提升对网络系统的理解,在端到端的网络系统设计原则下,各种终端协议复杂多样。在其复杂的联合作用下,想要对某个网络性能指标进行分析,找到其影响因素变得异常困难,即使在TCP拥塞控制等成熟的网络研究领域,利用这种方法简化算法设计过程也并不容易。借助机器学习方法,可以通过后验的方法分析学习算法的输出,了解网络的行为和影响因素,从而为算法设计提供帮助和指导。
与机器学习社区共同面对挑战,将机器学习应用于网络领域时,需要面对网络系统的具体要求和实际部署问题的挑战。挑战之一是机器学习算法往往以尽力而为的方式工作,而网络系统要求算法能够进行满足硬约束的结构化输出,并提供最差性能保证。挑战之二是为了满足动态网络环境和差异化用户需求,机器学习算法需要具有较强的泛化能力和多目标决策的特性。大多数机器学习算法假定数据遵循独立同分布,这在网络环境中往往是不实际的。另外,机器学习算法的问责性和可解释性的缺失,对其实际应用产生了很大的障碍。许多学习模型,特别是深度学习模型,往往是黑盒。复旦大学和芝加哥大学的学者近期尝试对深度强化学习在网络领域的应用进行可解释性的分析,希望能够启发更多的学者投入到这一重要方向中。
分布式机器学习与计算卸载,随着机器学习应用规模的增加,机器学习应用本身的发展再次需要网络侧的辅助。如机器学习集群的参数更新过程会导致剧烈的网络拥塞,从而影响训练的收敛速度,因此需要设计可感知网络的更新策略。另一方面,面向个人用户的移动端机器学习应用逐渐普及,移动设备受到计算能力和能耗的限制,很难完成神经网络的计算任务,此时可以利用网络将该计算卸载到云或边缘计算节点,实现网络资源与计算资源的整合。
领取专属 10元无门槛券
私享最新 技术干货