В России разработали адаптивный метод предсказания задержек в интернет-сетях

Каждый раз, когда вы открываете веб-страницу, скачиваете файл или играете в онлайн-игру, ваш компьютер отправляет в Сеть пакеты данных и ждет подтверждения об их получении. Время, за которое пакет уходит к серверу и возвращается подтверждение, называется RTT — Round-Trip Time. Это число кажется незначительным — обычно несколько десятков миллисекунд, но от него напрямую зависит скорость передачи данных, реакция на перегрузку сети и общее качество пользовательского опыта.

Протокол TCP, на котором работает значительная часть интернет-трафика, использует RTT для управления потоком данных. Когда пакеты задерживаются дольше ожидаемого, TCP делает вывод о перегрузке сети и снижает скорость отправки. Но чтобы понять, что RTT «слишком велик», сначала нужно знать, каким он должен быть. Именно здесь кроется проблема: RTT — крайне непредсказуемая величина. Оно зависит от физического расстояния между узлами, пропускной способности канала, очередности обработки пакетов на промежуточных маршрутизаторах и даже от времени суток. Распределение RTT имеет «тяжелый хвост»: большинство значений небольшие, но изредка случаются аномальные выбросы — в десятки и сотни раз больше обычного.

Задержка в сетях с тяжелым хвостом распределения: большинство пакетов приходят быстро, но редкие аномальные задержки сильно портят картину / © DriveNets Blog — Latency in AI Networking  Limitation to Solvable Challenge

С 1988 года стандартом предсказания RTT является алгоритм Джейкобсона — формула взвешенного скользящего среднего. Алгоритм добавляет к предыдущей оценке небольшую долю нового наблюдения, постепенно «подстраиваясь» под текущие условия. Но он плохо работает, когда RTT может внезапно подскочить из-за перегрузки маршрутизатора или переключения.

Исследователи предложили заменить алгоритм Джейкобсона моделью машинного обучения — случайным лесом (Random Forest), обученным предсказывать следующее значение RTT по истории предыдущих измерений, а также по дополнительным признакам: TTL (числу хопов до получателя), объему данных «в полете» и предыдущим значениям пропускной способности.

Однако модель, обученная на данных одной сети, может оказаться бесполезной в другой: если сеть изменила маршрутизацию или трафик резко вырос, статистика RTT меняется — происходит «дрейф данных».

Ученые встроили в свою систему детектор дрейфа на основе алгоритма ADWIN (Adaptive Windowing), который непрерывно следит за распределением ошибок предсказания и при обнаружении значимого изменения инициирует переобучение тех деревьев леса, которые стали работать хуже. Работа опубликована в «Трудах ИСП РАН» в 2025 году.

Для тестирования исследователи собрали датасет из нескольких миллионов TCP-пакетов в трех сценариях: загрузка файлов, онлайн-игра и типичное веб-взаимодействие. Сеть варьировалась по ширине канала (10–100 мегабит в секунду) и расстоянию между узлами (100–1200 километров). В офлайн-сценарии случайный лес превзошел алгоритм Джейкобсона по всем трем метрикам: MAPE (средняя абсолютная процентная ошибка), MAE (средняя абсолютная ошибка) и MSE (среднеквадратичная ошибка). Снижение MAPE составило более чем в три раза: 6,75% против 22,31% у Джейкобсона.

В онлайн-сценарии — когда модель, обученная в «быстрой» сети, встретила «медленную» с тяжелым хвостом распределения RTT — разрыв оказался разительным. Офлайн-Random Forest деградировал критически: ошибка выросла в несколько раз. Адаптивный случайный лес с детектором дрейфа ADWIN сохранил разумную 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: «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 телефонной сетью с предсказуемыми задержками. Стриминг видео, облачные игры, видеоконференции в реальном времени, системы управления беспилотниками — все они требуют минимальных и стабильных задержек. Алгоритм управления перегрузкой TCP, остающийся в основе большей части интернет-трафика, критически зависит от того, насколько точно он предсказывает RTT. Работа ученых МФТИ и ИСП РАН показывает путь к умному, адаптивному управлению, которое справляется с реальной непредсказуемостью сети.