Explorando redes neurais em planos de dados programáveis para classificação de tráfego

Abstract

A identificação precisa do tráfego de redes é essencial para prover boa qualidade em di versos serviços. Para a classificação ser eficaz, levando em conta as elevadas taxas de transmissão de dados, seria conveniente executar a atividade de classificação nos próprios dispositivos de encaminhamento de pacotes. Uma linha de ação possível é a exploração do paradigma de planos de dados programáveis. Contudo, dispositivos programáveis im põem limitações significativas em relação à memória e à capacidade de processamento. Neste trabalho, realiza-se o projeto, a implementação e a avaliação de modelos de rede neurais, capazes de alcançar alta precisão de classificação e, ao mesmo tempo, viáveis de serem acomodados nos dispositivos alvos. Primeiramente, emprega-se a biblioteca bem difundida de aprendizado de máquina Tensorflow para obter-se modelos de RNAs treinados. Após, mapeia-se a modelagem usada para uma rede de switches virtuais com topologia equivalente, onde reproduz-se o processamento dos neurônios nos comutadores. Utiliza-se os pesos e biases provenientes do treinamento da rede neural para configurar os switches. Instancia-se uma réplica do modelo da RNA, operante em um plano de dados programável, apta a prover classificações idênticas às previstas pela RNA do Tensorflow.

Accurate identification of network traffic is essential to provide good quality in various services. For classification to be effective, taking into account the high data transmission rates, it would be convenient to perform the classification activity on the packet forward ing devices themselves. One possible course of action is to explore the programmable data plane paradigm. However, programmable devices impose significant limitations on memory and processing power. In this work, the design, implementation and evalua tion of neural network models are accomplished, capable of achieving high classification accuracy and, at the same time, viable to be executed in the target devices. First, the well-known machine learning library Tensorflow is used to obtain trained ANNs models. Afterwards, the modeling utilized is mapped to a network of virtual switches with equiva lent topology, where the processing of neurons in the switches is reproduced. The weights and biases from the training of the neural network are applied to configure the switches. A replica of the ANN model is instantiated, operating in a programmable data plane, able to provide classifications identical to those predicted by the Tensorflow ANN.