XiaoMi-AI文件搜索系统
World File Search System数据平面
通过 NN 迈向高级智能网络数据平面...
新兴的可编程网络引发了对智能网络数据平面 (INDP) 的大量研究，该平面实现了基于学习的线速流量分析。INDP 中的现有技术专注于在数据平面上部署树/森林模型。我们观察到基于树的 INDP 方法的一个基本限制：尽管可以在数据平面上表示更大的树/森林表，但数据平面上可计算的流特征从根本上受到硬件约束的限制。在本文中，我们提出 BoS，通过以线速实现神经网络 (NN) 驱动的流量分析来突破 INDP 的界限。许多类型的 NN（例如循环神经网络 (RNN) 和转换器）旨在与顺序数据一起工作，它们比基于树的模型具有优势，因为它们可以将原始网络数据作为输入，而无需进行复杂的特征计算。然而，挑战是巨大的：RNN 推理中使用的循环计算方案与网络数据平面上使用的匹配动作范式有着根本的不同。BoS 通过以下方式应对这一挑战：（i）设计一种新颖的数据平面友好型 RNN 架构，该架构可以在有限的数据平面阶段执行无限的 RNN 时间步骤，从而有效实现线速 RNN 推理；（ii）用基于非开关变压器的流量分析模块补充开关上 RNN 模型，以进一步提高整体性能。我们使用 P4 可编程交换机作为数据平面实现了 BoS 的原型，并在多个流量分析任务中对其进行了广泛的评估。结果表明，BoS 在分析准确性和可扩展性方面均优于最先进的技术。
TimeGAN作为可编程数据平面中强化学习培训的模拟器
摘要 - 这项研究探讨了时间序列GAN在可编程数据平面（PDP）中的应用，以增强计算机网络的背景下，特别是在视频应用程序中。我们应对各种挑战，包括数据集扩展，平衡和实际设置中的扩展RL培训时间。通过利用TimeGAN生成的综合数据，我们加速了实验，增强数据集多样性并简化RL模型训练，最终使用RL试剂评估了PDP的实时设置的TimeGAN对真实设置的性能。这项研究通过直接比较GAN使用率和真实设置，弥合计算机网络文献中的差距，并突出了由RL模型训练的RL模型获得的99％的服务质量相似性，确认TimeGan的潜力是有价值的模拟器，而无需损害RL训练效率。索引术语 - 机器学习，生成对抗网络 - 自主管理
云原生数据平面 (CNDP) - 概述
人们对与云原生范式更契合的数据平面软件开发环境的需求正在快速增长。虚拟化数据包处理应用程序可能难以通过云原生平台有效地自动化和编排，因为它们具有专用的资源需求、复杂的软件管理模型（驱动程序、内核、软件版本和固件）以及调试和监控的难度。这些限制与云原生设计原则是正交的。因此，没有明确的路径从虚拟网络功能 (VNF) 迁移到云原生网络功能 (CNF)，导致创建复杂的部署和管理模型来运行移植的应用程序和服务。这些遗留应用程序不是为云原生范式设计的，并且正在追溯适应这个世界。
量子数据平面开销对吞吐量的影响
当前，尽管仍然缺少量子数据平面和量子控制平面之间的标准区别，但初步工作表明，在功能上，以单个Qubits和纠缠对的粒度运行的经典控制消息是在功能上，而与控制平面消息更接近经典数据包头。因此，通过为其整体开销做出贡献，它们被视为量子数据平面的一部分。因此，需要在量子互联网中重新定义吞吐量的概念。这篇论文的目的是阐明这一关键方面。具体来说，我们进行了理论分析，以了解确定量子数据平面上开销的因素及其对吞吐量的反射。该分析对于设计任何有效的量子通信方案至关重要且初步。具体来说，我们在不同情况下得出了吞吐量的封闭形式表达式，并披露了吞吐量，纠缠吞吐量和经典比特率之间的非线性关系。最后，我们通过在IBM Q-体验平台上进行的数值结果来验证理论分析。
