COSTA Cross-layer Optimization for Sketch-based笔记与感受
Main Idea
- 网络测量在sdn中十分重要,使用sketch的方法需要消耗大量硬件资源,占用其他重要功能的资源,无法容纳更多的测量任务。基于sketch的测量方法有两个特性:基于sketch的测量方法在已知资源量的情况下可以预估精确度,并且资源和性能的边界效应是递减的。针对以上两个特性,在应用层和管理层之间,根据Cross-layers的信息,对资源和性能做出权衡,智能分配测量任务。在稍稍降低精确度的情况下,大程度降低资源消耗,提升可处理的任务数。
背景
- Sketch-based 通常使用TCAMs 需要使用大量资源
- 挑战:处理大量并行任务,减少资源消耗。
- 现有方法:探索不同任务指派的算法。
- 本文:牺牲一小部分精确度,资源使用显著降低。
- 为什么测量需要减少资源消耗:测量本是辅助功能,虽然可以为控制提供信息,掌握数据,调控全局,重要性很高。但是网络中还有其他大量的重要功能,包处理、转发等,所以说要尽可能减少测量的资源开销。资源使用率降低意味着在有限的资源下可以容纳更多的测量任务。
基于sketch在软件定义测量
优势:
- 灵活性
- 更适应基于流的算法
- 通用性
- 性价比高
不足
- 硬件消耗大:基于sketch的测量,需要储存大量计数器、哈希值,需要消耗大量硬件资源,而最常用的TCAM和SRAM资源有限,只能主要用于转发功能
两个特性
- 为什么要节省资源,为什么要对资源消耗大的应用降低测量精确度?
- 在限定资源的条件下,基于sketch的测量提供了一个精确度的边界,可以提前估计测量的精确度。为测量精度和资源的权衡提供先决条件。
- 资源和性能的边界效应是递减的、利用过多资源,无法带来更多的性能提升。所以应该有一个在资源和精度之间的权衡,以做到用最少的资源达到最合适的精度。
解决方法
- 利用应用和管理层之间的cross-layer 信息来优化,达到智能指派最终的任务。
- 提供不同层次的针对资源和精确度的权衡。
- 属于整数非线性规划问题、NP困难问题、复杂度高。采用近似最佳双阶段启发式方法完成任务指派(negligible性能损失)。
- 可以节省40%的资源,提升30%的任务接受率。
相关工作
- Opensketch最先提出sdn中基于sketch的测量框架
- 后有人在资源和精确度的权衡间有准确讨论
- DREAM基于TCAM动态分配测量任务,
- OpenTM低消耗高性能软件定义测量框架,从交换机中收集流的信息。
- FlowCover优化流收集的带宽
- PayLess提出使用可适应的频繁轮询收集流信息的APIs
- FlowSense提出被动测量技术来推断网络性能不带测量开销
- OpenWatch提出基于预测的针对恶意流量的动态适应策划。
COSTA Cross-layer Optimization for Sketch-based笔记与感受的更多相关文章
- 【Convex Optimization (by Boyd) 学习笔记】Chapter 1 - Mathematical Optimization
以下笔记参考自Boyd老师的教材[Convex Optimization]. I. Mathematical Optimization 1.1 定义 数学优化问题(Mathematical Optim ...
- layer弹框层学习笔记
这里对layer的笔记只是大概记录一下其使用过程,以便后续使用时快速回顾,更详细使用及介绍参考官网实例.链接在本文末 一 .初步了解layer-弹层之美 layer是一款近年来备受青睐的web弹层组件 ...
- 使用layer显示弹出框笔记
$.layer({ area : ['200px','auto'], //控制层宽高.当设置为auto时,意味着采用自适应, 当然,对于宽度,并不推荐这样做.例如:area : ['310px ...
- softmax、cross entropy和softmax loss学习笔记
之前做手写数字识别时,接触到softmax网络,知道其是全连接层,但没有搞清楚它的实现方式,今天学习Alexnet网络,又接触到了softmax,果断仔细研究研究,有了softmax,损失函数自然不可 ...
- 【Convex Optimization (by Boyd) 学习笔记】Chapter 2 - Convex sets(1) 仿射集&凸集
I. 仿射凸集(Affine and convex sets) 1. 线与线段 假设\(R^n\)空间内两点\(x_1,x_2\, (x_1≠x_2)\),那么\(y=\theta x_1+(1-\t ...
- 《A computer-aided healthcare system for cataract classification and grading based on fundus image analysis》学习笔记
Abstract This paper presents a fundus image analysis based computer aided system for automatic class ...
- CMU Convex Optimization(凸优化)笔记1--凸集和凸函数
CMU凸优化笔记--凸集和凸函数 结束了一段时间的学习任务,于是打算做个总结.主要内容都是基于CMU的Ryan Tibshirani开设的Convex Optimization课程做的笔记.这里只摘了 ...
- 5 Transforms 转移 笔记
5 Transforms 转移 笔记 Transforms Unfortunately, no one can be told what the Matrix is. You have to ...
- [C4] Andrew Ng - Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization
About this Course This course will teach you the "magic" of getting deep learning to work ...
随机推荐
- ES6学习笔记(三)-正则扩展
PS: 前段时间转入有道云笔记,体验非常友好,所以笔记一般记录于云笔记中,每隔一段时间,会整理一下, 发在博客上与大家一起分享,交流和学习. 以下:
- hihernate一对多关联映射
hihernate一对多关联映射 一对多关联映射利用了多对一关联映射原理 多对一关联映射:在多的一端加入一个外键指向一的一端,它维护的关系是多指向一 一对多关联映射:在多的一端加入一个外键指向一的一端 ...
- JQuery漂浮广告代码
<!doctype html><html><head><meta charset="utf-8"><title>jque ...
- Vue打包桌面程序
开源的地址:https://github.com/electron/electron-quick-start 一.运行 1. 安装依赖 cnpm install electron --save cnp ...
- Raspberry Pi - Huawei HiLink E3256 3G modem to ethernet adapter
Raspberry Pi - Huawei HiLink E3256 3G modem to ethernet adapter This page documents how to configure ...
- AutoCAD LoadLibrary Failed with error 126 Message
LoadLibrary Failed with error 126 Message BY C3DISH ON 26 MAY, 2013 · ADD COMMENT I wanted to post a ...
- 利用Vagrant完成开发环境配置
作者:astaxie链接:https://github.com/astaxie/go-best-practice/blob/master/ebook/zh/01.0.md著作权归作者所有.商业转载请联 ...
- 打通版微社区(5):部署DZ3.2
参考官方帖子http://www.discuz.net/thread-3258186-1-1.html 这是第三方的帖子http://www.discuz.net/thread-3199850-1- ...
- 使用MDScratchImageView实现刮奖效果
使用MDScratchImageView实现刮奖效果 https://github.com/moqod/iOS-Scratch-n-See 最终效果: 其实这是使用了别人的东西而已:) 源码: // ...
- Undirected Graphs
无向图 Introduction 图是由边连接的点的集合,有着广泛的应用空间. 一些图的术语,点,边,路径,环(圈),连通分量(子图). 简单路径不重复经过点,简单环不含有重复点和边,简单图不含自环和 ...