腾讯业界首创，谁说网络转发设备不智能？

众所周知

靠谱的公有云服务

必须有一个靠谱的网关

靠谱的网关

必须是个安全的网关

少不了通过正则匹配特征符

快速实现异常流量的检测和处理

结合神经网络技术更成为当前研究热点

不过有些公有云

采用P4可编程设备作为网关

作为网络转发专用设备存储空间有限

这就使得在P4设备上部署神经网络模型很难

腾讯山海网关：P4可编程交换机的实践与总结

鹅厂业界首创推出Metis技术架构

通过AI模型来替代RE实现异常流量监测

使得AI模型小型化并成功部署到了P4交换机

正则表达式（RE：Regular expressions）为许多网络任务（如网络入侵检测）提供了一次性解决方案。然而，正则表达式纯粹依赖于专家知识，无法从无处不在的海量网络数据中学习并进行自动管理。如今，神经网络（NN）凭借其从丰富的标注数据中学习的能力，已经显示出卓越的准确性和灵活性。然而，神经网络往往无法胜任冷启动场景，而且过于复杂，不适合部署在网络设备上。 在本文中，我们提出了一个通用框架 Metis，通过利用 RE 的专家知识和 NN 的学习能力，将 RE 转换为网络设备可负担得起的模型，从而获得更高的准确性和吞吐量。在 Metis 中，我们无需训练即可将 RE 转换为字节级递归神经网络（BRNN）。BRNN 保留了 RE 的专家知识，并在冷启动场景中提供足够的准确性。当有丰富的标记数据时，BRNNs 的性能可以通过训练得到提高。此外，我们还设计了一种半监督知识提炼方法，将 BRNNs 转化为可部署在网络设备上的池化软随机森林 (PSRF)。我们在一个大型数据中心收集了三周的网络流量数据，并对 Metis 进行了评估。实验结果表明，Metis 比原始 RE 和其他基线更准确，在网络设备上部署时可获得更高的吞吐量。

相关论文已经获得

神经信息处理系统大会录用

成果受到了相关专家评委的充分肯定