La coexistencia de algoritmos de control de congestión heterogéneos causa desigualdad en la red y degradación del rendimiento. Sin embargo, las soluciones existentes sufren de los siguientes problemas: la mala aislamiento reduce el rendimiento general, mientras que la sensibilidad a la configuración complica el despliegue. En este trabajo, proponemos Warbler, un marco de gestión activa de colas (AQM) impulsado por aprendizaje automático. Warbler clasifica los flujos en función de las características del tráfico y utiliza el aprendizaje automático para controlar de manera adaptativa la asignación de ancho de banda para mejorar la equidad. Implementamos y evaluamos el prototipo de Warbler en un switch programable. Los resultados experimentales muestran que Warbler mejora significativamente el rendimiento de la red, logrando un índice de equidad de Jain casi óptimo de 0.99, mientras reduce la latencia al 60% de la línea base, corta la variación a la mitad y ahorra un 43% en el uso del búfer. En términos de escalabilidad, soporta 10,000 flujos largos concurrentes con una latencia inferior a 0.7 s. Warbler tiene un bajo costo y una fuerte adaptabilidad sin necesidad de una configuración precisa, demostrando su potencial para lidiar con CCAs heterogéneos.