16. Gomes, H. M., Barddal, J. P., Ferreira, L. E. B., and Bifet, A. (2018, April). Adaptive random forests for data stream regression. In ESANN.

17. Montiel, J., Halford, M., Mastelini, S. M., Bolmier, G., Sourty, R., Vaysse, R., ... and Bifet, A. (2021). River: machine learning for streaming data in python. Journal of Machine Learning Research, 22(110), 1-8.