神经包分类
网络与互联网体系结构
2019-02-28 v1 人工智能
机器学习
摘要
包分类是计算机网络中的基本问题。该问题在计算复杂度和状态复杂度之间呈现出艰难的权衡，这使其尤其具有挑战性。为应对此权衡，现有方案依赖复杂的手工调优启发式方法，这些方法脆弱且难以优化。本文中，我们提出一种深度强化学习（RL）方法来解决包分类问题。若干特性使该问题非常适合深度 RL。首先，许多现有方案通过分裂树中节点迭代地构建决策树。其次，这些动作（如分裂节点）的效果只能在构建完树后方可评估。这两特性自然地被 RL 采取具有稀疏且延迟奖励的动作之能力所刻画。第三，生成数据迹并评估决策树在计算上高效，这缓解了深度 RL 算法臭名昭著的高样本复杂度问题。我们的方案 NeuroCuts 使用简洁表示来编码状态与动作空间，并高效探索候选决策树以优化全局目标。它生成针对特定规则集和给定性能指标（如分类时间、内存占用或二者组合）优化的紧凑决策树。在 ClassBench 上的评估表明，NeuroCuts 在中位数分类时间上优于现有手工算法 18%，并将时间与内存占用至多减少 3 倍。
引用
@article{arxiv.1902.10319,
title = {Neural Packet Classification},
author = {Eric Liang and Hang Zhu and Xin Jin and Ion Stoica},
journal= {arXiv preprint arXiv:1902.10319},
year = {2019}
}