[논문 리뷰] Toward Non-Expert Customized Congestion Control

Mingrui Zhang, Hamid Bagheri외 1명|arXiv (Cornell University)|2026. 01. 30.

Network Traffic and Congestion Control인용 수 0

한 줄 요약

NECC는 대형 언어 모델과 BPF 인터페이스를 활용하여 비전문가가 라이브 스트리밍을 위한 맞춤형 혼잡 제어 알고리즘(CCAs)을 모델링, 구현 및 배포하도록 돕는 탐색적 프레임워크로, 정제, CoT 프롬프트, 풀 생성 및 반복 피드백을 통해 기능적이고 안전한 CCA 코드를 생산합니다.

ABSTRACT

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.

연구 동기 및 목표

• 비전문가 사용자가 맞춤형 CCA를 위한 라이브 스트리밍 요구사항 및 홈 네트워크 정보를 지정할 수 있도록 한다.
• LLMs에 의해 안내되는 코드 정제를 통해 기능적이고 Linux 호환 CCA 코드를 자동 생성한다.
• 네트워크 안전 요구사항 및 배포 검사를 통합하여 안전한 배포를 보장한다.
• 도메인 특화 프롬프트, 반복 피드백 및 후보 프로그램 풀을 활용해 LLM의 한계를 addressed 한다.
• 실제 CCA(예: Cubic, Reno, Vegas, Illinois) 및 라이브-스트림 유사 시나리오로 NECC를 평가하여 성능과 실용성을 판단한다.]
• method:[

제안 방법

• 두 개의 LLM을 사용한다: 사용자 요구사항을 수집하는 모델링 LLM과 코드 정제를 통해 CCA 코드를 생성하는 구현 LLM.
• 커널에 사용자 공간 CCA 코드를 연결하기 위해 BPF 인터페이스를 채택하여 배포를 간소화한다.
• 맞춤형 요구사항을 코드 정제 기준으로 간주하고 처음부터 생성하기보다는 기존 CCA 코드를 정제한다.
• CoT 프롬프트와 네트워크 도메인 피드백을 사용해 정제를 안내하고 단위/변수를 올바르게 수정한다.
• LLM의 확률적 출력 문제를 완화하기 위해 후보 CCA 프로그램 풀을 생성하고 피드백에 따라 반복적으로 정제한다.
• Mininet 기반 에뮬레이션과 BPF 안전성 분석 도구(bpf-tool)를 통한 검증으로 안전성 및 성능 체크를 포함한다.

실험 결과

연구 질문

• RQ1 다양한 LLM 모델과 온도 설정에서 NECC의 성능은 어떠한가?
• RQ2 CoT 프롬프트가 0-shot 프롬프트에 비해 설계 품질 및/또는 코드 품질을 개선하는가?
• RQ3 후보 풀의 크기가 발견된 최적 CCA 품질과 비용에 어떤 영향을 미치는가?
• RQ4 반복 피드백(컴파일, BPF 및 성능)이 기능적이고 안전한 CCA 구현을 달성하는 데 얼마나 효과적인가?
• RQ5 맞춤형 CCAs가 혼잡한 네트워크에서 스트리밍 품질(예: SSIM)을 표준 CCAs보다 개선하는가?

주요 결과

• 0이 아닌 LLM 온도는 설계 다양성을 높이고 균일하고 저품질 출력을 피한다.
• CoT 프롬 prompting은 일반적으로 0-shot 프롬프트보다 설계 품질을 향상시키나, 컴파일 오류가 코드 품질의 이점을 상쇄할 수 있다.
• 더 큰 후보 풀은 높은 만족도의 CCA 프로그램을 얻을 확률을 높이지만 비용은 증가한다.
• 반복 피드백은 코드 품질을 크게 향상시키며, 컴파일 및 BPF 피드백이 특히 효과적이다.
• 맞춤형 CCA(예: NECC가 생성한 Cubic)는 혼잡한 네트워크에서 원래 Cubic보다 SSIM이 더 우수하여 스트리밍 품질 향상의 가능성을 시사한다.