Knowledge-Defined Networking

知识定义的网络（Knowledge-Defined Networking）

来源：ACM SIGCOMM Computer Communication Review 年份：2017
是什么：容纳和利用SDN、NA、AI的新范式。

在本文中，我们主张sdn提供的集中控制，结合网络分析提供的丰富的网络集中视图，在此背景下，kp可以使用各种ML方法，如深度学习(Dl)技术，收集有关网络的知识，并利用这些知识利用逻辑上的集中控制能力来控制网络。我们将sdn、遥测、网络分析和知识平面结合为知识定义的网络所形成的范式。

关键字：知识平面（Knowledge Plane）; SDN; 网络分析; 机器学习; NFV; 知识定义网络;

INTRODUCTION

ML应用于网络的最大的挑战之一是：网络本质上是分布式系统。每个节点对整个系统也只有一小部分的视图和控制，对于这种节点的学习非常复杂，尤其是目标不在本地执行的情况下。

逻辑集中控制可以减轻这种学习的复杂性（由此引入了SDN）。

KP：KP利用SDN网络来搜集预处理数据和原始数据，然后通过ML将其转化为知识（有用的信息），并利用这些知识进行决策。

深度学习：可以从网络行为中学习，是KP的核心，能够分析现有和历史的数据并用于学习网络和生成知识。有三种：监督，无监督，强化学习。

实验：使用作为输入流量和路由配置的数据集来训练ANN，并将其作为输出平均延迟。因此，由此生成的ANN建模的任何流量和路由配置的数据包的平均延迟。以仿真为输出特征，用9600个训练样本对网络进行训练，并使用300个单独的样本对训练结果进行验证。

挑战和结论

KDN范式为联网带来了显著的优势，但同时也带来了需要解决的重要挑战。
新的ML机制：KDN范式代表了一个针对ML的新应用程序，因此，需要调整现有的ML机制或开发新的机制。
非确定性网络：什么是具有代表性的网络培训集呢？这是一个需要解决的重要研究问题。基本上，我们需要深入了解ML模型的准确性、网络特性和训练集的大小之间的关系。需要解决这样的问题：网络中发生的正常流量变异性是否会产生具有代表性的培训集？ML是否需要在一组可能使网络不可用的配置下测试网络？
新的技能集和思维方式：从传统网络到SDN范式的转变已经在网络工程师和研究人员所需的专业知识上产生了重要的转变。
标准化数据集：培养高质量的训练数据集比新算法更重要，因为专注于数据集而不是算法可能是一种更直接的方法。