自动驾驶网络大学课程W8L1 采用ML技术的转发平面

这是课程表里面的第二个Week 8的第一堂课。第一个Week 8 的第一堂课不上，这第二个Week 8的课程是关于采用ML技术的转发平面。

本次课程的材料Stanford大学关于在网络转发平面中集成ML引擎，基于每个报文的输入做ML的计算，根据计算的结果来决定转发面的行为。

传统的ML应用于网络的设计一般把ML技术应用在控制平面，由此带来的问题是ML计算时延以及转发平面到控制平面的时延大，导致ML计算的结果不能用来决定每个报文的转发行为，ML的结果仅仅用来做每个Flow的转发决策，作者认为对于高速网络而言，ML的时延会导致大量的报文在获得ML结果之前就被错误转发了，对安全应用来说是不可接受的。

文章基于P4的PISA结构，扩展了一个硬件的Map Reduce模块和PISA的Pipeline集成在一起，并基于NETFPGA和map reduce的硬件实现做了仿真。

文章结论：

目前，数据中心网络被划分为一个线路速率、每个包的数据平面和一个较慢的控制平面，控制平面运行复杂的、数据驱动的管理策略来配置数据平面。

这种方法太慢，因为报文流经控制平面会不可避免地增加延迟，因此控制平面不能足够快地对网络事件作出反应。

Taurus为数据平面带来了复杂的决策，将反应时间降低到每个包，并增加了管理和控制策略的特异性。

我们证明了Taurus以线路速率运行，并且在可编程交换机(RMT)上增加了最小的开销-多3.8%的面积和122纳秒的平均延迟-同时加速了几个最近提出的ML网络基准。

展望未来，要实现自动驾驶网络，必须在大规模培训开始之前部署硬件。我们相信，Taurus为基于硬件的网络内ML提供了立足点，这可以安装在下一代数据平面上，以提高性能和安全性