基于数据驱动的数据中心网络性能建模与优化

"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。"

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 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