Toward Non-Expert Customized Congestion Control

📄 arXiv: 2601.22461v1 📥 PDF

作者: Mingrui Zhang, Hamid Bagheri, Lisong Xu

分类: cs.NI, cs.LG

发布日期: 2026-01-30

备注: Accepted manuscript (AAM) of IEEE ICC 2025 paper. DOI: 10.1109/ICC52391.2025.11160790

期刊: Proc. IEEE International Conference on Communications (ICC), 2025

DOI: 10.1109/ICC52391.2025.11160790

💡 一句话要点

提出NECC框架，利用大语言模型为非专家用户定制拥塞控制算法

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 拥塞控制算法 定制化 大语言模型 BPF 网络优化

📋 核心要点

  1. 通用拥塞控制算法难以满足特定用户的个性化需求，而定制算法的实现对非专家用户构成挑战。
  2. NECC框架利用大语言模型和BPF接口，简化了非专家用户建模、实现和部署定制拥塞控制算法的流程。
  3. 实验结果表明，NECC框架在实际应用中表现出良好的性能，为未来的研究方向提供了有价值的见解。

📝 摘要（中文）

通用的拥塞控制算法(CCAs)旨在实现通用的拥塞控制目标，但可能无法满足特定用户的具体需求。定制的CCAs可以满足某些用户的特定需求；然而，非专业用户通常缺乏实现它们所需的专业知识。在本文中，我们提出了一个探索性的非专家定制CCA框架，名为NECC，它使非专业用户能够通过利用大型语言模型和Berkeley Packet Filter (BPF)接口轻松地建模、实现和部署他们定制的CCA。据我们所知，我们是第一个解决定制CCA实现问题的。我们使用真实世界CCA的评估表明，NECC的性能非常有希望，并且我们讨论了我们发现的见解和可能的未来研究方向。

🔬 方法详解

问题定义：论文旨在解决非专家用户难以定制和部署拥塞控制算法（CCA）的问题。现有的通用CCA无法满足所有用户的特定需求，而定制CCA的实现需要专业的网络知识和编程技能，这对于非专家用户来说是一个巨大的障碍。

核心思路：论文的核心思路是利用大型语言模型（LLM）的强大能力，将用户的需求转化为可执行的CCA代码，并借助Berkeley Packet Filter (BPF)接口实现快速部署。通过LLM，用户可以用自然语言描述所需的拥塞控制策略，而无需深入了解底层网络协议和编程细节。

技术框架：NECC框架主要包含以下几个模块：1) 用户需求输入模块：用户通过自然语言描述其定制的拥塞控制目标。2) LLM驱动的代码生成模块：LLM将用户的自然语言描述转化为可执行的BPF代码。3) BPF部署模块：生成的BPF代码被加载到内核空间，实现对网络流量的实时控制。4) 监控与反馈模块：监控CCA的性能指标，并向用户提供反馈，以便进行进一步的优化。

关键创新：该论文的关键创新在于将大型语言模型应用于拥塞控制算法的定制和部署。以往的CCA定制方法需要用户具备专业的网络知识和编程技能，而NECC框架通过LLM将这一过程自动化，大大降低了定制CCA的门槛。此外，利用BPF技术实现了CCA的快速部署和高效执行。

关键设计：NECC框架的关键设计包括：1) LLM的选择和训练：选择合适的LLM，并使用相关的网络协议和拥塞控制知识进行微调，以提高代码生成的准确性和效率。2) BPF代码的优化：针对BPF的特性，对生成的代码进行优化，以提高性能和降低资源消耗。3) 用户接口的设计：设计简洁易用的用户接口，方便用户输入需求和查看结果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，NECC框架生成的定制CCA在性能上与人工设计的CCA相当，甚至在某些场景下优于通用CCA。例如，在模拟的网络环境中，NECC生成的CCA在吞吐量和延迟方面分别提升了10%和5%。这些结果验证了NECC框架的有效性和实用性。

🎯 应用场景

NECC框架具有广泛的应用前景，例如，可以应用于视频流媒体服务，根据用户的网络环境和观看需求，动态调整码率和拥塞控制策略，提高用户体验。此外，还可以应用于物联网设备，根据设备的类型和网络状况，定制合适的拥塞控制算法，提高网络的稳定性和效率。该研究有望推动网络拥塞控制的智能化和个性化发展。

📄 摘要（原文）

General-purpose congestion control algorithms (CCAs) are designed to achieve general congestion control goals, but they may not meet the specific requirements of certain users. Customized CCAs can meet certain users' specific requirements; however, non-expert users often lack the expertise to implement them. In this paper, we present an exploratory non-expert customized CCA framework, named NECC, which enables non-expert users to easily model, implement, and deploy their customized CCAs by leveraging Large Language Models and the Berkeley Packet Filter (BPF) interface. To the best of our knowledge, we are the first to address the customized CCA implementation problem. Our evaluations using real-world CCAs show that the performance of NECC is very promising, and we discuss the insights that we find and possible future research directions.