

当中央红军得知陕北有刘志丹，当Nick教授得知中国有网络开源生态大会

云深知网络

2024-05-23

导读：他一定会问：

1935年9月

在甘肃伟人从大公报

看到了陕北红军的报道决定

中央红军开赴陕北改写了中国历史

时间回到

2024年的5月

愿意为P4开源布道的

仅剩下Nick教授在谷歌的信徒

ONF 残，Tofino 伤，但 P4 思想放光芒

如果Nick教授

知道在遥远的东方

还有这么多生力军依然

奋斗在P4技术与应用的前线

相信教授一定会说：在哪报名？

扫描二维码或者文末点击阅读原文

无论是Nick教授

给P4做的一些理论规划

还是谷歌在现网做的很多尝试

其实并不是每个厂商都有能力复制

所以P4这个铲子到底适合挖什么宝藏

结合当前热点AI/ML卸载也许是一个突破口

摘要

机器学习被广泛应用于解决各种网络挑战，从流分类、异常检测到网络配置。但是，机器学习过程也需要大量的处理，并且通常会增加网络和服务器的负担。通过引入可编程网络设备实现在网计算，允许在网络内运行应用程序，从而可以提供更高的吞吐量和更低的延迟。至此在网的机器学习解决方案开始出现。

本篇综述介绍了在网机器学习的概念，并提供了全面的分类。调查介绍相关技术，并解释了基于可编程网络设备构建的不同类型的机器学习解决方案。它探讨了在网络中实现的不同类型的机器学习模型，并讨论了相关的挑战和解决方案。在网的机器学习可以显著提升云计算和下一代网络性能，本次综述最后讨论了未来的趋势。

本篇综述涵盖了在网机器学习的定义，阐明了范围，描述了其演变和背景，并提供了支持 P4 的可编程网络设备的最新研究和解决方案。

Lessons Learned

直观地说，在网的机器学习是一个新兴的研究领域，已经引起了人们的广泛兴趣。迄今为止，研究主要集中在将机器学习技术卸载和映射到可编程数据平面上。已经提出并实施了许多机器学习模型及其增强功能。由于网络设备资源有限，因此实现的模型大小受到限制。尽管如此，现有的工作已经证明，在某些用例中可以实现高的机器学习性能，从而在模型大小和准确性之间提供良好的平衡。这使得在网机器学习成为一个很有前途的研究方向。

到目前为止，在网机器学习的应用主要集中在传统的网络用例上，特别是安全应用，如异常检测和DDoS检测和缓解。因为这些设备本质上是大型设备，受益于网络设备的高数据包处理速率，所以另一点就是从延迟减低中受益，例如在金融中的用例。为了支持这些用例，在网机器学习的特征提取同时使用了有状态和无状态特征。扩大在网机器学习部署的一个挑战是自动化工具和框架的可用性有限。只有少数的工作是与框架开发有关，简化的框架有助于加速在网机器学习的采用。

对于基于机器学习的应用，在网的机器学习越来越被认为是可行的计算范式，特别是在网络领域。虽然并非所有基于机器学习的应用程序都能从在网机器学习中受益，但高度数据密集型用例和需要超低延迟的用例是主要场景。随着在网机器学习的部署方法的不断发展，这项新技术的最佳场景仍然在持续讨论中。在短期内，在网机器学习预计不会取代已建立的机器学习加速器例如 GPU。它补充了现有的计算方法，并服务于具有特定要求的用例，识别网络域之外的用例仍然是未来研究的重点。