Congestion control safety using in-band network telemetry and eBPF

Abstract

Congestion Control Algorithms limit the end hosts’ transmission rates, preventing the depletion of network resources. Typically, these systems focus only on fair resource allocation between competing flows. However, thinking only about fairness is insufficient: novel ML-powered congestion control mechanisms may be unpredictable, and even some of the already widely adopted congestion control mechanisms may still harm the network operation in some scenarios. In this context, it is important to also think about the safety of those systems. In this work, we present and analyze formally the concept of safety in congestion control. We use this formalization to design and implement SafeNetCC, a system capable of improving safety of potentially unsafe congestion control mechanisms. Our results show that SafeNetCC can improve network safety, reducing delays and improving fairness, even when incompatible congestion controls coexist in the same network. We evaluated SafeNetCC in an emulated scenario, considering both shallow and deep buffered networks. We observed a reduction on average RTTs of up to 77%, and of tail latencies up to 76% . We also observed fairness improvements, specially for incompatible congestion controls.

Algoritmos de Controle de Congestionamento limitam as taxas de transmissão dos nós finais, evitando a exaustão dos recursos da rede. Tipicamente, esses sistemas focam apenas na alocação justa de recursos entre fluxos concorrentes (fairness). No entanto, pensar somente em fairness é insuficiente: novos mecanismos de controle de congestionamento baseados em Aprendizado de Máquina podem ser imprevisíveis, e até mesmo alguns dos mecanismos já amplamente adotados podem prejudicar a operação da rede em certos cenários. Nesse contexto, é importante também considerar a segurança funcional (safety) desses sistemas. Neste trabalho, apresentamos e analisamos formalmente o conceito de safety em controle de congestionamento. Usamos essa formalização para projetar e implementar SafeNetCC, um sistema capaz de oferecer melhorias em safety para controles de congestionamento potencialmente inseguros. Nossos resultados mostram que o SafeNetCC pode melhorar métricas de safety da rede, reduzindo latências e melhorando fairness, mesmo quando controles de congestionamento incompatíveis coexistem na mesma rede. Nós avaliamos SafeNetCC em um cenário emulado, considerando redes com buffers rasos e profundos. Observamos uma redução de latências médias de até 77% e latências de cauda de até 76%. Também observamos melhorias em fairness, especialmente para controles de congestionamento incompatíveis.