SpliDT：面向线速可扩展有状态推断的分区决策树
网络与互联网体系结构
2025-09-03 v1
摘要
机器学习 (ML) 正在可编程数据平面（交换机和 SmartNIC）中部署，用于实现实时流量分析、安全监控和网络决策。决策树 (DT) 特别适合这些任务，因为其可解释性和与数据平面体系结构（即匹配-操作表 (MAT)）的兼容性。然而，现有的网络中 DT 实现受限于需要前瞻计算所有输入特征，从而迫使模型依赖固定小型特征集。这显著限制了模型精度和可扩展性，在严格的硬件资源约束下。我们提出 SPLIDT，一种重新思考数据平面中 DT 部署方式的系统，通过在数据包的滑动窗口上实现分区推断。SPLIDT 引入两个关键创新：(1) 将不同的、可变的特征集分配给 DT 的各个子树，按分区分组；(2) 通过链路控制通道（通过重复使用）在分区之间复用数据平面资源（包括有状态寄存器和匹配键），以实现线速。这些见解使 SPLIDT 能够在不超过硬件限制的情况下扩展模型可使用的有状态特征数量。为支持此体系结构，SPLIDT 集成了定制的训练和设计空间探索 (DSE) 框架，联合优化特征分配、树分区和 DT 模型深度。跨多个真实世界数据集的评估显示，SPLIDT 在保持与这些系统相同低延迟检测 (TTD) 的同时，实现更高精度，支持最多 5 倍于先前方法（如 NetBeacon 和 Leo）的有状态特征，同时以最小的重复使用开销（<0.05%）实现数百万流的规模。
引用
@article{arxiv.2509.00397,
title = {SpliDT: Partitioned Decision Trees for Scalable Stateful Inference at Line Rate},
author = {Murayyiam Parvez and Annus Zulfiqar and Roman Beltiukov and Shir Landau Feibish and Walter Willinger and Arpit Gupta and Muhammad Shahbaz},
journal= {arXiv preprint arXiv:2509.00397},
year = {2025}
}
备注
12 pages