NSDI 2024 与数据中心网络（DCN）相关的文章 阅读分享（二）

8. Empower Programmable Pipeline for Advanced Stateful Packet Processing

名称：RAPID为高级状态数据包，授权可编程pipeline。
解决问题：可编程pipeline可以灵活、高吞吐的处理数据包，但是对于处理和转发更高级的数据平面时，就很困难。根本原因，需要向后跨阶段的数据传递、管道传输。
解决办法：增加一个低成本、快速的侧环促进数据的反向传递。应用推测执行技术，避免管道失速。
效果：基于FPGA的原型评估系统，并且实现了几个应用程序，展示可编程数据平面可以扩展达到的水平。

9. Credence: Augmenting Datacenter Switch Buffer Sharing with ML Predictions

名称：Credence预测增强数据中心交换缓冲区共享
解决问题：数据中心交换机缓冲区是所有端口共享的，以提高整体吞吐量。目前缓冲区不断缩小。
方法：如果提前知道未来数据包的到达，那么drop-tail缓冲区可以模拟推出缓冲区。可以通过预测未来到达，来增加drop-tail算法，提升性能。
效果：吞吐量提高1.5倍，FCT对比现有的机器学习，提高95%。在硬件中实用。

10. TECC: Towards Efficient QUIC Tunneling via Collaborative Transmission Control

名称：TECC基于协同传输控制的系统。
目的效果：终端主机能够更精确地收集到隧道服务感知到的网络信息，实现高效的QUIC隧道。
实现方法：反馈框架。
实验效果：在模拟网络/现实世界，验证TECC有效性。

11. Pudica: Toward Near-Zero Queuing Delay in Congestion Control for Cloud Gaming

名称：Pudica面向云游戏拥塞控制中的0排队延迟。
解决问题：针对云游戏问题，提出新颖的端到端CC，最大程度降低游戏帧传输延迟。
方法：①用节奏帧探测带宽利用率（BUR）②通过BUR估计，设计整体比特率调整策略，来平衡低排队、效率和公平性。
效果：平均帧/尾帧/失速率都降低。已经部署在大型的云游戏平台，服务于百万玩家。

12. Reasoning about Network Traffic Load Property at Production Scale

名称：生产规模下，网络负荷特性的推理（WAN）
解决问题：搞清网络变更期间，是否有链路的利用率超过80%的系统。对于运营商而言，设计一种负荷特性推理，需要支持复杂流量行为、数十亿负载推理、实时容错。
方法：提出流量分布图、基于TDG算法模拟一段时间内数十亿的流量分布、增量流量模拟。
效果：JINGUBANG在广域网中使用一年多，避免了因流量负载违规导致的服务暂停。

13. Brain-on-Switch: Towards Advanced Intelligent Network Data Plane via NN-Driven Traffic Analysis at Line-Speed

名称：Brain on switch基于网络驱动的，线速率流量分析。
解决问题：可编程网络，激发了智能数据平面（INDP）的研究。现有的INDP侧重于数据平面部署树/森林模型。
方法：BoS实现NN驱动的流量分析模型。
效果：BoS在分析精度、科扩展性方面，优于最先进技术。

14. LuoShen: A Hyper-Converged Programmable Gateway for Multi-Tenant Multi-Service Edge Clouds

名称：LuoShen针对多租户多服务边缘云的超融合可编程网关。
目的效果：将公有云的网络基础设施，部署到边缘。也就是边缘云。
实现方法：将整个网络基础设施整合为以P4为中心架构的2U服务器交换机。数据平面，片上资源细致计算，管道折叠。控制平面：BGP对等协议保证组件间的可达性。
实验效果：吞吐量1.2Tbps，前期成本、部署规模、功耗都大幅度降低。