An Intelligent Data-Plane with a Quantized ML Model for Traffic Management
Notice bibliographique
Résumé
Offloading some of the traffic management decision-making functionalities to intelligent data-planes (IDPs) can significantly enhance the accuracy and adaptation speed of network services. An IDP executes, at line-speed, one or more machine learning (ML) models for real-time inference and decision making. Unfortunately, existing IDP deployments either realize only a limited set of ML models such as decision trees or require substantial modifications in the switch hardware. These limitations can be attributed to the inherent scarcity of both the computational and memory resources and the strict high-speed per-packet processing demands. To address the aforementioned limitations, we propose a novel ML-based management framework, the in-network quantized ML architecture (INQ-MLA). First, INQ-MLA delegates the task of training and continuously optimizing the IDP ML model to the control-plane. The latter adopts a tailored quantization-aware training process to compensate for the effect of precision loss due to quantization. Second, INQ-MLA employs an efficient quantization mechanism to transform the trained ML model parameters (e.g., weights and activation functions outputs) from floating-point representations to smaller low precision fixed integer values that can be easily processed and stored in the data-plane. Finally, INQ-MLA ensures that the deployed ML model is integrated into the IDP pipeline by limiting all its execution operations to simplified arithmetic operations that are available in most switches. We developed a proof-of-concept implementation of our proposed architecture using P4-based switches. Experimental results demonstrate that INQ-MLA can achieve a high-level of accuracy at runtime.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».