Knowledge-Defined Networking

知識定義的網絡（Knowledge-Defined Networking）

來源：ACM SIGCOMM Computer Communication Review 年份：2017
是什麼：容納和利用SDN、NA、AI的新範式。

在本文中，咱們主張sdn提供的集中控制，結合網絡分析提供的豐富的網絡集中視圖，在此背景下，kp可使用各類ML方法，如深度學習(Dl)技術，收集有關網絡的知識，並利用這些知識利用邏輯上的集中控制能力來控制網絡。咱們將sdn、遙測、網絡分析和知識平面結合爲知識定義的網絡所造成的範式。

關鍵字：知識平面（Knowledge Plane）; SDN; 網絡分析; 機器學習; NFV; 知識定義網絡;

INTRODUCTION

ML應用於網絡的最大的挑戰之一是：網絡本質上是分佈式系統。每一個節點對整個系統也只有一小部分的視圖和控制，對於這種節點的學習很是複雜，尤爲是目標不在本地執行的狀況下。

邏輯集中控制能夠減輕這種學習的複雜性（由此引入了SDN）。

KP：KP利用SDN網絡來蒐集預處理數據和原始數據，而後經過ML將其轉化爲知識（有用的信息），並利用這些知識進行決策。

深度學習：能夠從網絡行爲中學習，是KP的核心，可以分析現有和歷史的數據並用於學習網絡和生成知識。有三種：監督，無監督，強化學習。

實驗：使用做爲輸入流量和路由配置的數據集來訓練ANN，並將其做爲輸出平均延遲。所以，由今生成的ANN建模的任何流量和路由配置的數據包的平均延遲。以仿真爲輸出特徵，用9600個訓練樣本對網絡進行訓練，並使用300個單獨的樣本對訓練結果進行驗證。

挑戰和結論

KDN範式爲聯網帶來了顯著的優點，但同時也帶來了須要解決的重要挑戰。
新的ML機制：KDN範式表明了一個針對ML的新應用程序，所以，須要調整現有的ML機制或開發新的機制。
非肯定性網絡：什麼是具備表明性的網絡培訓集呢？這是一個須要解決的重要研究問題。基本上，咱們須要深刻了解ML模型的準確性、網絡特性和訓練集的大小之間的關係。須要解決這樣的問題：網絡中發生的正常流量變異性是否會產生具備表明性的培訓集？ML是否須要在一組可能使網絡不可用的配置下測試網絡？
新的技能集和思惟方式：從傳統網絡到SDN範式的轉變已經在網絡工程師和研究人員所需的專業知識上產生了重要的轉變。
標準化數據集：培養高質量的訓練數據集比新算法更重要，由於專一於數據集而不是算法多是一種更直接的方法。