第36届 Conference of the Special Interest Group on Data Communication ("SIGCOMM") 将于 2022 年 8 月 22日至 26日在荷兰阿姆斯特丹市召开。SIGCOMM 是计算机网络领域最高水平学术会议之一,本次投稿共 279篇,录用 55篇 (录用率为 19.7%)。

在本次会议中,香港科大智能网络与系统实验室iSING Lab和星云Clustar,UC Berkeley合作的一篇论文被录用,题目为 LiteFlow: Towards High-performance Adaptive Neural Networks for Kernel Datapath,作者为 Junxue Zhang, Chaoliang Zeng, Hong Zhang, Shuihai Hu, Kai Chen。

自适应神经网络(Adaptive Neural Network)由于其优良的性能,并能持续地学习以适应变化的环境,已被用于优化多种网络通路功能(Datapath Function),如拥塞控制、负载均衡、流量调度等。但是,对于如何高效地在最常见的内核通路 — Linux内核网络通路(Linux Kernel Datapath)部署自适应神经网络,仍处于一个未被研究的领域。直接在用户态进行神经网络部署,并通过跨内核态、用户态的通信来使用神经网络,则会造成不可避免的性能下降问题;反之,直接在内核态部署又会遭受开发难度高,额外开销大等问题。

为了有效地在内核通路部署高性能神经网络,本文提出了 LiteFlow,一种混合式的部署框架。区别于传统自适应神经网络推理、重训练的一体化设计,LiteFlow 通过解耦模型的推理以及重训练,使得其可以在各自最合适的部分进行运算。具体来说,模型推理应该直接部署在内核态,从而快速地进行响应,有效地进行报文控制,且避免用户态/内核态通信带来的巨大开销;模型重训练应该部署在用户态,从而可以直接使用用户态完善的软件、库等设施,并可以通过批量从内核台向用户态发送重训练所需要的数据来降低通信的开销。同时,LiteFlow 也设计了用户态/内核态更新同步机制,进行用户态神经网络向内核态的更新,使得内核态的神经网络也能学习、适应变化的环境。

LiteFlow 提供了一个基于 Linux Kernel v4.15.0 的实现,可以用于优化拥塞控制、流量调度、负载均衡三个网络通路功能。实验表明,LiteFlow 针对拥塞控制有 44.4% 的Goodput提升,针对流量调度以及负载均衡,则分别有33.7% 以及 56.7%的大流完成时间提升。

作者介绍:陈凯,1980年出生于安徽马鞍山;2004年,陈凯获得中国科学技术大学计算机科学学士学位;2007年,陈凯获得中国科学技术大学计算机科学硕士学位;2009年,陈凯加入微软亚洲研究院,作为实习研究员进行实习研究;2011年,陈凯先后加入NEC中国实验室、美国NEC实验室,作为实习研究员进行实习研究;2012年,陈凯获得美国西北大学博士学位,同年加入香港科技大学计算机科学与工程系任教;2012年至今,陈凯担任港科大-智能网络与系统实验室(iSING Lab) 主任   ;2017年,陈凯被聘为香港科技大学副教授 (终身教职 Tenured);2018年至2021年,陈凯被聘为国防科技大学客座教授;2018年至今,陈凯担任港科大-微信人工智能技术联合实验室主任;2018年至今,陈凯担任香港人工智能与机器人学会(HKSAIR)副理事长;2018年,陈凯创立了深圳致星科技有限公司;2022年,陈凯被聘为香港科技大学教授。