Utility Function is All You Need: LLM-based Congestion Control
作者: Neta Rozen-Schiff, Liron Schiff, Stefan Schmid
分类: cs.NI, cs.AI
发布日期: 2026-03-11
💡 一句话要点
GenCC：利用LLM自动生成拥塞控制效用函数，显著提升网络性能
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 拥塞控制 大型语言模型 代码生成 效用函数 网络优化 分布式系统 网络测试平台
📋 核心要点
- 现有拥塞控制协议在面对多样化应用需求时，效用函数设计复杂且耗时，需要大量数学分析和实验。
- GenCC利用LLM的代码生成能力，结合网络测试平台，自动设计拥塞控制效用函数，以适应不同应用需求。
- 实验结果表明，GenCC生成的协议性能优于现有方法，在不同场景下提升幅度达到37%-142%。
📝 摘要（中文）
拥塞是通信网络中一个关键且具有挑战性的问题。拥塞控制协议允许网络应用程序调整其发送速率，以优化其性能和网络利用率。在常见的分布式环境中，应用程序无法直接相互协作，而是通过延迟和丢包测量获得关于网络状态的相似估计。这些测量可以输入到效用函数中，其梯度有助于每个分布式发送者收敛到期望的状态。当每个应用程序具有不同的优化目标和需求时，上述过程变得极其复杂。设计这些效用函数已经成为十多年的研究课题，小的增量变化需要严格的数学分析以及实际实验。本文提出了GenCC，一个利用大型语言模型（LLM）的代码生成能力与真实网络测试平台相结合的框架，用于设计拥塞控制效用函数。使用GenCC，我们分析了不同指导策略对生成协议性能的影响，同时考虑了特定于应用程序的需求和网络容量。结果表明，在生成代码演化策略或数学思维链（CoT）的指导下，LLM可以获得接近最优的结果，将最先进的拥塞控制协议提高37%-142%，具体取决于场景。
🔬 方法详解
问题定义：论文旨在解决在复杂网络环境中，针对不同应用需求，手动设计拥塞控制效用函数效率低、成本高的问题。现有方法需要大量人工干预，且难以适应动态变化的网络条件和多样化的应用需求。
核心思路：论文的核心思路是利用大型语言模型（LLM）的代码生成能力，将拥塞控制问题转化为一个代码生成任务。通过合适的指导策略，LLM可以自动生成满足特定需求的效用函数，从而降低人工成本并提高效率。
技术框架：GenCC框架包含以下主要模块：1) LLM代码生成器：负责根据给定的指导策略生成效用函数代码。2) 网络测试平台：用于评估生成的效用函数在真实网络环境中的性能。3) 指导策略模块：提供不同的指导策略，例如生成代码演化和数学思维链，以引导LLM生成更有效的效用函数。整体流程是：首先，根据应用需求选择合适的指导策略；然后，LLM根据指导策略生成效用函数代码；接着，在网络测试平台上评估生成的效用函数性能；最后，根据评估结果调整指导策略，迭代优化效用函数。
关键创新：最重要的技术创新点在于将LLM的代码生成能力应用于拥塞控制领域，实现了效用函数的自动化设计。与现有方法相比，GenCC无需人工进行复杂的数学分析和实验，大大降低了设计成本和时间。
关键设计：GenCC的关键设计包括：1) 指导策略的选择：论文研究了生成代码演化和数学思维链两种指导策略，并分析了它们对生成协议性能的影响。2) LLM的选择和配置：论文选择了合适的LLM，并对其进行了适当的配置，以提高代码生成质量。3) 网络测试平台的搭建：论文搭建了一个真实的、可配置的网络测试平台，用于评估生成的效用函数性能。
🖼️ 关键图片
📊 实验亮点
实验结果表明，GenCC生成的拥塞控制协议在不同场景下均优于现有方法。具体而言，在某些场景下，GenCC可以将最先进的拥塞控制协议的性能提高37%-142%。实验还表明，不同的指导策略对生成协议的性能有显著影响，生成代码演化和数学思维链是有效的指导策略。
🎯 应用场景
GenCC具有广泛的应用前景，可用于优化各种通信网络的拥塞控制，例如数据中心网络、无线网络和互联网。该研究成果可以帮助网络运营商更高效地管理网络资源，提高网络性能，并为用户提供更好的服务体验。未来，GenCC可以进一步扩展到其他网络优化问题，例如路由选择和负载均衡。
📄 摘要（原文）
Congestion is a critical and challenging problem in communication networks. Congestion control protocols allow network applications to tune their sending rate in a way that optimizes their performance and the network utilization. In the common distributed setting, the applications cannot collaborate with each other directly but instead obtain similar estimations about the state of the network using latency and loss measurements. These measurements can be fed into analytical functions, referred to by utility functions, whose gradients help each and all distributed senders to converge to a desired state. The above process becomes extremely complicated when each application has different optimization goals and requirements. Crafting these utilization functions has been a research subject for over a decade, with small incremental changes requiring rigorous mathematical analysis as well as real-world experiments. In this work, we present GenCC, a framework leveraging the code generation capabilities of large language models (LLMs) coupled with realistic network testbed, to design congestion control utility functions. Using GenCC, we analyze the impact of different guidance strategies on the performance of the generated protocols, considering application-specific requirements and network capacity. Our results show that LLMs, guided by either a generative code evolution strategy or mathematical chain-of-thought (CoT), can obtain close to optimal results, improving state-of-the-art congestion control protocols by 37%-142%, depending on the scenario.