CausalSim：一种用于无偏迹驱动仿真的因果框架
机器学习
2023-05-09 v4 人工智能
网络与互联网体系结构
机器学习
摘要
我们提出CausalSim，一种用于无偏迹驱动仿真的因果框架。当前的迹驱动仿真器假设所模拟的干预（例如新算法）不会影响迹的有效性。然而，真实世界的迹常常因迹收集期间算法所做的选择而产生偏差，因此在干预下重放迹可能导致错误结果。CausalSim通过学习系统动态的因果模型以及捕获迹收集期间底层系统条件的潜变量来解决这一挑战。它使用在固定算法集下进行的初始随机对照试验（RCT）来学习这些模型，然后在模拟新算法时将之应用于消除迹数据中的偏差。CausalSim的关键在于将无偏迹驱动仿真映射为一个观测极度稀疏的张量补全问题。通过利用RCT数据中存在的基分布不变性性质，CausalSim实现了一种新颖的张量补全方法，克服了观测稀疏性。我们在真实和合成数据集上对CausalSim进行了广泛评估，包括来自Puffer视频流系统超过十个月的真实数据，结果表明其提高了仿真精度，与专家设计和监督学习基线相比平均误差分别降低53%和61%。此外，CausalSim相较于有偏基线仿真器提供了关于ABR算法的显著不同见解，我们通过实际部署进行了验证。
引用
@article{arxiv.2201.01811,
title = {CausalSim: A Causal Framework for Unbiased Trace-Driven Simulation},
author = {Abdullah Alomar and Pouya Hamadanian and Arash Nasr-Esfahany and Anish Agarwal and Mohammad Alizadeh and Devavrat Shah},
journal= {arXiv preprint arXiv:2201.01811},
year = {2023}
}
备注
NSDI'23 Best Paper Award