Computers Can Learn from the Heuristic Designs and Master Internet Congestion Control 论文阅读

论文地址在这里。

这篇文章是纯输出观点，没有原文部分。原文部分也不想写了，直接开喷吧。

就是说这个用 ML 去做 CC 可不可行的问题，皮鞋哥有一篇文章来阐述这个事情，就是说它可能是可以借鉴的，毕竟现在的 CC 并不能被公理化证明它就是最优的，反而有很多模糊地带需要做 tuning。我和学弟有一次交流也讨论到这一点了，但是我们觉得 CC 里面有些决策并不影响拥塞水平（这里需要参考 Bolt 那篇文章，DC 内有些 CC 决策失误会很大程度影响拥塞水平），而 ML 要做的是一次决策失误可能出现严重影响的场景。当时的结论是 ML 没必要，现在看来可以重新考虑一下是否可以借鉴某些思路来做 CC。我其实感觉 CC 和控制理论是强相关的，但是由于网络的复杂性，很容易导致内部混沌，并不是一个简单的反馈系统，这又是另一个点了，不是很懂，但是感觉很难。

其实也有一些用 ML 来做 CC 的 paper，比如 QTCP，TNSE 2019 的，就是用强化学习做 CC。论文没太细看，但是这个论文说不用在线，用离线的强化学习，他可能有自己的想法。上来来个 Disclaimer，Note that mastering a task does not necessarily mean achieving the optimal performance. 那不达到 optimal performance 要你干啥，现在的 CC 如果说是 mastering a task，那这个工作就和以前的 CC 一样，如果说自己是唯一一个 mastering a task，那后面也没证明，话说的一股 AI 味。中间那图画得比我 PPT 好看多了，可能是在这个领域我看的论文里图画的最牛的一个了，公式又列一堆，整损失函数呗，然后实验搞了个和其他 CC 的 Avg. Normalized 吞吐量和时延对比，说你吗呢，绝对的多大吞吐，多少时延都没说，一平均高其他 CC 挺多，高你吗呢，绝对数值高他吗几 M 平均下来都能高 0.1 左右，最后来 10 个附录，服啦，request 一个 review 意见就多个附录呗。

总之是 AI 味非常非常重的一篇文章，谁他吗审的稿能让这种玩意上的，不是很懂。ML 做 CC 确实是要走一段路，但是纯 AI 做感觉真不行，你至少公布一下绝对吞吐量和时延吧。