深度学习网络系统的可解释性研究
网络与互联网体系结构
2020-07-03 v3 机器学习
摘要
尽管许多基于深度学习（DL）的网络系统已展现出优越性能，其底层深度神经网络（DNNs）仍是黑箱，对网络运营商而言不可解释。可解释性的缺乏使得基于DL的网络系统难以在实际中部署。本文提出Metis，一个为涵盖局部与全局控制的两类通用网络问题提供可解释性的框架。相应地，Metis引入了基于决策树与超图两种不同解释方法，将DNN策略转换为可解释的规则控制器，并基于超图分析突出关键组件。我们在多个最先进的基于DL的网络系统上评估Metis，表明Metis在提供人类可读解释的同时几乎不造成性能下降。我们进一步呈现Metis的四个具体用例，展示Metis如何帮助网络运营商设计、调试、部署和临时调整基于DL的网络系统。
引用
@article{arxiv.1910.03835,
title = {Interpreting Deep Learning-Based Networking Systems},
author = {Zili Meng and Minhu Wang and Jiasong Bai and Mingwei Xu and Hongzi Mao and Hongxin Hu},
journal= {arXiv preprint arXiv:1910.03835},
year = {2020}
}
备注
To appear at ACM SIGCOMM 2020