自动驾驶网络大学课程W12L1 ML技术用于网络II

Week 12 Lesson 1

本周课程的材料是一篇关于预知报文流大小对改进网络性能作用的论文。

文章首先从如果预知了网络报文流大小，并且利用这些信息对报文流进行调度可以显著增强网络性能。

但是实际上很难预知这些信息，以前的研究基于的假设在实际中很难部署，比如通过报文发送前先发送包含Flow size信息的请求报文的方式发布Flow Size，通过TCP buffer占用情况估计Flow Size的方式，利用已发送报文大小的信息估计剩余报文大小，监控系统调用估计报文大小信息等。

文章思考通过ML的方法，尽可能获得网络Flow Size的尽可能精确信息，研究了这些尽可能精确的信息是否能起到相同的作用。

结论：

虽然预知调度能够在各种网络调度问题上带来巨大的性能优势，但它对流量大小的提前了解的假设充其量是过于乐观的。我们对如何获得这些信息的分析揭示了几种情况，在这些情况下，即使我们尽最大努力也注定会失败。从表面上看，这可能会建议将重点放在非透视调度上，但我们认为这种绝对主义是不必要的——我们应该在可用的情况下使用流量大小信息，并检查对更多流量的估计是否会带来调度方面的额外改进。按照这些思路，我们提出了几个启发式方法和一个实际可实现的基于学习的方法，以扩展流规模知识可用的场景。

我们进一步以经验和分析的方式证明，增量地增加这些知识对SRF包调度是有帮助的。对于共流调度，我们发现流大小估计中的小错误被复合，与完全透视共流调度相比，留下了相当大的性能差距。我们还发现，至少对于一些带有部分信息的直觉调度策略，额外的信息会破坏调度，因此需要在未来的工作中对这个问题进行更深入的研究。