论文《Congestion Control System Optimization with Large Language Models》总结与翻译
一、文章主要内容总结
本文聚焦互联网基础设施中的拥塞控制算法优化问题，提出一种基于大型语言模型（LLMs）自动优化拥塞控制算法的新框架，核心内容如下：
- 研究背景与挑战：拥塞控制算法是保障网络稳定性和效率的关键，但现有算法在动态网络环境（如带宽波动、延迟变化、流量模式不可预测）中性能欠佳。利用LLMs优化网络系统面临三大挑战：拥塞控制算法复杂（如BBR算法含30多个函数、超1000行代码），难以通过LLMs从零生成；网络环境动态性强，LLM生成算法直接部署存在效率和正确性风险；全量网络仿真评估计算成本高，难以规模化验证候选算法。
- 核心框架设计
- 算法生成：以广泛使用的BBR拥塞控制算法为基础，向LLMs提供完整源代码，要求其仅输出需更新的函数和变量（而非全量生成），同时结合思维链（Chain-of-Thought）提示技术和高温度（temperature=1）设置，提升生成算法的多样性；选择QUIC协议的用户空间拥塞控制（而非TCP的内核空间），简化修改与多算法并行评估。
- 算法评估：基于真实网络轨迹（宽带、Starlink、4G、5G）构建轨迹驱动的仿真环境，覆盖
