A Machine Learning-Based Toolbox for P4 Programmable Data-Planes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Intelligent data-planes (IDPs) can enhance network service performance and adaptation speed by executing one or more machine learning (ML) models directly on the served flows. The real-time ML inference enables line-speed decision-making for some traffic management functionalities. Due to the inherent scarcity of both the computational and memory resources and the strict high-speed per-packet processing demands, existing IDP deployments either realize only a limited set of ML models such as decision trees, or require substantial modifications in the switch hardware. In this paper, we propose INQ-MLT, a novel ML-based management toolbox to address the aforementioned limitations. INQ-MLT delegates the task of training various ML models to the control-plane. The latter adopts a tailored quantization-aware training process to compensate for the effect of precision loss resulting from quantization. The toolbox then employs a quantization mechanism to transform the trained ML model parameters (e.g., weights and activations) from floating-point representations to compact low-precision fixed integer values that can be easily processed and stored in the data-plane. Finally, the trained model is deployed into the IDP pipeline by restricting all its inference operations to basic arithmetic operations. To analyze the performance of INQ-MLT, we quantify the accuracy loss resulting from the quantization step through rigorous theoretical analysis. A proof-of-concept implementation of the proposed toolbox is developed using P4-based software switches. Experiments on two use-cases demonstrate that the deployed quantized models have almost no loss of accuracy when compared to their floating-point counterparts.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle