2018年8月20日至25日,实验室17级覃孟同学参加了在匈牙利布达佩斯举行的ACM SIGCOMM 2018国际学术会议(ACM Special Interest Group on Data Communication),并在该会议附属的Network Meets AI & ML (NetAI) Workshop上将实验室最新研究成果与来自全球不同研究领域的学者共同讨论。

ACM SIGCOMM 2018会场

    ACM SIGCOMM是计算机网络通信领域的重要学术会议,被中国计算机学会(CCF)列为A类学术会议,主要关注计算机网络通信应用、技术、体系结构和协议等的最新研究成果;同时,今年也是NetAI Workshop在SIGCOMM会议举办的第一届,该workshop主要关注如何利用人工智能技术有效应对现有网络系统的面临的挑战。

本次ACM SIGCOMM会议主要关注投稿论文是否在计算机网络通信领域是否具有:

  • 重要且深刻的贡献 (Important deep contributions);
  • 大胆且新颖的想法 (Daring novel ideas);
  • 较宽广的应用范围和包容性(Breadth of scope and inclusivity)。

最终在222篇投稿论文中选择接收40篇;其中,两篇Best Paper分别为”Sincraonia: Near-Optimal Network Design for Colflows“,以及”Inferrin Persistent Interdomain Congestion“。另外,两篇Test of Time Award论文分别为SIGCOMM 2008的”A Scalable, Commodity Data Center Network Architecture“和SIGCOMM 2016的”XORs in the air: practical wireless network coding“。

在会议伊始,主办方简要地总结了近期计算机网络通信领域的几大研究热点,主要包括:

  • 无线网络;
  • 数据中心网络;
  • 机器学习技术在计算机网络领域的应用。

尤其对于机器学习技术的应用,会议的主流观点认为,随着人工智能在近几年的蓬勃发展,其受关注程度远远超过了计算机网络,但计算机网络应该始终保持其作为一个核心研究领域的地位,且应该成为一个不断发展的研究热点。进一步地,NetAI Workshop的主旨也强调,人工智能技术能够用于应对目前计算机网络中面临的挑战;另一方面,计算机网络的前沿技术也能够有效地帮助人工智能系统解决性能瓶颈问题。二者应该相辅相成,共同发展。

会议内容锦集

    实验室17级覃孟同学和16级张翼同学在雷老师的指导下,分别在NetAI Workshop上发表长文”Adaptive Multiple Non-negative Matrix Factorization for Temporal Link Prediction in Dynamic Networks“和”IFS-RL: An Intelligent Forwarding Strategy Based on Reinforcement Learning in Named-Data Networking“,并分别由覃孟同学和华为2012实验室的白铂老师做论文的口头汇报。

NetAI Workshop报告现场

    两篇论文的简介如下:

  • 标题:Adaptive Multiple Non-negative Matrix Factorization for Temporal Link Prediction in Dynamic Networks
  • 作者: Kai Lei, Meng Qin, Bo Bai*, Gong Zhang.
  • 文章链接:https://dl.acm.org/citation.cfm?id=3229546
  • 简介:对于用户移动性、网络动态拓扑和网络流量的预测是改善各种网络系统性能的有效手段,而相关的网络系统动态性预测问题能够以复杂网络分析的观点一般性地抽象为时序链路预测(temporal link prediction)问题。从网络表征(network embedding)的观点出发,提出一种自适应多重非负矩阵分解(adaptive nonnegative matrix factorization, AM-NMF)模型解决上述问题。在非负矩阵分解(nonnegative matrix factorization, NMF)框架下,该模型将动态网络嵌入到一个保留了不同网络快照动态变化特征的低维隐含空间。特别地,由于引入自适应参数自动地调节混合模型中不同分量的相对重要性,该模型还能有效地结合不同时间片下的隐含信息,并考虑单个时间片与动态网络整体的内在关联性。进一步地,关于下一个时间片网络快照的预测结果能够通过执行NMF的逆过程生成。作为一个应用示例,该模型也被应用于各种网络系统相关的数据集,包括人移动网络、车辆移动网络、无线网格网络和数据中心网络。相关实验结果表明,该方法在无权网络和带权网络的时序链路预测任务上的性能超过现有的方法。

 

  • 标题: IFS-RL: An Intelligent Forwarding Strategy Based on Reinforcement Learning in Named-Data Networking
  • 作者:Yi Zhang, Bo Bai, Kuai Xu, Kai Lei*
  • 文章链接:https://dl.acm.org/citation.cfm?id=3229547
  • 简介:命名数据网络(Named-Data Network, DND)是一种新型的通信范式,它的基本网络原语是基于命名数据而不是主机标识。与传统的IP网络架构相比,NDN的数据传输平面允许每个路由器独立自主地选择下一个转发的接口,而不依赖于具体的路由过程。因此,转发策略在NDN的自适应高效数据传输过程中具有重要的影响。现有的大多数转发策略使用固定的控制规则或基于适用于某些特定部署环境的简单模型,但并不能应用于多种网络场景,也不能应对多样的应用需求。基于增强学习(reinforcement learning),提出一种智能转发策略IFS-RL。通过训练一系列的神经网络,该模型能够根据路由节点收集的Interest包历史转发信息自适应地确定合适的转发接口,而并不依赖于某个预定程序的模型(pre-programmed model)。因此,该模型能够适用于多种不同的网络状态。在基本模型的基础上,也考察了模型的学习力度,并提出一种改进方案使得基本模型能够有效地应对网络拓扑的变化。在NDNSim上的相关性能评价实验结果表明,IFS-RL模型在吞吐量和丢包率方面相比于现有方法具有更好的性能。

通过参加本次会议,不仅了解到了计算机网络通信领域最新研究进展,也充分认识到自身的学术研究能力仍与顶级学术会议有巨大的差距,以及自身研究工作中存在的不足,可谓收获颇丰。在接下来的科研工作中,不仅需要脚踏实地做出具有实质性学术贡献的工作,也需要有挑战国际顶级学术会议和期刊的勇气、魄力和信心。最后,感谢互联网研发中心雷凯老师的资助,以及在论文写作、投稿等方面给予的支持。

ACM SIGCOMM 2019信息

@匈牙利 布达佩斯 多瑙河畔