一种用于包分类的计算方法
分布式、并行与集群计算
2020-07-14 v2 机器学习
网络与互联网体系结构
摘要
多字段包分类是现代软件定义数据中心网络中的关键组件。为实现高吞吐量和低延迟，最先进算法力求将规则查找数据结构放入片上缓存；然而，它们随规则数量的增加扩展性不佳。我们提出一种新方法NuevoMatch，改善了现有方法的内存扩展性。新数据结构——范围查询递归模型索引(RQ-RMI)——是使NuevoMatch能够以模型推理计算替代大部分主存访问的关键组件。我们描述了一种高效的训练算法，保证基于RQ-RMI的分类的正确性。RQ-RMI的使用允许将规则压缩为适合硬件缓存的模型权重。此外，它利用现代CPU中对快速神经网络处理日益增长的支持，例如宽向量指令，实现每次查找数十纳秒的速率。我们使用来自标准ClassBench基准的500K多字段规则进行评估，结果显示与CutSplit、NeuroCuts和TupleMerge这三种最先进算法相比，几何平均压缩因子分别为4.9倍、8倍和82倍，平均吞吐量性能分别提升2.4倍、2.6倍和1.6倍。
引用
@article{arxiv.2002.07584,
title = {A Computational Approach to Packet Classification},
author = {Alon Rashelbach and Ori Rottenstreich and Mark Silberstein},
journal= {arXiv preprint arXiv:2002.07584},
year = {2020}
}
备注
To appear in SIGCOMM 2020