Page 35 - 网络电信2021年1/2月刊下
P. 35

光    通    信

            献 [46] 提出一种统一架构，结合SDN思想、ICN缓存及计算技术，                  型，文献   [56] 根据用户需求和网络的移动特性提出一种基于深度
            实现网络、计算和存储资源的动态调度以满足无线网络的需                           学习的空闲时间窗口预测模型并使用时间图卷积网络表示学习
            求。文献    [47] 认为，网络、存储和计算的互操作融合是构建可扩                  网络。文献    [57] 介绍了SDN网络中机器学习技术在流量分类、路由
            展部署的分布式系统的必要条件，融合基础架构的跨层结构必                          优化、QoS服务质量/QoE体验质量预测、资源管理方面的应用。
            须简单、通用。                                                  使用人工智能技术对网络进行优化的研究涉及到网络的各
                总体来看，未来网络将是智能化的网络，网络应该具备利                        个方面。文献     [58] 研究了与网络流量控制系统优化相关的深度学
            用节点的通信和计算能力优化性能的自学习能力                  [48] ，如何表征    习技术、系统工具和平台以及典型应用。文献                 [59] 通过离线学习
            这些参数，使用什么样的学习策略均有待研究。此外，面向网                          和在线学习两个阶段分析网络状态，优化了自适应比特率视频
            络/计算/存储一体化背景，如何设计更有效的缓存更新规则，                         在网络中的传输。文献        [60] 提出基于深度对抗神经网络的新型网
            如在线学习、实时更新，是值得思考的问题                [49] 。同时，移动边      络切片方法，允许网络提供商实时将计算、存储等资源进行联
            缘网络中涉及到网络、计算和存储等各种资源，如何协调这些                          合分配。文献     [61] 基于强化学习和神经网络方法解决分布式计算
            资源以实现良好的用户体验及应用的最佳性能，如何更好地对                          集群中数据处理任务的调度问题。文献              [62] 基于在线学习思想，
            这些资源进行分配，提高一体化平台的可扩展性、开放性和安                          利用梯度进行速率控制，从而实现在稳定性和灵敏度上的平
            全性也是值得考虑的重要问题。                                       衡，优化了网络拥塞问题。文献            [63] 探索了数据驱动方式作为核
                5、网络与人工智能                                        心算法代替传统网络路由协议的问题，通过将路由问题转化为
                随着信息通信技术和人工智能技术的发展，人类社会正快                        机器学习问题，证实了方案的可行性和优越性。
            速向着信息化、智能化的方向迈进。人工智能技术为人类社会                              另一方面，随着深度学习和强化学习的普及，两者都对计
            的持续创新提供了强大的驱动力，开辟了广阔的应用空间。在                          算能力提出了越来越高的要求，耗时的训练过程和繁重的工作
            计算机网络领域，人们普遍认为人工智能技术与网络的结合是                          量甚至使得在一台机器上无法完成这些任务，因此分布式机器
            富有前景的。总体而言，网络人工智能可以分为人工智能优化                          学习被认为是必然的发展趋势，成为业界的研究热点。一般而
            网络，和网络优化人工智能两个方面。一方面，机器学习和深                          言，在构建高效的分布式学习平台时，需要考虑网络拓扑、传
            度学习的快速发展为计算机网络研究注入了新的活力，种类繁                          输协议等重要问题。
            多且不断增加的网络协议、拓扑和接入方式使得网络的复杂性                              网络拓扑的设计会对参数同步时间以及系统整体性能产生
            不断增加，通过传统方式对网络进行监控、建模、整体控制变                          重大影响。到目前为止，已经提出两种类型的网络拓扑架构，
            得愈加困难，可以将人工智能技术应用到网络中来实现故障定                          即基于参数服务器的结构和基于环的结构。参数服务器架构
            位、网络故障自修复、网络模式预测、网络覆盖与容量优化、                          下，各节点有参数服务器和工作机器之分：工作机器只负责计
            智能网络管理等一系列传统网络中很难实现的功能；另一方                           算模型梯度，彼此不会互相通信；参数服务器则负责汇总来自
            面，网络性能的提高也为机器学习计算提供了更好的支持，随                          不同工作机器的模型梯度，并对原有参数进行更新，然后下发
            着训练数据量的迅速增加和机器学习模型变得越来越复杂，计                          到工作机器上以便开始下一次迭代。基于环的架构则是一种去
            算需求超出了单机的能力，因此产业界已经出现了数十个分布                          中心化的架构设计，在此架构下，所有节点以环状排列，各节
            式机器学习平台，但是昂贵的通信成本已导致这些平台出现多                          点仅与其前后两个相邻节点通信，通过相应的同步算法（例如
            个瓶颈，网络优化（例如网络拓扑结构、网络通信和传输协议                          Ring  AllReduce），可以实现快速地参数同步，避免产生中心
            的优化）极大地提高了这些分布式机器学习平台的整体性能。                          化的通信瓶颈。
                人工智能技术用于优化网络首先需要考虑数据集问题。数                            除网络拓扑外，传输协议对参数同步性能也具有重要的影
            据收集一般可分为离线和在线两个阶段，离线阶段主要收集大                          响。尽管TCP在广域网中取得了巨大成功，但由于其在拥塞控
            量用于模型训练和测试的历史数据；在线阶段用于收集实时网                          制以及系统实现方面表现不足，不太适用于专用的分布式机器
            络数据作为模型的反馈或者新的输入              [50] 。文献 [51] 考虑到边缘计   学习系统。为改善其网络性能，远程直接内存访问技术(RDMA,
            算网络中汇总数据的困难性，使用梯度下降方法训练了一组支                          remote directmemory access)被应用到分布式机器学习系统中
            持分布式参数学习的通用模型，并提出控制算法实现局部更新                          来。RDMA规避了TCP的上述限制，RDMA内核旁路机制，允许应
            和全局参数聚合之间的折衷。文献             [52] 针对多媒体物联网（IoMT       用与网卡之间的直接数据读写，将服务器内的数据传输时延降
            ,  internet  of  multimedia  thing）应用结合机器学习提出一       低到接近1us。同时，RDMA内存零拷贝机制，允许接收端直接从
            种基于隐私保护的数据收集和分析框架。文献                 [53] 使用无监督学     发送端的内存读取数据，极大的减少了CPU负担，提升了CPU效
            习对设备的通信流量进行建模，通过分析设备的网络通信流量                          率。根据某知名互联网厂商的测试数据，采用RDMA可以将计算
            来识别IoT设备的类型。                                         的效率同比提升6~8倍，而服务器内1us的传输时延也使得SSD
                流量预测对网络的管控和维护具有重要作用，传统的方法                        （solid  state  drive）分布式存储的时延从ms级降低到us  级
            是使用时间序列预测进行处理，文献              [50] 调研了基于时间序列和        成为可能，在最新的NVMe接口协议中，RDMA正逐步成为主流默
            非时间序列流量预测问题的机器学习方法。文献                  [54] 结合网络流    认网络通信协议栈。为了提高数据传输速度、满足用户需求，
            量估计和异常检测两项任务设计了一种估计源和目的地之间网                          阿里巴巴、亚马逊、微软、华为等主要云厂商都在投入该技术
            络流量的新方法。针对移动网络场景，文献                  [55] 针对未来智能     的研发和部署。
            蜂窝网络的精准流量建模和预测，提出基于深度学习的预测模                              智能化网络已成为未来网络发展趋势，网络运营和运维

            62                                        网络电信 二零二一年一、二月
   30   31   32   33   34   35   36   37   38   39   40