Оптимізація оцінки пропускної здатності за допомогою машинного навчання

Дослідники Meta розробили рішення на основі машинного навчання для вирішення складних завдань оптимізації оцінки пропускної здатності (BWE) та контролю перевантажень для зв’язку в реальному часі (RTC) в рамках набору додатків Meta. На відміну від існуючих методів, таких як WebRTC Google Congestion Controller, які покладаються на ручне налаштування параметрів і часто мають проблеми з балансуванням якості та надійності, підхід Meta спрямований на цілісне вирішення мережевих проблем на різних рівнях.

Поточна система оцінки пропускної здатності в Meta, заснована на Google Congestion Controller, передбачає складні налаштування параметрів, які можуть призвести до неефективності в управлінні різними мережевими умовами. Запропонований Meta підхід за допомогою машинного навчання має на меті спростити цей процес, використовуючи дані часових рядів для автономного налаштування параметрів та аналізу мережі.

Рішення на основі машинного навчання складається з двох ключових компонентів: автономне навчання моделі та налаштування параметрів. На етапі навчання моделі використовуються дані, отримані в реальному часі від виробничих викликів та симуляцій, для класифікації типів мереж та оптимізації параметрів. Поєднуючи шари довготривалої короткочасної пам’яті для обробки часових послідовностей та щільні шари для інших типів даних, архітектура може точно моделювати стан мережі.

Наприклад, модель машинного навчання може виявляти випадкові втрати пакетів і налаштовувати параметри оцінки пропускної здатності для підвищення стійкості мережі. Вона також може прогнозувати перевантаження в сценаріях з низькою пропускною здатністю, проактивно оптимізуючи продуктивність, щоб запобігти зависанню відео та розриву з’єднання.

Експериментальні результати демонструють значне покращення показників надійності та якості в різних типах мереж. Підхід на основі машинного навчання демонструє найкращі результати у прогнозуванні перевантажень, зменшенні частоти обривів з’єднання, покращенні якості відео та зменшенні відсотка зависань. Це демонструє ефективність рішень з використанням машинного навчання порівняно з традиційними налаштуваннями вручну в ефективному націлюванні та адаптації до мережевих умов.

Таким чином, інноваційний підхід Meta на основі методів машинного навчання пропонує надійне рішення для оцінки пропускної здатності та боротьби з перевантаженнями в додатках зв’язку в реальному часі. Використовуючи дані часових рядів і алгоритми машинного навчання для оптимізації параметрів, Meta досягає значного покращення показників надійності, якості та якості обслуговування користувачів у різних мережевих середовищах. Успіх рішень на основі машинного навчання залежить від точного маркування та якості даних, що підкреслює важливість надійних навчальних даних для досягнення оптимальних результатів.