MARC

 008240221s2023        ulk                      00        kor
■001000016933795
■00520240214101338
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380319621
■035    ▼a(MiAaPQ)AAI30561727
■035    ▼a(MiAaPQ)STANFORDyk907xh7589
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a005
■1001  ▼aSwamy,  Tushar.
■24510▼aTowards  Ai-Driven  Networks:  Hardware  and  Software  for  Data-Plane  Ml▼h[electronic  resource]
■260    ▼a[S.l.]▼bStanford  University.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(141  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Shahbaz,  Muhammad;Winstein,  Keith.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aNetwork  management  is  an  increasingly  difficult  task  for  researchers  and  industry  alike.  Networks  are  growing  rapidly  in  both  scale  and  complexity.  They  now  have  to  cater  to  a  bigger  application  set  and  a  larger  user  base  than  ever  before  while  adhering  to  more  and  more  stringent  performance  requirements.  With  so  many  challenges  to  running  a  network,  operators  must  move  beyond  the  era  of  hand-tuned  algorithms  and  instead,  adopt  more  automated  approaches-i.e.  AI-driven  networks.  In  the  search  for  more  versatile  tools  in  networks,  many  researchers  have  looked  to  machine  learning  (ML)  as  a  vehicle  for  data-driven,  adaptive  mechanisms  in  networking  systems.  However,  a  number  of  pragmatic  issues  have  plagued  such  development.  Can  we  run  ML  in  the  packet  path?  Must  operators  build  each  new  ML  model  by  hand?  How  can  we  incorporate  new  data?In  this  dissertation,  we  show  the  construction  of  integral  components  required  to  build  AI-driven  networks.  We  first  describe  the  design  of  Taurus,  a  platform  to  enable  data-plane  ML  to  run  in  the  packet  path  of  the  network  with  a  per-packet  granularity,  at  line-rate.  Furthermore,  we  demonstrate  that  the  hardware  for  Taurus  adds  minimal  overhead-less  than  4%  chip  area  and  less  than  3%  power  in  our  prototype.  Next,  we  discuss  Homunculus,  a  compiler  stack  for  data-plane  ML  platforms  (like  Taurus)  that  allows  for  the  automatic  generation  of  resource  and  performance  compliant  ML  models  which  outperform  hand-tuned  models  by  up  to  16.9%  in  our  tests.  Finally,  we  show  how  these  tools  can  be  assembled  to  enable  an  adaptive  ML  loop  in  a  network.  Online  labelling  of  raw  data  in  the  network  can  feed  Homunculus,  enabling  the  network  to  build  new  ML  models  from  its  own  packet  data.  These  models  can  then  deploy  learned  policies  in  Taurus,  setting  the  groundwork  for  upcoming  AI-driven  networks.
■590    ▼aSchool  code:  0212.
■650  4▼aOperating  systems.
■650  4▼aProgramming  languages.
■650  4▼aDeep  learning.
■650  4▼aOpen  source  software.
■650  4▼aNeural  networks.
■650  4▼aLabeling.
■650  4▼aFlexibility.
■650  4▼aSoftware  upgrading.
■650  4▼aComputer  science.
■690    ▼a0800
■690    ▼a0984
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933795▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서