新書推薦：
《
牛津大学正念课：重建生命的智慧
》
售價：NT$
383
《
中医医德研究
》
售價：NT$
6120
《
历代绘画中的中华文明
》
售價：NT$
500
《
她的病痛，总被当作幻觉
》
售價：NT$
352
《
象形文字 , 电话线上的国家：菲律宾呼叫中心的后殖民困境
》
售價：NT$
383
《
上她的船
》
售價：NT$
356
《
古河道对地下工事风险影响研究——广州等城市地下工事风险案例溯源
》
售價：NT$
1525
《
1978：留学改变人生：中国改革开放首批赴美留学生纪实
》
售價：NT$
305
|
| 編輯推薦： |
|
本书可为数据驱动网络、数据中心网络和网络性能建模相关领域的研究者提供参考。
|
| 內容簡介： |
|
近年来，数据中心网络迅猛发展，为云计算服务提供了重要支撑。随着网络应用对传输性能要求的提高，数据中心需要更好的算法、协议和系统来提升网络性能，而这依赖于对新设计准确高效的性能评估。本书针对数据驱动方法为数据中心网络性能建模和优化带来的机遇和挑战，以高效的网络性能建模为目标，分别从全局网络拓扑、单点网络设备和时序网络流量三个角度对影响网络性能的关键因素开展研究。本书提出了基于深度学习的数据中心网络拓扑建模和优化方案xWeaver，建立了基于分离卷积神经网络的性能模型和支持领域知识嵌入的拓扑映射，能够有效提升网络性能。提出了基于深度强化学习的交换机共享缓存管理方案NDT，建立了基于排等变性的可扩展强化学习模型，设计了高效的两级控制方案，有效提升了交换机转发性能。提出了基于图神经网络的网络性能建模框架xNet，设计了基于异构关系图的网络系统抽象方法和序列建模的可配置图神经网络，支持对流级别性能指标进行准确、高效的时序预测。本书可为数据驱动网络、数据中心网络和网络性能建模相关领域的研究者提供参考。
|
| 關於作者： |
|
王莫为，2017年毕业于北京邮电大学，2022年取得清华大学工学博士学位，2022年加入华为。主要研究领域为数据驱动网络和数据中心网络，在计算机网络国际顶级会议期刊SIGMETRICS、INFOCOM、TON等发表论文10余篇。
|
| 目錄：
|
目 录
第1章 引言 1
1.1 研究背景 1
1.1.1 数据中心网络 1
1.1.2 数据驱动网络 3
1.2 研究领域及面临的主要挑战 5
1.2.1 主要研究领域 5
1.2.2 面临的研究挑战 6
1.3 研究内容与研究成果 7
1.3.1 基于深度学习的数据中心网络拓扑建模和优化方案 8
1.3.2 基于深度强化学习的交换机共享缓存管理方案 8
1.3.3 基于图神经网络的网络性能建模框架 9
1.4 全书组织结构 10
第2章 研究背景与相关工作 12
2.1 数据中心网络 12
2.1.1 拓扑架构 12
2.1.2 共享缓存管理 16
2.1.3 拥塞控制 20
2.2 网络性能建模 23
2.2.1 数学分析建模 23
2.2.2 离散事件仿真 25
2.2.3 系统模拟 26
2.3 数据驱动方法在网络系统中的应用 27
2.3.1 工作流程 27
2.3.2 网络资源管理与性能优化 30
2.3.3 网络性能建模与评估 37
2.3.4 基础设施和解释验证 40
第3章 基于深度学习的数据中心网络拓扑建模和优化方案 43
3.1 概述 43
3.2 研究动机 45
3.3 系统框架 50
3.3.1 设计目标和限制 50
3.3.2 系统模块 51
3.4 流量驱动的训练样本生成 52
3.4.1 拓扑性能评分 53
3.4.2 高分拓扑样本生成 55
3.5 流量---拓扑映射学习 56
3.5.1 映射学习神经网络 56
3.5.2 先验知识嵌入 58
3.6 仿真实验评估 60
3.7 硬件实验床评估 66
3.8 讨论 68
3.9 本章小结 73
第4章 基于深度强化学习的交换机共享缓存管理方案 74
4.1 概述 74
4.2 方案设计 77
4.2.1 设计概述 77
4.2.2 可扩展的状态处理 80
4.2.3 高效决策机制 82
4.3 系统实现 85
4.3.1 训练基础设施 85
4.3.2 实验床 87
4.4 实验评估 88
4.4.1 实验方法 89
4.4.2 仿真评估 89
4.4.3 原型系统泛化 91
4.4.4 深入分析 92
4.5 讨论 95
4.6 本章小结 96
第5章 基于图神经网络的网络性能建模框架 97
5.1 概述 97
5.2 研究动机 100
5.2.1 背景 100
5.2.2 需求与挑战 102
5.3 方案设计 103
5.3.1 关系图表示 104
5.3.2 可配置图神经网络 105
5.3.3 状态转移模型 109
5.3.4 模型训练 110
5.4 实验评估 111
5.4.1 数据中心网络时序QoS推断 112
5.4.2 数据中心网络FCT预测 113
5.4.3 广域网稳态QoS推断 118
5.5 讨论 119
5.6 本章小结 120
第6章 结论与展望 121
6.1 研究工作总结 121
6.2 研究工作展望 123
参考文献 125
致谢 141
在学期间完成的相关学术成果 143
|
| 內容試閱：
|
清华大学优秀博士学位论文丛书
基于数据驱动的数据中心网络
性能建模与优化
Data-driven Performance Modeling and
Optimization for Datacenter Networks
王莫为著
清华大学出版社
北京
内容简介
近年来 ， 数据中心网络迅猛发展 ， 为云计算服务提供了重要支撑。随着网络应用
对传输性能要求的提高，数据中心需要更好的算法、协议和系统来提升网络性能，而
这依赖于对新设计准确高效的性能评估。本书针对数据驱动方法为数据中心网络性能
建模和优化带来的机遇和挑战，以高效的网络性能建模为目标，分别从全局网络拓扑、
单点网络设备和时序网络流量三个角度对影响网络性能的关键因素开展研究。书中提
出了基于深度学习的数据中心网络拓扑建模和优化方案 xWeaver，建立了基于分离
卷积神经网络的性能模型和支持领域知识嵌入的拓扑映射，能够有效提升网络性能。
提出了基于深度强化学习的交换机共享缓存管理方案 NDT，建立了基于排等变性的
可扩展强化学习模型，设计了高效的两级控制方案，有效提升了交换机转发性能。提
出了基于图神经网络的网络性能建模框架 xNet，设计了基于异构关系图的网络系统
抽象方法和序列建模的可配置图神经网络，支持对流级别性能指标进行准确、高效的
时序预测。
本书可为数据驱动网络、数据中心网络和网络性能建模相关领域的研究者提供
参考。
版权所有，侵权必究。举报：010-62782989， beiqinquan@tup.tsinghua.edu.cn。
图书在版编目（CIP）数据
基于数据驱动的数据中心网络性能建模与优化 /王莫为著. --北京 :清华大学出版社，
2025. 7. -- (清华大学优秀博士学位论文丛书). -- ISBN 978-7-302-68932-4
Ⅰ． TP393.07
中国国家版本馆 CIP数据核字第 2025TP6955号
责任编辑：樊婧
封面设计：傅瑞学
责任校对：薄军霞
责任印制：刘菲
出版发行：清华大学出版社
网址：https://www.tup.com.cn， https://www.wqxuetang.com
地址：北京清华大学学研大厦 A座邮编：100084
社总机： 010-83470000邮购：010-62786544
投稿与读者服务：010-62776969， c-service@tup.tsinghua.edu.cn
质量反馈：010-62772015， zhiliang@tup.tsinghua.edu.cn
印装者：三河市东方印刷有限公司
经销：全国新华书店
开本：155mm.235mm 印张：10.5插页：4字数：186千字
版次：2025年 9月第 1版印次：2025年 9月第 1次印刷
定价：89.00元
产品编号： 102771-01
一流博士生教育体现一流大学人才培养的高度（代丛书序）(.)
人才培养是大学的根本任务。只有培养出一流人才的高校，才能够成
为世界一流大学。本科教育是培养一流人才最重要的基础，是一流大学
的底色，体现了学校的传统和特色。博士生教育是学历教育的最高层次，
体现出一所大学人才培养的高度，代表着一个国家的人才培养水平。清华
大学正在全面推进综合改革，深化教育教学改革，探索建立完善的博士生
选拔培养机制，不断提升博士生培养质量。
学术精神的培养是博士生教育的根本
学术精神是大学精神的重要组成部分，是学者与学术群体在学术活
动中坚守的价值准则。大学对学术精神的追求，反映了一所大学对学术的
重视、对真理的热爱和对功利性目标的摒弃。博士生教育要培养有志于
追求学术的人，其根本在于学术精神的培养。
无论古今中外，博士这一称号都和学问、学术紧密联系在一起，和知
识探索密切相关。我国的博士一词起源于
2000多年前的战国时期，是一
种学官名。博士任职者负责保管文献档案、编撰著述，须知识渊博并负有
传授学问的职责。东汉学者应劭在《汉官仪》中写道：“博者，通博古今；
士者，辩于然否。”后来，人们逐渐把精通某种职业的专门人才称为博士。
博士作为一种学位，最早产生于
12世纪，最初它是加入教师行会的一种
资格证书。
19世纪初，德国柏林大学成立，其哲学院取代了以往神学院
在大学中的地位，在大学发展的历史上首次产生了由哲学院授予的哲学
博士学位，并赋予了哲学博士深层次的教育内涵，即推崇学术自由、创造
新知识。哲学博士的设立标志着现代博士生教育的开端，博士则被定义为
.本文首发于《光明日报》，2017年
12月
5日。
基于数据驱动的数据中心网络性能建模与优化
独立从事学术研究、具备创造新知识能力的人，是学术精神的传承者和光
大者。
博士生学习期间是培养学术精神最重要的阶段。博士生需要接受严
谨的学术训练，开展深入的学术研究，并通过发表学术论文、参与学术活
动及博士论文答辩等环节，证明自身的学术能力。更重要的是，博士生要
培养学术志趣，把对学术的热爱融入生命之中，把捍卫真理作为毕生的追
求。博士生更要学会如何面对干扰和诱惑，远离功利，保持安静、从容的
心态。学术精神，特别是其中所蕴含的科学理性精神、学术奉献精神，不
仅对博士生未来的学术事业至关重要，对博士生一生的发展都大有裨益。
独创性和批判性思维是博士生最重要的素质
博士生需要具备很多素质，包括逻辑推理、言语表达、沟通协作等，
但是最重要的素质是独创性和批判性思维。
学术重视传承，但更看重突破和创新。博士生作为学术事业的后备力
量，要立志于追求独创性。独创意味着独立和创造，没有独立精神，往往
很难产生创造性的成果。1929年
6月
3日，在清华大学国学院导师王国
维逝世二周年之际，国学院师生为纪念这位杰出的学者，募款修造“海宁
王静安先生纪念碑”，同为国学院导师的陈寅恪先生撰写了碑铭，其中写
道：“先生之著述，或有时而不章；先生之学说，或有时而可商；惟此独
立之精神，自由之思想，历千万祀，与天壤而同久，共三光而永光。”这
是对于一位学者的极高评价。中国著名的史学家、文学家司马迁所讲的
“究天人之际，通古今之变，成一家之言”也是强调要在古今贯通中形成
自己独立的见解，并努力达到新的高度。博士生应该以“独立之精神、自
由之思想”来要求自己，不断创造新的学术成果。
诺贝尔物理学奖获得者杨振宁先生曾在
20世纪
80年代初对到访纽
约州立大学石溪分校的
90多名中国学生、学者提出：“独创性是科学工
作者最重要的素质。”杨先生主张做研究的人一定要有独创的精神、独到
的见解和独立研究的能力。在科技如此发达的今天，学术上的独创性变得
越来越难，也愈加珍贵和重要。博士生要树立敢为天下先的志向，在独创
性上下功夫，勇于挑战最前沿的科学问题。
批判性思维是一种遵循逻辑规则、不断质疑和反省的思维方式，具
有批判性思维的人勇于挑战自己，敢于挑战权威。批判性思维的缺乏往
往被认为是中国学生特有的弱项，也是我们在博士生培养方面存在的一
一流博士生教育体现一流大学人才培养的高度（代丛书序）
个普遍问题。
2001年，美国卡内基基金会开展了一项“卡内基博士生教
育创新计划”，针对博士生教育进行调研，并发布了研究报告。该报告指
出：在美国和欧洲，培养学生保持批判而质疑的眼光看待自己、同行和导
师的观点同样非常不容易，批判性思维的培养必须成为博士生培养项目
的组成部分。
对于博士生而言，批判性思维的养成要从如何面对权威开始。为了鼓
励学生质疑学术权威、挑战现有学术范式，培养学生的挑战精神和创新能
力，清华大学在
2013年发起“巅峰对话”，由学生自主邀请各学科领域
具有国际影响力的学术大师与清华学生同台对话。该活动迄今已经举办
了
21期，先后邀请
17位诺贝尔奖、3位图灵奖、1位菲尔兹奖获得者参
与对话。诺贝尔化学奖得主巴里·夏普莱斯（
Barry
Sharpless）在
2013
年
11月来清华参加“巅峰对话”时，对于清华学生的质疑精神印象深刻。
他在接受媒体采访时谈道：“清华的学生无所畏惧，请原谅我的措辞，但
他们真的很有胆量。”这是我听到的对清华学生的最高评价，博士生就应
该具备这样的勇气和能力。培养批判性思维更难的一层是要有勇气不断
否定自己，有一种不断超越自己的精神。爱因斯坦说：“在真理的认识方
面，任何以权威自居的人，必将在上帝的嬉笑中垮台。”这句名言应该成
为每一位从事学术研究的博士生的箴言。
提高博士生培养质量有赖于构建全方位的博士生教育体系
一流的博士生教育要有一流的教育理念，需要构建全方位的教育体
系，把教育理念落实到博士生培养的各个环节中。
在博士生选拔方面，不能简单按考分录取，而是要侧重评价学术志
趣和创新潜力。知识结构固然重要，但学术志趣和创新潜力更关键，考分
不能完全反映学生的学术潜质。清华大学在经过多年试点探索的基础上，
于
2016年开始全面实行博士生招生“申请
–审核”制，从原来的按照考
试分数招收博士生，转变为按科研创新能力、专业学术潜质招收，并给予
院系、学科、导师更大的自主权。《清华大学“申请
–审核”制实施办法》
明晰了导师和院系在考核、遴选和推荐上的权力和职责，同时确定了规范
的流程及监管要求。
在博士生指导教师资格确认方面，不能论资排辈，要更看重教师的学
术活力及研究工作的前沿性。博士生教育质量的提升关键在于教师，要让
更多、更优秀的教师参与到博士生教育中来。清华大学从
2009年开始探
基于数据驱动的数据中心网络性能建模与优化
索将博士生导师评定权下放到各学位评定分委员会，允许评聘一部分优
秀副教授担任博士生导师。近年来，学校在推进教师人事制度改革过程
中，明确教研系列助理教授可以独立指导博士生，让富有创造活力的青年
教师指导优秀的青年学生，师生相互促进、共同成长。
在促进博士生交流方面，要努力突破学科领域的界限，注重搭建跨学
科的平台。跨学科交流是激发博士生学术创造力的重要途径，博士生要努
力提升在交叉学科领域开展科研工作的能力。清华大学于
2014年创办了
“微沙龙”平台，同学们可以通过微信平台随时发布学术话题，寻觅学术
伙伴。3年来，博士生参与和发起“微沙龙”
12000多场，参与博士生达
38000多人次。“微沙龙”促进了不同学科学生之间的思想碰撞，激发了
同学们的学术志趣。清华于
2002年创办了博士生论坛，论坛由同学自己
组织，师生共同参与。博士生论坛持续举办了
500期，开展了
18000多场
学术报告，切实起到了师生互动、教学相长、学科交融、促进交流的作用。
学校积极资助博士生到世界一流大学开展交流与合作研究，超过
60%的
博士生有海外访学经历。清华于
2011年设立了发展中国家博士生项目，
鼓励学生到发展中国家亲身体验和调研，在全球化背景下研究发展中国
家的各类问题。
在博士学位评定方面，权力要进一步下放，学术判断应该由各领域的
学者来负责。院系二级学术单位应该在评定博士论文水平上拥有更多的
权力，也应担负更多的责任。清华大学从
2015年开始把学位论文的评审
职责授权给各学位评定分委员会，学位论文质量和学位评审过程主要由
各学位分委员会进行把关，校学位委员会负责学位管理整体工作，负责制
度建设和争议事项处理。
全面提高人才培养能力是建设世界一流大学的核心。博士生培养质
量的提升是大学办学质量提升的重要标志。我们要高度重视、充分发挥
博士生教育的战略性、引领性作用，面向世界、勇于进取，树立自信、保
持特色，不断推动一流大学的人才培养迈向新的高度。
清华大学校长
2017年
12月
丛书序二
以学术型人才培养为主的博士生教育，肩负着培养具有国际竞争力
的高层次学术创新人才的重任，是国家发展战略的重要组成部分，是清华
大学人才培养的重中之重。
作为首批设立研究生院的高校，清华大学自
20世纪
80年代初开始，
立足国家和社会需要，结合校内实际情况，不断推动博士生教育改革。为
了提供适宜博士生成长的学术环境，我校一方面不断地营造浓厚的学术
氛围，一方面大力推动培养模式创新探索。我校从多年前就已开始运行一
系列博士生培养专项基金和特色项目，激励博士生潜心学术、锐意创新，
拓宽博士生的国际视野，倡导跨学科研究与交流，不断提升博士生培养
质量。
博士生是最具创造力的学术研究新生力量，思维活跃，求真求实。他
们在导师的指导下进入本领域研究前沿，吸取本领域最新的研究成果，拓
宽人类的认知边界，不断取得创新性成果。这套优秀博士学位论文丛书，
不仅是我校博士生研究工作前沿成果的体现，也是我校博士生学术精神
传承和光大的体现。
这套丛书的每一篇论文均来自学校新近每年评选的校级优秀博士学
位论文。为了鼓励创新，激励优秀的博士生脱颖而出，同时激励导师悉心
指导，我校评选校级优秀博士学位论文已有
20多年。评选出的优秀博士
学位论文代表了我校各学科最优秀的博士学位论文的水平。为了传播优
秀的博士学位论文成果，更好地推动学术交流与学科建设，促进博士生未
来发展和成长，清华大学研究生院与清华大学出版社合作出版这些优秀
的博士学位论文。
感谢清华大学出版社，悉心地为每位作者提供专业、细致的写作和出
基于数据驱动的数据中心网络性能建模与优化
版指导，使这些博士论文以专著方式呈现在读者面前，促进了这些最新的
优秀研究成果的快速广泛传播。相信本套丛书的出版可以为国内外各相
关领域或交叉领域的在读研究生和科研人员提供有益的参考，为相关学
科领域的发展和优秀科研成果的转化起到积极的推动作用。
感谢丛书作者的导师们。这些优秀的博士学位论文，从选题、研究到
成文，离不开导师的精心指导。我校优秀的师生导学传统，成就了一项项
优秀的研究成果，成就了一大批青年学者，也成就了清华的学术研究。感
谢导师们为每篇论文精心撰写序言，帮助读者更好地理解论文。
感谢丛书的作者们。他们优秀的学术成果，连同鲜活的思想、创新的
精神、严谨的学风，都为致力于学术研究的后来者树立了榜样。他们本着
精益求精的精神，对论文进行了细致的修改完善，使之在具备科学性、前
沿性的同时，更具系统性和可读性。
这套丛书涵盖清华众多学科，从论文的选题能够感受到作者们积极
参与国家重大战略、社会发展问题、新兴产业创新等的研究热情，能够感
受到作者们的国际视野和人文情怀。相信这些年轻作者们勇于承担学术
创新重任的社会责任感能够感染和带动越来越多的博士生，将论文书写
在祖国的大地上。
祝愿丛书的作者们、读者们和所有从事学术研究的同行们在未来的
道路上坚持梦想，百折不挠！在服务国家、奉献社会和造福人类的事业中
不断创新，做新时代的引领者。
相信每一位读者在阅读这一本本学术著作的时候，在吸取学术创新
成果、享受学术之美的同时，能够将其中所蕴含的科学理性精神和学术奉
献精神传播和发扬出去。
清华大学研究生院院长
2018年
1月
5日
摘要
近年来，数据中心网络迅猛发展，为云计算服务提供了重要支撑。随
着网络应用对传输性能要求的提高，数据中心需要更好的算法、协议和系
统来提升网络性能，而这依赖于对新设计准确高效的性能评估。基于数学
分析和离散事件仿真的传统性能建模方法在速度、准确性和易用性等多
方面均存在问题。以深度学习为代表的数据驱动方法的快速发展为网络
建模和性能优化提供了新的可能，它可以避免人工参与，从数据中自动学
习网络实体间的复杂映射关系。然而，当前的数据驱动方法并非为解决网
络问题设计，仍然面临网络系统特性各异、性能影响因素广和网络状态空
间大等多方面的挑战。
本书针对数据驱动方法为数据中心网络性能建模和优化带来的机遇
和挑战，以高效的网络性能建模为目标，分别从全局网络拓扑、单点网络
设备和时序网络流量三个角度对影响网络性能的关键因素开展研究。本
书的主要研究成果如下：
1.提出了基于深度学习的数据中心网络拓扑建模和优化方案
xWeaver。
为了快速构建训练样本，设计了基于分离卷积神经网络的性能模型，对
拓扑进行快速评估；设计了支持领域知识嵌入的网络拓扑映射模块，离
线训练后能为给定的流量需求快速生成高性能拓扑配置。基于光电交换
机和大规模仿真的实验结果表明，
xWeaver能够快速准确推断拓扑性能，
生成的拓扑配置有效提升了网络传输性能。
2.提出了基于深度强化学习的交换机共享缓存管理方案
NDT。针对
缓存管理复杂度高的问题，利用交换机端口的排列对称性，设计了基于排
列等变神经网络的可扩展强化学习模型。为了实现高效的训练和决策，设
计了包括基于领域知识的动作编码和累积事件触发机制的两级控制方案。
基于数据驱动的数据中心网络性能建模与优化
基于
DPDK交换机原型和仿真的实验结果表明，
NDT的性能普遍优于
广泛使用的启发式算法，并且具有良好的泛化能力。
3.提出了基于图神经网络的网络性能建模框架
xNet。针对网络配置
间的复杂关系，提出了基于异构关系图的网络系统抽象方法。基于这种高
效表示，设计了支持流级别序列建模的可配置图神经网络结构。基于三个
典型网络场景的实验结果表明，
xNet可以对流级别性能指标进行准确时
序预测，并且相比传统仿真器评估速度大幅提升。
关键词：数据中心网络；数据驱动；性能建模；拓扑重配置；共享缓存管理
Abstract
In
recent
years，
the
rapid
development
of
data
center
networks
has
provided
important
support
for
cloud
computing
services.
As
network
applications
increase
their
requirements
on
transmission
performance，
datacenters
need
better
algorithms，
protocols，
and
systems
to
improve
network
performance，
which
relies
on
accurate
and
efficient
performance
evaluation
of
new
designs.
Traditional
performance
modeling
methods
based
on
mathematical
analysis
and
discrete
event
simulation
have
problems
in
terms
of
speed，
accuracy，
and
ease
of
use.
Recently，
the
rapid
development
of
data-driven
methods
represented
by
deep
learning
has
provided
new
possibilities
for
network
modeling
and
performance
optimization.
It
can
avoid
manual
participation
and
automatically
learn
the
complex
mapping
relationship
between
network
entities
from
data.
However，
the
current
data-driven
methods
are
not
designed
to
solve
network
problems，
and
are
still
faced
with
many
challenges，
such
as
different
network
system
characteristics，
wide
performance
influencing
factors，
and
large
network
state
space.
In
response
to
the
opportunities
and
challenges
brought
by
data-
driven
methods
for
data
center
network
performance
modeling
and
optimization，
this
thesis
aims
at
efficient
network
performance
modeling
and
studies
the
key
factors
affecting
network
performance
from
three
perspectives:
global
network
topology，
local
network
devices，
and
time-
series
network
traffic.
Specifically，
the
main
contributions
of
this
thesis
are
as
follows:
基于数据驱动的数据中心网络性能建模与优化
.
A
deep
learning-based
datacenter
network
topology
modeling
and
optimization
scheme
xWeaver
is
proposed.
In
order
to
quickly
construct
training
samples，
a
performance
model
based
on
a
separate
convolutional
neural
network
is
designed
to
quickly
evaluate
the
topology;
a
network
topology
mapping
module
that
supports
domain
knowledge
embedding
is
also
designed，
which
can
quickly
generate
high-performance
topology
configuration
for
a
given
traffic
demand
after
offline
training.
Experimental
results
based
on
optical
circuit
switches
and
large-scale
simulations
show
that
xWeaver
can
quickly
and
accurately
infer
topology
performance，
and
the
generated
topology
configuration
effectively
improves
network
transmission
performance.
.
A
deep
reinforcement
learning-based
buffer
management
scheme
NDT
is
proposed
for
shared-memory
switches.
To
deal
with
the
high
complexity
of
buffer
management
problems，
a
scalable
reinforcement
learning
model
based
on
permutation-equivariant
neural
networks
is
designed
by
taking
advantage
of
the
arrangement
symmetry
of
switch
ports.
To
achieve
efficient
training
and
decision-making，
a
two-level
control
scheme
including
domain
knowledge-based
action
encoding
and
a
cumulative
event-triggered
mechanism
is
designed.
Experimental
results
based
on
DPDK
switch
prototype
and
simulation
show
that
NDT
generally
outperforms
widely
used
heuristic
algorithms
and
has
good
generalization
ability.
.
A
graph
neural
network-based
network
performance
modeling
framework
xNet
is
proposed.
To
deal
with
the
complex
relationship
between
network
configurations，
a
network
system
abstraction
method
based
on
heterogeneous
relational
graphs
is
proposed.
Based
on
this
efficient
representation，
a
configurable
graph
neural
network
structure
supporting
flow-level
time-series
modeling
is
designed.
Experimental
results
based
on
three
typical
network
scenarios
show
that
xNet
can
make
accurate
time-series
predictions
for
flow-level
per
Abstract
11
formance
indicators，
and
the
evaluation
speed
is
greatly
improved
compared
to
traditional
simulators.
Keywords：Datacenter
networks;
Data-driven;
Performance
modeling;
Topology
reconfiguration;
Shared-buffer
management
符号和缩略语说明
DCN数据中心网络（datacenter
networks）
ToR柜顶交换机（top-of-rack）
PoD集群（point
of
delivery）
AI人工智能（artificial
intelligence）
FCT流完成时间（flow
completion
time）
RL强化学习（reinforcement
learning）
DRL深度强化学习（deep
reinforcement
learning）
RDMA远程直接内存访问（remote
direct
memory
access）
OCS光电路交换机（optical
circuit
switch）
GNN图神经网络（graph
neural
network）
QoS服务质量（quality
of
service）
QoE体验质量（quality
of
experience）
TCP传输控制协议（transmission
control
protocol）
RTT往返时延（round
trip
time）
ECN显式拥塞通知（explicit
congestion
notification）
QCN量化拥塞通知（quantized
congestion
notification）
PFC基于优先级的流量控制（
priority-based
flow
control）
AIMD线加倍减（additive
increase
multiplicative
decrease）
INT带内网络遥测（inband
network
telemetry）
基于数据驱动的数据中心网络性能建模与优化
CDF累积分布函数
(cumulative
distribution
function)
ABR自适应码率（adaptive
bitRate）
CDN内容分发网络（content
delivery
network）
ILP整数线性规划（integer
linear
programming）
CNN卷积神经网络（convolutional
neural
network）
RNN循环神经网络（recurrent
neural
network）
LSTM长短期记忆人工神经网络（
longshort-term
mem
ory）
CTD需求完成时间（completion
time
of
demand）
DT动态阈值（dynamic
threshold）
DPDK数据平面开发套件（data
plane
development
kit）
CPU中央处理器（central
processing
unit）
GPU显卡（graphics
processing
unit）
SLA服务质量协议（service
level
agreement）
WAN广域网（wide
area
network）
MAPE平均绝对误差（mean
absolute
percentage
error）
MPE平均百分比误差（mean
percentage
error）
目 录
第1章 引言 1
1.1 研究背景 1
1.1.1 数据中心网络 1
1.1.2 数据驱动网络 3
1.2 研究领域及面临的主要挑战 5
1.2.1 主要研究领域 5
1.2.2 面临的研究挑战 6
1.3 研究内容与研究成果 7
1.3.1 基于深度学习的数据中心网络拓扑建模和优化方案 8
1.3.2 基于深度强化学习的交换机共享缓存管理方案 8
1.3.3 基于图神经网络的网络性能建模框架 9
1.4 全书组织结构 10
第2章 研究背景与相关工作 12
2.1 数据中心网络 12
2.1.1 拓扑架构 12
2.1.2 共享缓存管理 16
2.1.3 拥塞控制 20
2.2 网络性能建模 23
2.2.1 数学分析建模 23
2.2.2 离散事件仿真 25
2.2.3 系统模拟 26
2.3 数据驱动方法在网络系统中的应用 27
2.3.1 工作流程 27
2.3.2 网络资源管理与性能优化 30
2.3.3 网络性能建模与评估 37
2.3.4 基础设施和解释验证 40
第3章 基于深度学习的数据中心网络拓扑建模和优化方案 43
3.1 概述 43
3.2 研究动机 45
3.3 系统框架 50
3.3.1 设计目标和限制 50
3.3.2 系统模块 51
3.4 流量驱动的训练样本生成 52
3.4.1 拓扑性能评分 53
3.4.2 高分拓扑样本生成 55
3.5 流量---拓扑映射学习 56
3.5.1 映射学习神经网络 56
3.5.2 先验知识嵌入 58
3.6 仿真实验评估 60
3.7 硬件实验床评估 66
3.8 讨论 68
3.9 本章小结 73
第4章 基于深度强化学习的交换机共享缓存管理方案 74
4.1 概述 74
4.2 方案设计 77
4.2.1 设计概述 77
4.2.2 可扩展的状态处理 80
4.2.3 高效决策机制 82
4.3 系统实现 85
4.3.1 训练基础设施 85
4.3.2 实验床 87
4.4 实验评估 88
4.4.1 实验方法 89
4.4.2 仿真评估 89
4.4.3 原型系统泛化 91
4.4.4 深入分析 92
4.5 讨论 95
4.6 本章小结 96
第5章 基于图神经网络的网络性能建模框架 97
5.1 概述 97
5.2 研究动机 100
5.2.1 背景 100
5.2.2 需求与挑战 102
5.3 方案设计 103
5.3.1 关系图表示 104
5.3.2 可配置图神经网络 105
5.3.3 状态转移模型 109
5.3.4 模型训练 110
5.4 实验评估 111
5.4.1 数据中心网络时序QoS推断 112
5.4.2 数据中心网络FCT预测 113
5.4.3 广域网稳态QoS推断 118
5.5 讨论 119
5.6 本章小结 120
第6章 结论与展望 121
6.1 研究工作总结 121
6.2 研究工作展望 123
参考文献 125
致谢 141
在学期间完成的相关学术成果 143
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
