ترجمه فارسی مقاله ازدحام یا عدم ازدحام: شناسایی و پیش‌بینی از دست رفتن بسته‌ها با استفاده از یادگیری ماشین

چکیده

Packet losses in the network significantly impact network performance. Most TCP variants reduce the transmission rate when detecting packet losses, assuming network congestion, resulting in lower throughput and affecting bandwidth-intensive applications like immersive applications. However, not all packet losses are due to congestion; some occur due to wireless link issues, which we refer to as non-congestive packet losses. In today’s hybrid Internet, packets of a single flow may traverse wired and wireless segments of a network to reach their destination. TCP should not react to non-congestive packet losses the same way as it does to congestive losses. However, TCP currently can not differentiate between these types of packet losses and lowers its transmission rate irrespective of packet loss type, resulting in lower throughput for wireless clients. To address this challenge, we use machine learning techniques to distinguish between these types of packet losses at end hosts, utilizing easily available features at the host. Our results demonstrate that Random Forest and K-Nearest Neighbor classifiers perform better in predicting the type of packet loss, offering a promising solution to enhance network performance.

چکیده به فارسی (ترجمه ماشینی)

تلفات بسته در شبکه به طور قابل توجهی بر عملکرد شبکه تأثیر می گذارد.بیشتر انواع TCP هنگام تشخیص تلفات بسته ، نرخ انتقال را کاهش می دهد ، با فرض احتقان شبکه ، و در نتیجه عملکردهای فشرده پهنای باند مانند برنامه های غوطه وری تأثیر می گذارد.با این حال ، همه تلفات بسته به دلیل احتقان نیست.برخی از آنها به دلیل مشکلات پیوند بی سیم رخ می دهد ، که ما از آن به عنوان ضرر بسته های غیر کنگره یاد می کنیم.در اینترنت هیبریدی امروز ، بسته های یک جریان ممکن است بخش های سیمی و بی سیم یک شبکه را طی کند تا به مقصد خود برسد.TCP نباید نسبت به ضرر و زیان بسته های غیر کنگره به همان روشی که برای خسارات احتقانی انجام می دهد واکنش نشان دهد.با این حال ، TCP در حال حاضر نمی تواند بین این نوع تلفات بسته تمایز قائل شود و بدون در نظر گرفتن نوع از دست دادن بسته ، میزان انتقال آن را کاهش می دهد و در نتیجه توان کمتری برای مشتری های بی سیم ایجاد می شود.برای پرداختن به این چالش ، ما از تکنیک های یادگیری ماشین برای تمایز بین این نوع ضررهای بسته در میزبان های نهایی استفاده می کنیم و از ویژگی های به راحتی در دسترس در میزبان استفاده می کنیم.نتایج ما نشان می دهد که طبقه بندی کننده های همسایه Forest و K-Nearest در پیش بینی نوع از دست دادن بسته عملکرد بهتری دارند و یک راه حل امیدوارکننده برای تقویت عملکرد شبکه ارائه می دهند.