这篇文章属于类型a（单项原创研究报告）。

本文的研究题目是《A Machine Learning-Based Toolbox for P4 Programmable Data-Planes》，作者包括Kaiyi Zhang（Graduate Student Member, IEEE）、Nancy Samaan（Member, IEEE）和Ahmed Karmouch（Life Member, IEEE），他们隶属于University of Ottawa的School of Electrical Engineering and Computer Science。本研究发表于2024年8月的《IEEE Transactions on Network and Service Management》（Volume 21, Issue 4）。

一、研究背景

本研究属于网络和服务管理领域，尤其是智能数据平面（Intelligent Data Planes, IDPs）与可编程网络的交集。随着网络设备和流量特征的复杂性不断增加，现代网络管理需要实现性能和安全的严格保障，包括流量分析、资源配置、故障管理等。然而，由于现有网络设备资源的限制和高性能处理的需求，仅在控制平面（Control Plane）中执行机器学习（Machine Learning, ML）模型的系统架构会存在较大的通信延迟以及管理效率的瓶颈。

近年来，可编程数据平面技术（P4语言）的发展使IDPs得以将机器学习模型直接部署在数据平面，从而能够在实时流量上快速进行决策处理。但是，因为可编程数据平面通常缺乏浮点运算能力以及资源受限，导致现有的IDP系统仅能运行简单的机器学习模型（如决策树）或需要对交换机硬件进行大幅修改。

本研究旨在针对上述问题，提出一个全新的基于量化的机器学习工具箱——InQ-MLT（In-Network Quantized Machine Learning Toolbox），以解决数据平面中部署复杂机器学习模型的资源与性能限制，同时各种新的方法以支持高效的决策。

二、研究目标

研究的主要目标包括： 1. 在无需改动硬件的情况下，使得资源受限的数据平面可以运行复杂的机器学习模型。 2. 提出一种高效的量化机制，将机器学习模型从浮点表示转换为整数表示，适配P4编程环境。 3. 开发量化感知训练（Quantization-Aware Training, QAT）方法，降低因量化引起的模型准确率损失。 4. 实现一个基于P4的软件交换机概念验证系统，用于测试和验证提出的框架。

三、研究方法与工作流程

整个研究设计了一个工作流程，包括以下主要步骤：

1. 工具箱架构（Toolbox Architecture）

研究提出了一种分布于控制平面与数据平面的机器学习工具箱架构，主结构如下： - 控制平面（Control Plane）： 控制平面的任务是构建和训练机器学习模型。研究通过一种定制化的量化感知训练流程来对模型进行训练，以补偿量化过程中可能的精度损失。

• 数据平面（Data Plane）： 在数据平面中，研究提出使用整数运算取代P4硬件中不支持的浮点运算。同时使用寄存器存储模型权重和实时流量特征。

2. 特征提取与模型构建

• 特征提取模块（Feature Extractor）： 数据平面会对网络流量特征进行标准统计和时间序列特征提取，如分组长度、到达时间间隔等。

• 模型构建模块（ML Model Builder）： 不同类型的输入特征对应不同的模型结构，利用多层感知器（Multi-Layer Perceptron, MLP）或1D卷积神经网络（1D-CNN）对训练数据进行建模。其中，标准统计特征使用MLP建模，而时间序列特征则使用1D-CNN建模。

3. 量化模块（Quantization Module）

研究提出了一种通用的量化与反量化方法，将浮点数值映射到更低精度的整数范围（如8-bit整数表示），并通过QAT来训练模型以减少量化损失。具体方法包括： - 量化节点（Quantization Nodes）的添加： 将量化与反量化操作插入模型训练过程，模拟量化过程对模型精度的影响，使模型在训练时就考虑到量化损失。

• 量化参数的设计： 浮点权重通过截断转化为整数权重，同时模型的各层计算通过整数加权的方式完成。

4. P4程序的生成与实现

• 模板模块： 构建模板库（比如点积、矩阵-向量乘法等基础操作），自动化地将量化后的机器学习模型映射为P4代码，并将其插入转发流程。

• 流水线处理： P4程序执行包括特征更新、模型调用以及分类决策等操作，同时通过寄存器存储状态与权重矩阵。

四、实验与结果

研究通过一种概念验证的实验设计，对提出的InQ-MLT工具箱进行性能测试。实验包括以下两方面：

1. 实验数据集与模型验证

实验使用两个公开数据集： - CICIDS2017： 用于网络异常检测，包含正常流量和攻击流量（如DDoS攻击）。 - 使用MLP处理流量历史特征如平均包长度、流量持续时间等。

• ISCX VPN-nonVPN： 用于流量分类，包含流量的六种功能类型（如文件传输、流媒体等）。
  • 使用1D-CNN捕获时间序列特征如数据包长度。

实验结果显示： - 对于MLP，当使用量化感知训练模型时，量化后的模型几乎无准确率损失，而标准训练下则会出现显著下降。 - 对于1D-CNN，量化模型的精度、召回率及F1得分也几乎与浮点模型一致，验证了QAT的有效性。

2. 在P4交换机中的应用

利用BMv2软件交换机实现了MLP模型并与控制平面模型进行对比，结果显示： - 数据平面内的模型几乎能达到与控制平面模型等效的分类精度。 - 与需要控制器通信的方案相比，数据平面内的模型显著降低了分类延迟，提高了吞吐率。

五、结论与意义

研究成功开发了一个支持复杂量化机器学习模型的工具箱框架，大幅提升了智能数据平面的流量分类与异常检测能力。具体意义包括： 1. 科学意义： 研究提出的新型量化方法弥补了在复杂机器学习模型无法部署在无浮点支持数据平面的技术空白。 2. 实际应用价值： 通过消除控制器与数据平面的通信瓶颈，在高精度流量管理中实现更低延迟和更高吞吐性能。

研究的创新点体现在： 1. 定制化的量化感知训练方法。 2. 结合模板自动生成P4代码的框架。 3. 概念验证中量化模型的高精度表现。

未来研究将进一步探索分布式深度学习模型在数据平面的实现，以及优化数据面多任务并行能力。