Российские ученые создали адаптивный метод предсказания сетевых задержек

Каждый раз, когда пользователь открывает веб-страницу, скачивает файл или играет в онлайн-игру, его компьютер отправляет пакеты данных и ожидает подтверждения. Время, за которое пакет доходит до сервера и возвращается обратно, называется RTT (Round-Trip Time). Обычно оно составляет десятки миллисекунд, но именно от него напрямую зависят скорость передачи, реакция на перегрузку и качество пользовательского опыта.

Протокол TCP, основа значительной части интернет-трафика, использует RTT для управления потоком данных. Если пакеты задерживаются дольше ожидаемого, TCP предполагает перегрузку и снижает скорость. Но чтобы определить аномальную задержку, нужно знать эталонное значение. Проблема в том, что RTT крайне непредсказуемо: оно зависит от физического расстояния, пропускной способности, загруженности маршрутизаторов и даже времени суток. Распределение RTT имеет тяжелый хвост — большинство значений невелики, но случаются резкие выбросы в десятки и сотни раз выше нормы.

От алгоритма Джейкобсона к машинному обучению

С 1988 года стандартом предсказания RTT является алгоритм Джейкобсона, основанный на взвешенном скользящем среднем. Он плавно подстраивается под изменения, но плохо справляется с резкими скачками из-за перегрузок или смены маршрутов. Исследователи предложили заменить его моделью машинного обучения — случайным лесом (Random Forest). Модель обучается предсказывать следующее значение RTT на основе истории измерений и дополнительных признаков: TTL (числа хопов до получателя), объема данных «в полете» и предыдущих значений пропускной способности.

Однако модель, обученная на данных одной сети, может оказаться неэффективной в другой: при изменении маршрутизации или резком росте трафика распределение RTT меняется — происходит «дрейф данных». Чтобы решить эту проблему, ученые встроили в систему детектор дрейфа на основе алгоритма ADWIN (Adaptive Windowing). Он непрерывно анализирует ошибки предсказания и, при обнаружении значимых изменений, запускает переобучение деревьев леса, которые стали работать хуже.

Тестирование и результаты

Работа опубликована в «Трудах ИСП РАН» в 2025 году. Для экспериментов собрали датасет из нескольких миллионов TCP-пакетов в трех сценариях: загрузка файлов, онлайн-игра и веб-взаимодействие. Сети различались по ширине канала (10–100 Мбит/с) и расстоянию между узлами (100–1200 км). В офлайн-режиме случайный лес превзошел алгоритм Джейкобсона по всем метрикам: средняя абсолютная процентная ошибка (MAPE), средняя абсолютная ошибка (MAE) и среднеквадратичная ошибка (MSE). MAPE снизилась более чем в три раза: 6,75% против 22,31%.

В онлайн-сценарии, когда модель, обученная на «быстрой» сети, столкнулась с «медленной» с тяжелым хвостом распределения, офлайн-лес деградировал критически — ошибка выросла в несколько раз. Адаптивный случайный лес с ADWIN сохранил приемлемую точность, плавно перестраиваясь на новые условия. Эксперимент подтвердил: онлайн-обучение с детектором дрейфа — практическая необходимость для реальных динамичных сетей.

Иван Степанов, ассистент кафедры информатики и вычислительной математики МФТИ, отмечает: «Алгоритм Джейкобсона был разработан почти 40 лет назад для сетей того времени — гораздо более медленных и однородных, чем современные. Сегодня один TCP-поток может проходить через десятки стран, переключаться между маршрутами и конкурировать за пропускную способность с тысячами других потоков. В таких условиях модели машинного обучения, способные учиться на лету, имеют преимущество. Наш следующий шаг — встроить этот метод непосредственно в реализации TCP и проверить его в реальных условиях».

Интернет давно перестал быть однородной сетью с предсказуемыми задержками. Стриминг видео, облачные игры, видеоконференции и системы управления беспилотниками требуют минимальных и стабильных задержек. Алгоритм управления перегрузкой TCP, остающийся основой большинства интернет-трафика, критически зависит от точности предсказания RTT. Работа ученых МФТИ и ИСП РАН открывает путь к умному, адаптивному управлению, способному справляться с реальной непредсказуемостью сети.