PINOT: Programmable Infrastructure for Networking
PINOT: Programmable Infrastructure for Networking
复制标题
PINOT：可编程网络基础设施
DOI：
10.1145/3606464.3606485
复制
发表时间：
2023
期刊：
影响因子：
--
通讯作者：
Willinger, Walter
中科院分区：
文献类型：
--
作者：
Beltiukov, Roman;Chandrasekaran, Sanjay;Gupta, Arpit;Willinger, Walter
随着现代网络通信越来越接近完全加密，因此受到被动监控的风险越来越小，依赖于捕获流量中未加密字段的传统网络测量提供的对当今网络流量的可见性越来越低。与此同时，使用机器学习(ML)技术从加密的数据包级跟踪中提取微妙的时间和空间模式的方法在弥补加密造成的可见性不足方面显示出巨大的前景[1-3，5-7，10-15，18，23，24]。尽管基于ML的方法前景看好，但由于基础训练数据的质量问题，它们往往存在可信度问题。考虑到大规模管理高质量培训数据的挑战，研究人员通常最终会收集自己的(或重复使用现有的第三方或合成的)数据，通常是从小规模的试验台收集数据。这类数据通常质量较低，因为它不能代表目标环境，收集的时间太短，或者测量的粒度太粗。使用这种数据训练的学习模型往往容易受到不同故障模式的影响，这使得它们不可信[8]。这一观察提出了一个基本问题，即我们如何开发可信的ML人工制品来管理加密的网络流量？本文描述了我们正在进行的努力，通过降低从现实和具有代表性的网络环境中为各种学习问题收集更多高质量数据所需的工作量，使研究人员和从业者能够开发更可信的ML人工制品。
As modern network communication moves closer to being fully encrypted and hence less exposed to passive monitoring, traditional network measurements that rely on unencrypted fields in captured traffic provide less and less visibility into today’s network traffic. At the same time, approaches that use techniques from machine learning (ML) to extract subtle temporal and spatial patterns from encrypted packet-level traces have shown great promise in offsetting the lack of visibility due to encryption [1–3, 5–7, 10–15, 18, 23, 24]. Despite their promise, ML-based approaches often have a credibility problem that arises from the quality of underlying training data. Given the challenges of curating high-quality training data at scale, researchers typically end up collecting their own (or reusing existing third-party or synthetic) data, often from small-scale testbeds. Such data is generally of low quality as it is not representative of the target environment, collected over too short of a time period, or measured at too coarse of a granularity. The learning models trained using such data tend to be vulnerable to different failure modes that make them not credible [8]. This observation begs a fundamental question, how can we develop credible ML artifacts for managing encrypted network traffic?This paper describes our ongoing efforts to enable researchers and practitioners to develop more credible ML artifacts by lowering the effort that is required for collecting more high-quality data for a wide range of learning problems from realistic and representative network environments.
登录
查看更多内容
Auric：使用数据驱动的推荐自动生成蜂窝配置
DOI：
10.1145/3452296.3472906
发表时间：
2021
期刊：
Proceedings of the 2021 ACM SIGCOMM 2021 Conference
影响因子：
--
作者：
A. Mahimkar;A. Sivakumar;Zihui Ge;Shomik Pathak;Karunasish Biswas
通讯作者：
Karunasish Biswas
利用大象流进行数据中心间网络流量预测
DOI：
10.1109/noms.2016.7502814
发表时间：
2016
期刊：
NOMS 2016 - 2016 IEEE/IFIP Network Operations and Management Symposium
影响因子：
--
作者：
Yi Li;Hong Liu;Wenjun Yang;Dianming Hu;W. Xu
通讯作者：
W. Xu
AI/ML 时代网络研究民主化的努力
DOI：
10.1145/3365609.3365857
发表时间：
2019
期刊：
Proceedings of the 18th ACM Workshop on Hot Topics in Networks
影响因子：
--
作者：
Arpit Gupta;Chris Mac;W. Willinger
通讯作者：
W. Willinger
MeDICINE：多 PoP 环境中生产就绪网络服务的快速原型设计
DOI：
10.1109/nfv-sdn.2016.7919490
发表时间：
2016
期刊：
2016 IEEE Conference on Network Function Virtualization and Software Defined Networks (NFV-SDN)
影响因子：
--
作者：
Manuel Peuster;H. Karl;S. V. Rossem
通讯作者：
S. V. Rossem