Towards Adaptive ML Traffic Processing Systems
Résumé
Machine learning techniques are a common solution used to solve a variety of network management tasks. Often, a network administrator chooses the model to deploy based on offline information, such as model performance and system load. Yet, network traffic is inherently dynamic making it hard to select an optimal model that can work throughout ever changing conditions. In this paper, we make the case that, instead of having to select the optimal candidate model based on offline information, systems should adapt based on the network conditions observed. We present a system design that takes as input a set of candidate models and their features, and adaptively selects the better configuration as a function of the network and system conditions.
Les techniques d'apprentissage automatique sont une solution couramment utilisée pour résoudre une variété de tâches de gestion de réseau. Souvent, un administrateur de réseau choisit le modèle à déployer sur la base d'informations hors ligne, telles que les performances du modèle et la charge du système. Or, le trafic réseau est intrinsèquement dynamique, ce qui rend difficile la sélection d'un modèle optimal capable de fonctionner dans des conditions en constante évolution. Dans cet article, nous défendons l'idée qu'au lieu de devoir sélectionner le modèle candidat optimal sur la base d'informations hors ligne, les systèmes devraient s'adapter en fonction des conditions de réseau observées. Nous présentons un système qui prend en entrée un ensemble de modèles candidats et leurs entrées (features), et qui sélectionne de manière adaptative la meilleure configuration en fonction des conditions du réseau et du système.
Origine | Fichiers produits par l'(les) auteur(s) |
---|