FENXI：边缘侧的深度学习流量分析
网络与互联网体系结构
2021-05-26 v1 人工智能
摘要
在 ISP 网络的首个汇聚点进行实时流量分析，有助于实施复杂的流量工程策略，但受限于稀缺的处理能力，尤其是基于深度学习(DL)的分析。专用硬件加速器即张量处理单元(TPU)的引入，为增强边缘网络设备处理能力提供了机遇。然而迄今为止，尚无任何数据包处理流水线能够在不干扰网络运行的情况下，在数据平面提供基于 DL 的分析能力。本文中，我们提出 FENXI，一种利用 TPU 运行复杂分析的系统。FENXI 的设计解耦了转发操作与流量分析，二者在不同粒度即数据包与流级别上运行。我们构思了两个独立模块，通过异步通信交换网络数据与分析结果，并设计数据结构以在不影响每包处理的前提下提取流级统计信息。我们在通用服务器上构建了 FENXI 原型，并在对抗性与真实网络条件下进行了评估。分析表明，FENXI 仅需有限资源即可维持 100 Gbps 线速流量处理，并能动态适应可变网络条件。
引用
@article{arxiv.2105.11738,
title = {FENXI: Deep-learning Traffic Analytics at the Edge},
author = {Massimo Gallo and Alessandro Finamore and Gwendal Simon and Dario Rossi},
journal= {arXiv preprint arXiv:2105.11738},
year = {2021}
}
备注
14 pages, 12 figures. Accepted for publication at the Sixth ACM/IEEE Symposium on Edge Computing (SEC'21), December 2021