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