我们开始招募内容编辑志愿者了，欢迎对文献整理、推文创作、科研分享与合作感兴趣的小朋友们私信回复志愿者，也欢迎有期刊和会议征稿公益宣传需求的老师们与我联系沟通。

　　摘要：CESNET已准备好在400G网络上展示数据包捕获演示。作为其研究活动的一部分，它开发了一种用于FPGA卡的新系统，用于向DPDK快速接收数据包。为了简化硬件开发，我们创建了一个开源网络开发套件（NDK）框架。虽然演示仅在我们与ReflexCES合作开发的400G卡上进行，但开源NDK框架和快速数据包捕获在许多其他FPGA卡上都可用。该开源框架已准备好使用，如果您不仅使用它而且为其进一步开发做出贡献，我们将非常高兴。

　　摘要：基数估计是各种实际应用中的一个基本问题。HyperLogLog(HLL)已成为实践中的标准，因为它提供良好的内存效率、恒定的更新时间和可合并性。最近的一些工作实现了更好的内存效率，但通常以不切实际的更新时间或失去可合并性为代价，使它们与网络范围流量测量等应用程序不兼容。这项工作提出了SpikeSketch，这是一种更好的基数估计器，可将HLL的内存使用量减少37%，而不会牺牲其他关键指标。我们采用基于桶的数据结构来保证恒定的更新时间，设计了平滑的log4排序和尖峰编码方案以将基数可观察量压缩到桶中，并提出了一种轻量级可合并有损压缩来平衡内存使用、信息丢失和可合并性。然后我们推导出一个无偏估计器，用于从有损压缩草图中恢复基数。理论和实证根据结果得出，SpikeSketch可当作HLL的直接替代品，因为它实现了接近最优的MVP（内存方差乘积）4.08（比HLL小37%），并且具有恒定的更新时间和可合并性。它的内存效率甚至击败了ACPC和HLLL，这两种最先进的无损压缩草图使用线性时间压缩来减少内存使用。

　　摘要：本文报告了我们对美国三大运营商（AT&T、Verizon和T-Mobile）的5G体验进行的深入测量研究。我们不仅定量描述5G覆盖范围、可用性和性能（在毫米波和Sub-6GHz频段），而且还确定了一些性能问题并分析其最终的原因。我们正真看到，线G体验并没有想象中那么令人满意。这还在于更快的5G没有正真获得应有的使用。我们有几个令人惊讶的发现：尽管速度潜力巨大（例如，高达数百Mbps），但一半以上并未在实践中实现；这种利用率不足的根本原因是当前以忽视性能的方式管理无线电资源的做法和政策；当5G在毫米波和Sub-6GHz频段上共同部署时，5G的使用甚至更少；暂时失去5G的情况并不少见，而且其负面影响维持的时间更长。受我们研究结果的启发，我们设计了一种名为5GBoost的补丁解决方案来解决传统5G运营中发现的问题。我们的初步评估验证了其发挥更多5G潜力的有效性。

　　摘要：当代社会依靠多种网络基础设施生存，例如通信和交通。这些网络基础设施需要保持所有节点的连接，尽管这些节点偶尔会因故障而断开连接。因此，运行期间的预期连接节点对(ECP)数量是网络设计中合理的可靠性度量。然而，由于ECP的计算难度，目前还没有研究它的工作。我们一定要解决可靠性评估问题，这是一个计算困难的问题，需要O(n2)次，其中n是网络中的节点数。本文提出了一种精确计算ECP的有效方法。我们的方法仅执行一次动态规划，无需对每个节点对进行显式重复，并获得按每个节点的用户数量加权的精确ECP值。彻底的复杂性分析表明，我们的方法比现有的可靠性评估方法更快，可以将其转移到ECP计算，时间复杂度为O(n)。使用真实拓扑的数值实验显示出很高的效率；例如，我们的方法在10秒内计算出821链路网络的ECP；现有的方法无法在一小时内完成。本文还提出了两个应用：关键链路识别和最佳资源（例如服务器）放置。

　　摘要：频谱群智感知系统尚未提供近乎实时的标记数据。我们提出了一个解决这一挑战的框架，该框架仅依赖于低成本接收器收集的功率谱密度（PSD）数据。一个主要障碍是设计一个计算效率高、可近乎实时操作的系统，但仅使用低成本频谱传感器的有限2MHz带宽。首先，我们提出了一种无监督传输检测的新方法，该方法与众智平台后端已收集的PSD数据一起使用，并提供稳定的传输边界检测。其次，我们引入了一种数据驱动的深度学习解决方案，利用从最多2 MHz频段的单个PSD测量中提取的压缩空间中的传输特征，对发射机使用的无线技术进行分类。我们构建了一个实验平台，并使用从欧洲各地部署的47个不同传感器收集的真实数据来评估我们的框架。我们表明，我们的框架在测试数据集上的平均分类准确率接近94.25%，当集成到主要众智网络的后端时，最大延迟为3.4秒。代码和数据已发布，用于再现性和进一步研究。

　　摘要：得益于《通用数据保护条例》(GDPR)等监管政策，为用户更好的提供删除其私人数据的权利至关重要，即使这一些数据已用于训练神经网络模型。在联合学习的背景下，这种机器遗忘问题变得更具挑战性，在联合学习中，客户协作使用他们的私有数据训练全局模型。当客户端请求擦除其数据时，其影响已经逐渐渗透到大量客户端，因为服务器通过多轮通信聚合客户端更新。所有这些受影响的客户都需要参与再培训过程，因此导致相对于挂钟培训时间而言，再培训成本过高。在本文中，我们介绍了Knot的设计和实现，这是一种新的集群聚合机制，专对于异步联邦学习。Knot的设计基于我们的直觉，通过异步联邦学习，客户端可大致分为集群，聚合只能在每个集群内进行，这样由于数据擦除而进行的重新训练也可以限制在每个集群内。为了优化客户端集群分配，我们制定了字典最小化问题，该问题能转换为线性规划问题并有效解决。在各种数据集和任务中，我们已显示出明确的证据，表明在异步联邦学习的背景下，Knot的性能优于最先进的联邦取消学习机制高达85%。

　　摘要：各种网络管理和编排(MANO)任务利用预测来支持预期决策。在许多实际场景中，此类预测带来了两个很大程度上被忽视的挑战：（i）预测值（例如，预留资源）和性能目标（例如，最终用户的体验质量）之间的确切关系通常是混乱且无法得知的(ii)在许多情况下，目标与以相互交织的方式促成目标的多种预测相关联（例如，预留的资源是有限的，必须在竞争流之间共享）。我们提出了AutoManager，一种新颖的元学习模型，能够最终靠解决这两个挑战来支持复杂的MANO任务。我们的解决方案了解多个相互交织的预测怎么样影响共同的性能目标，并引导它们以便在先验未知的损失函数下达到正确的操作点。我们根据现实世界的流量测量在实际、复杂的用例中演示AutoManager；我们的实验表明，该模型以完全自动化的方式生成准确且针对MANO任务量身定做的预测。

　　摘要：流量整形是终端主机的常见功能。与硬件相比，软件塑造者开发和部署灵活性更好，因此非常着迷。然而，软件方法仍然不能令人满意，因为它们难以达到40Gbps和更高速度的饱和。虽然已经做出了很多努力来减少软件流量整形的内在开销，但我们得知正是外在开销，例如PCIe通信和中断，限制了软件流量整形的性能。阻碍整形实现40Gbps-100Gbps速度。批处理是摊销这些开销的有效方法。然而，盲目批处理会降低网络性能，因为它会在网络中引入突发。深入研究这个困境，我们得知流内突发是损害网络性能的罪魁祸首，而由来自不同流的数据包组成的流间突发可以在网络中自然地解复用。基于这一见解，我们提出了FlowBundler，能够最终靠流间批处理实现高效的流量整形。测试床实验表明，FlowBundler能够正常的使用单个CPU内核实现98Gbps的精确整形，比最先进的方法提高2.6倍。大规模仿真表明FlowBundler可以批量传输数据包而不损害网络性能。

　　摘要：柔性制造是工业4.0的核心目标之一，给当前的工业控制管理系统带来了新的挑战。我们对汽车玻璃行业的详细实地研究表明，现有生产线在生产转换过程中改造难度大、升级难度大、升级成本高。这种不灵活性是由于设备、控制器和控制任务的紧密耦合造成的。在这项工作中，我们提出了一种名为控制即服务(CaaS)的工业控制管理系统新架构。CaaS将控制任务从专用控制器传输并分配到时间敏感网络(TSN)交换机。通过将交换机中的控制和传输功能相结合，CaaS将工业TSN网络虚拟为一台可编程逻辑控制器(PLC)。我们提出了一套实现网络内工业控制端到端确定性的技术和联合任务和流量调度算法。我们在基于真实网络控制管理系统的测试平台上评估CaaS的性能。根据结果得出CaaS的思路可行有效，CaaS实现了绝对的数据包交付，延迟降低了42-45%，抖动降低了三个数量级。我们始终相信CaaS是工业控制分布式、虚拟化、服务化迈出的有意义的一步。

　　摘要：我们提出了一种通信感知修剪(CaP)算法，这是一种新颖的分布式推理框架，用于在物理网络上分布DNN计算。与传统的修剪方法不同，CaP考虑了物理网络拓扑并生成具有通信感知能力的DNN，旨在在此类分布式部署中准确快速地执行。我们在CIFAR-10和CIFAR-100（两个深度学习基准数据集）上进行的实验表明，CaP比最先进的竞争对手高出高达4%的准确性。在现实场景的实验中，它同时将总执行时间减少了27%–68%，而性能直线下降可忽略不计（小于1%）。

　　摘要：在本文中，我们介绍了轨道TCP(OrbTCP)，这是一种用于低地球轨道(LEO)卫星网络的多路径数据传输协议。OrbTCP利用网络内遥测(INT)来获取在边缘不相交路径上运行的每个活动子流的每跳拥塞信息。OrbTCP(1)为终端主机提供低缓冲容量和低延迟的网络操作，(2)最大限度地提高应用程序吞吐量和网络利用率，以及(3)对突发流量或路径重新配置造成的网络热点做出快速反应。我们提出的早期结果展示了LEO卫星网络中最先进的数据传输的局限性，激发了对新型数据传输协议的需求，并提供了OrbTCP可以克服已确定的局限性的初步证据。

　　摘要：COVID-19大流行对人们产生了重大影响，促使人们使用Zoom、Teams、Slack等通信工具在家工作。这些通信服务的用户在过去两年中呈指数级增长，例如，Teams的年用户达到2022年，视频会议平台日活跃用户数将达到2.7亿，Zoom日均活跃用户数将达到3亿。然而，使用先进的人工智能技术，新的网络攻击工具使这些服务容易被窃听或破坏。这项工作研究了对物理键盘的击键窃听攻击，使用深度学习技术来分析击键音频的声学发射，以识别受害者的击键。开发了一种准确的上下文无关推断算法，可以在输入过程中自动预测击键。实验根据结果得出，击键推理方法的准确度比普通笔记本电脑键盘高出90%左右。

　　摘要：软件定义网络可用于多种任务，包括防火墙、遥测和流分析。特别是，P4语言使得在数据平面（即交换机本身）上执行一些简单的数据包处理任务成为可能（无需SDN控制器或服务器的实时支持）。然而，由于P4中数据包解析的限制，这些任务仅涉及数据包头。在本文中，我们提出了一种新颖的方法，该方法允许仅使用P4在数据平面中进行深度数据包检查(DPI)，即数据包有效负载的检查。我们利用P4中交换机可以克隆和再循环数据包的事实。能重新循环一个副本（克隆），在每一轮中切掉一个字节，并使用有限状态机检查是不是已经看到目标字符串。如果找到目标字符串，则丢弃另一个副本（原始数据包）；假如没有，则通过。我们的方法使我们也可以在数据平面中构建第一个应用层防火墙（URL过滤器），并在商品可编程交换机上过滤数千个URL时实现基本线速性能。它将来也可能用于其他DPI任务。

　　摘要：边缘计算范式的发展支持了延迟关键型人工智能应用程序的出现。然而，边缘解决方案通常受到资源限制，由于对计算能力的争夺加剧以及在过载情况下出现错误的应用程序行为，从而带来了可靠性挑战。尽管可以挖掘大量生成的日志数据来进行故障预测，但标记这一些数据以进行训练是一个手动过程，因此是自动化的限制因素。因此，许多公司采用无监督的容错模型。然而，当此类故障模型需要适应非固定工作负载和不同的主机特征时，有几率会使准确性下降。因此，我们提出了一种新颖的建模方法DeepFT，通过优化任务调度决策来主动避免系统过载及其不利影响。DeepFT使用深度代理模型来准确预测和诊断系统中的故障，并使用基于协同仿真的自监督学习来动态适应不稳定环境中的模型。边缘集群上的实验表明，DeepFT在故障检测和QoS指标方面优于最先进的方法。具体来说，DeepFT在故障检验测试方面给出了最高的F1分数，将服务截止日期违规率减少了高达37%，同时还将响应时间缩短了高达9%。

　　摘要：最近的数据中心网络拓扑正在转向异构和结构化拓扑，以实现高吞吐量、低成本和简单的可管理性。然而，他们依赖的次优路由方法没办法实现其设计容量。本文提出了一种设计最佳不经意路由的过程，该路由在可编程交换机上进行紧凑编程。该过程由三个串联的贡献组成。我们第一步将设计不经意路由的鲁棒优化问题转化为线性程序，该程序可在多项式时间内求解，但无法针对数据中心拓扑进行扩展。然后，我们证明数据中心拓扑中的重复结构会产生结构化的最佳解决方案。我们利用这种洞察力来制定可扩展的线性程序，因此能在多项式时间内获得大规模拓扑的最佳不经意路由解决方案。对于实际部署，最优解决方案被转换为具有严格内存的可编程交换机的转发规则。有了这个约束，我们利用最优解中的重复结构对转发规则进行分组，从而得到紧凑的转发规则，并且内存需求小得多。广泛的评估表明，我们的流程i)比最先进的技术更快、更具可扩展性地获得最佳解决方案，ii)对于大多数考虑的拓扑，将内存需求减少不少于90%。

　　摘要：来源跟踪在最近的文献中被大范围的使用在调试系统漏洞并查找正在运行的系统故障、错误或崩溃背后的最终的原因。然而，现有方法主要开发基于图的模型，用于对直接在操作系统内核上运行的整体应用程序进行溯源跟踪。相比之下，现代基于DevOps的面向服务的架构依赖于分布式平台，例如在内核上使用基于容器的沙箱的无服务器计算。对这种分布式微服务架构进行来源跟踪具有挑战性，因为应用程序和系统日志是异步生成的，并且遵循异构命名法和日志记录格式。本文开发了一种新颖的方法，将系统和微服务日志组合在一起，生成通用来源图（UPG），可用于无服务器架构上的来源跟踪。我们开发了一个可加载内核模块（LKM），通过在静态应用程序二进制文件上的控制流图的帮助下拦截系统调用来识别日志上的运行时单元。最后，我们设计了一种基于正则表达式的日志优化方法，用于对生成的UPG进行反向查询解析。使用不相同的基准无服务器应用程序对所提出的UPG模型进行彻底评估，显示了该系统的有效性。

　　摘要：带内网络遥测(INT)和草图算法是实时测量网络流量的两个有前途的方向。为了将sketch与INT结合起来并保持其优势，一种代表性的方法是使用INT将交换机sketch分成小块（称为sketchlet）发送到终端主机，以重建相同的sketch。然而，在本文中，我们表明，当天真地选择要添加到sketchlet的存储桶时，终端主机重建的sketch是不准确的。为客服这样的一个问题，我们推出了DUNE，一种创新的sketch-INT网络测量系统。DUNE包含两项关键创新：首先，我们设计了一种新颖的分散sketchlet，通过允许开关选择单个存储桶添加到sketchlet，可以更有效地传输测量数据；其次，我们提出了用于跟踪草图存储桶的“新鲜度”的轻量级数据结构，并提出了用于智能选择包含有价值的测量数据以发送到终端主机的存储桶的算法。我们从理论上证明了所提出方法的有效性，并在商品可编程交换机上实现了原型。由现实世界流量驱动的大量实验根据结果得出，DUNE可以以微不足道的成本大幅度提高测量精度。

　　摘要：迄今为止，安全研究人员通过基于内核或绕过内核的测试工具来评估其缓解拒绝服务(DDoS)攻击的解决方案。然而，基于内核的工具在攻击流量生成方面表现出较差的可扩展性，而内核绕过工具则导致不可接受的金钱成本。我们提出了Excalibur，一种用于DDoS防御解决方案的可扩展且低成本的测试框架。关键思想是利用可编程交换机以Tbps级可扩展性和低成本执行测试任务。具体来说，Excalibur协调服务器和可编程交换机共同执行测试任务。在服务器中实现灵活的需要大量资源的攻击流量生成，同时利用交换机将攻击流量的发送速率提高到Tbps级别。我们在64×100 Gbps Tofino交换机上进行的实验表明，Excalibur比现有工具实现了多个数量级的可扩展性和更低的成本。

　　摘要：联邦学习(FL)是一种保护数据隐私的分布式机器学习技术。然而，它已被证明容易受到梯度泄漏攻击(GLA)的影响，该攻击可以以压倒性的概率从公共梯度重建私人训练数据。然而，这些攻击要么需要修改FL模型（基于分析），要么需要很久才能收敛（基于优化），并且无法处理实际FL系统中的高度压缩梯度。在本文中，我们首创了一种称为FGLA的基于生成的GLA方法，该办法能够重建批量用户数据，从而放弃优化过程。具体来说，我们设计了一种特征分离技术，提取批次中每个数据的特征，然后直接生成用户数据。对多个图像数据集的大量实验表明，FGLA可以在几毫秒内从高度压缩的梯度（0.8%压缩比或更高）重建用户图像，批量大小为256，从而大大优于最先进的方法。

　　摘要：安全重复数据删除存储是云存储外包的一个关键范例，可实现经营成本节约（通过重复数据删除）和外包数据机密性（通过加密）。然而，现有的安全重复数据删除存储设计很容易受到学习内容攻击，其中恶意客户端能够最终靠监视重复数据删除模式来推断外包数据的敏感内容。我们通过一个简单的案例研究表明，学习内容攻击确实是可行的，并能在真实的云环境下在极短的时间内推断出敏感信息。为此，我们提出了FeatureSpy，这是一种安全的重复数据删除存储系统，可以根据对学习内容攻击通常会生成大量相似数据的观察，有效地检测此类攻击。FeatureSpy基于两个核心设计元素，即(i)保留相似性的加密，支持对加密块进行相似性检测；(ii)屏蔽攻击检测，利用英特尔SGX准确检测学习内容攻击，而不会轻易被对手规避。对真实世界和合成数据集的跟踪驱动实验表明，我们的FeatureSpy原型在攻击检测中实现了高精度和低性能开销。

　　摘要：移动和物联网设备产生的大量数据推动了联邦学习(FL)的发展，该框架允许此类设备（或客户端）协作训练机器学习模型，而无需共享本地数据。FL算法（如FedAvg）迭代地聚合客户端在其自己的数据集上计算的模型更新。客户可能表现出不同程度的参与，通常随着时间的推移并与其他客户相关。本文提出了异构和相关客户端可用性下类似FedAvgFL算法的首次收敛分析。我们的分析强调了相关性如何对算法的收敛速度产生不利影响，以及聚合策略如何以将训练转向有偏差的模型为代价来减轻这种影响。在理论分析的指导下，我们提出了CA-Fed，一种新的FL算法，试图平衡最大化收敛速度和最小化模型偏差这两个相互冲突的目标。为此，CA-Fed动态调整给予每个客户端的权重，并可能忽略可用性低且相关性大的客户端。我们的实验结果表明，无论是在合成数据集还是真实数据集上，CA-Fed都比最先进的AdaFed和F3AST实现了更高的时间平均精度和更低的标准偏差。

　　摘要：将毫米波(mm-wave)用于高容量多用户网络的前提是联合执行波束管理，以实现所有用户之间的无缝连接和高效资源共享。5G-NR中的波束管理主动监控服务小区上的候选波束对链路(BPL)，以简单地选择用户的最佳波束，但忽略了多用户资源共享问题，可能导致过载小区的吞吐量严重下降。我们提出了flexRLM，一种用于多用户下行链路毫米波网络的基于协调器的灵活无线电链路监控(RLM)框架。flexRLM能够灵活配置服务小区和其他候选小区上受监控的BPL，并结合考虑链路质量和资源共享进行波束选择。flexRLM完全符合5G-NR标准，并在非独立模式下使用LTE协调器，通过周期性下行链路控制同步信号的测量报告持续更新监控的BPL。我们在ns-3中实现了flexRLM，并进行了全栈仿真，以证明flexRLM在多用户网络中相对于默认5G-NR RLM的卓越性能。我们的结果表明，flexRLM对受监控BPL的持续更新提高了链路质量和稳定性。通过监控服务小区以外的候选小区上的BPL，flexRLM还可以显着减少切换决策延迟。重要的是，flexRLM的低复杂性协调负载平衡实现了接近单用户基线的每用户吞吐量。

　　摘要：流表是网络数据平面的基础和关键组成部分。为了高效的流表构建、查找和更新，已经设计了许多算法和架构。流表的多样性和获取真实数据集的难度使得对设计进行公平和自信的评估变得具有挑战性。过去，研究人员依靠ClassBench及其改进来合成流表，这对于当今的网络来说已经不够了。在本文中，我们提出了一种新的流表基准测试工具FlowBench。基于新颖的设计方法，FlowBench可以在短时间之内生成匹配类型和字段任意组合的大规模流表，同时保持准确的特征以揭示被评估算法的真实性能。该开源工具有助于研究人员以前所未有的灵活性评估现有和未来的算法。

　　摘要：预测WLAN部署的吞吐量是设计稳健且高性能WLAN系统时出现的一个经典问题。然而，由于通信协议日益复杂，以及越来越密集的WLAN部署中设备之间的干扰增加，传统方法要么运行时间长，要么预测误差巨大，因此无法应用于下游任务。最近，图神经网络已被证明是强大的图分析模型，并已广泛应用于链路调度和功率分配等各种网络问题。在这项工作中，我们提出了HTNet，这是一种专门的异构时态图神经网络，可以从动态WLAN部署中提取特征。通过分析WLAN部署图的独特图结构，我们表明HTNet在每个快照上实现了最大的表达能力。与其他基于GNN的方法相比，HTNet基于强大的消息传递方案，需要更少的层数，从而需要更少的支持数据和运行时间。为了评估HTNet的性能，我们准备了六种不同的设置，其中包含超过五千个密集的动态WLAN部署，涵盖了广泛的实际场景。HTNet在所有六种设置上实现了最低的预测误差，比最先进的方法平均提高了25.3%。

　　摘要：随着先进通信原语（例如编码、调制）的不断发明，低功耗广域网(LPWAN)迅速发展。然而，LPWAN上的这种快速迭代在多年前部署的传统无线传感器节点（例如，基于ZigBee的传感器节点）与运行不同通信协议的最新竞争对手（例如，基于LoRa的物联网节点）之间形成了通信障碍：它们工作位于相同频段，但共享不同的MAC层和PHY层规则，因此无法直接相互通信。为了打破这一障碍，我们提出了LigBee，这是一种跨技术通信(CTC)解决方案，可实现从最新LPWAN LoRa节点到传统ZIGBEE节点的符号级通信。我们在软件定义无线电和商用现成(COTS)LoRa和ZigBee节点上实施了LigBee，并证明LigBee在两个平台上构建了从LoRa节点到ZigBee节点的可靠CTC链路。我们的实验结果表明，i)LigBee实现了10−3左右的误码率(BER)，帧接收率(FRR)为70∼80%，ii)LigBee链路的范围超过300m，即6∼是传统ZigBee和最先进解决方案典型范围的7.5倍，并且iii)LigBee链路的吞吐量保持在kbps量级，接近LoRa的吞吐量。

　　摘要：网络运维很大程度上依赖于网络流量监控。由于测量开销的减少、测量基础设施的缺乏以及意外的传输错误，网络流量监测系统面临观测数据不完整和数据高度稀疏的问题。最近的研究将丢失数据恢复建模为张量完成任务，并显示出良好的性能。尽管很有前景，但当前网络流量数据恢复中采用的张量补全模型缺乏有效且高效的再训练方案来适应新到达的数据，同时保留历史信息。为了解决这个问题，我们提出了LightNestle，一种基于元学习的新颖的顺序张量完成方案，它设计了（1）一个表达神经网络，将空间知识从先前的嵌入转移到当前的嵌入；（2）基于注意力的模块，用于将时间模式转移到线性复杂度的当前嵌入中；(3)基于元学习的算法，用于迭代恢复丢失的数据并更新传输模块以跟上学到的知识。我们对两个真实世界的网络流量数据集进行了广泛的实验，以评估我们的性能。结果表明，我们提出的方法实现了快速再训练和高恢复精度。

　　摘要：可编程交换机提供有限容量的数据包标头向量(PHV)字，用于存储由网络功能定义的数据包标头字段和元数据字段。然而，现有的switch编译器采用低效的PHV字字段编码策略。它们的编码浪费了稀缺的PHV字，并且可能导致部署网络功能时失败。在本文中，我们提出了Melody，一个新框架，它在尽可能多的领域重用PHV单词，以实现资源高效的PHV编码。Melody提供了现场分析器和优化框架。分析器识别哪些字段可以重用PHV字，同时保留原始数据包处理逻辑。该框架将分析结果集成到其编码中，以提供资源优化决策。我们使用生产规模的网络函数来评估Melody。我们的结果表明，Melody减少了PHV单词的消耗高达85%。

　　摘要：区块链系统必须安全并提供高性能。这些系统依靠交易广播机制来提供这两个功能。不幸的是，在当今的系统中，广播机制效率非常低。我们推出了Mercury，一种专为高性能区块链设计的新交易广播协议。Mercury使用两种技术来缩短事务传播延迟：虚拟坐标系和早期爆发策略。仿真结果表明，Mercury的性能优于之前的传播方案，并将总体传播延迟降低了高达44%。当在开源高吞吐量区块链系统Conflux中实施时，Mercury将交易传播延迟减少了50%以上，而带宽开销则低于5%。

　　摘要：将现成的深度神经网络（DNN）模型转变为动态多出口架构，可以通过在边缘计算场景（例如边缘设备和云服务器）中对大型DNN模型进行碎片化和分布来实现推理和传输效率。在本文中，我们提出了一种专门针对动态多出口DNN模型的新型后门攻击。特别是，我们通过毒害一个DNN模型的浅层隐藏层来注入后门，该模型的目标不是这个普通的DNN模型，而是其动态部署的多出口架构。我们的后门模型在性能上表现正常，即使使用正确的触发器也无法激活。然而，当受害者获得该模型并在部署时将其转换为动态多出口架构时，后门就会被激活。我们进行了大量的实验，以证明我们对具有四个数据集（CIFAR-10、SVHN、GTSRB和Tiny-ImageNet）的三种结构（ResNet-56、VGG-16和MobileNet）的攻击的有效性，并且我们的后门可以隐秘地逃避多种最先进的后门检测或删除方法。

　　摘要：随着人们对梯度隐私泄露问题的日益关注，出现了各种攻击机制，以在诚实但好奇的服务器上从梯度中恢复隐私数据，这对联邦学习中隐私保护的主要优势提出了挑战。然而，我们对这些梯度攻击对生产联邦学习系统的真正影响表示怀疑。通过剔除文献中的一些不切实际的假设，我们发现梯度攻击对原始数据的隐私构成有限程度的威胁。通过结合实际假设对联邦学习系统中现有的梯度攻击进行综合评估，我们系统地分析了它们在各种配置下的有效性。我们提出了使攻击成为可能或更强所需的关键先验，例如初始模型权重的狭窄分布，以及训练早期阶段的反转。然后，我们提出了一种新的轻量级防御机制，该机制可以在整个联邦学习过程中针对随时间变化的隐私泄露风险级别提供充分且自适应的保护。作为梯度扰动方法的一种变体，我们提出的防御方法称为Outpost，根据Fisher信息矩阵在每次更新迭代时有选择地向梯度添加高斯噪声，其中噪声水平由模型传播量化的隐私泄露风险决定每层的权重。为了限制计算开销和训练性能下降，Outpost仅通过基于迭代的衰减来执行扰动。我们的实验结果表明，在收敛性能、计算开销和梯度攻击防护方面，Outpost可以比最先进的技术实现更好的权衡。

　　摘要：尽管功能即服务(FaaS)已成为基本的云编程模型之一，但它仍在快速发展。最近，Amazon推出了S3 Object Lambda，它允许在从S3下载对象时自动调用用户定义的函数来处理对象。与任何新功能一样，仔细研究它是阐明S3 Object Lambda（或者更一般地说，内联无服务器数据处理）是否对云有价值的补充的关键。因此，我们对这项新颖的服务进行了广泛的测量研究，以表征其架构和性能（在冷启动延迟、TTFB时间等方面）。我们特别关注这种新功能形式的流处理能力，因为它可能为现有无服务器系统提供流处理能力打开大门。我们通过多个工作负载讨论了这一新功能的优缺点，得出的结论是S3 Object Lambda可以远远超出其最初的目的，并可用作更复杂抽象的构建块。

　　摘要：最近，苹果和三星等行业先驱推出了新一代离线查找网络（OFN），可以在不泄露私人数据的情况下集体搜索丢失的设备。具体来说，OFN利用附近的在线查找设备通过蓝牙低功耗(BLE)进行邻居发现，从而检测离线丢失设备的存在，并通过互联网将加密位置报告给所有者。OFN中的用户体验与找到丢失设备的成功率（可能性）密切相关，其中前提阶段（即邻居发现）的延迟很重要。然而，由于不同的功率模式或不同的制造商，众包的查找设备在扫描模式上表现出多样性，导致邻居发现性能的局部最优。在本文中，我们提出了一种名为ElastiCast的全新广播模式来解决扫描模式多样性问题。ElastiCast捕捉了BLE邻居发现的关键特性，并全局优化了与多种扫描模式交互的广播模式。实验评估结果和商业产品部署经验表明，ElastiCast可以有效地在功率预算内实现稳定且有限的邻居发现延迟。

　　摘要：我们考虑网络系统中的在线分布式优化，其中由服务器协助的多个设备协作最小化随时间变化的一系列全局损失函数的累积。为了减少通信量，设备将量化和压缩的本地决策发送到服务器，从而产生嘈杂的全局决策。因此，在优化性能和通信开销之间存在权衡。现有的工作分别优化计算和通信。相反，我们通过鼓励决策序列中的时间相似性来控制通信开销，共同考虑跟着时间的推移计算和通信。我们提出了一种有效的算法，称为具有时间相似性的在线分布式优化（ODOTS），其中局部决策是计算和通信感知的。此外，ODOTS使用了一种新颖的可调虚拟队列，通过修改后的Lyapunov漂移分析完全消除了通常假设的Slater条件。ODOTS在优化目标和约束违反方面提供了可证明的性能界限。作为示例应用程序，我们应用ODOTS来实现高效通信的联邦学习。我们基于真实世界图像分类的实验根据结果得出，与当前凸和非凸损失函数的最佳替代方案相比，ODOTS获得了更高的分类精度和更低的通信开销。

　　摘要：需求感知的可重构数据中心网络可以建模为ToR-Matching-ToR(TMT)两层架构，其中每个架顶式(ToR)由一个静态交换机表示，n个ToR由一组连接可重构光路开关(OCS)。每个OCS通过可在运行时更新的匹配在内部连接一组输入输出端口。匹配模型是此类网络的形式化，其中数据中心拓扑是通过节点集上的匹配的并集来定义的，每个节点都可以以单位成本重新配置。在这项工作中，我们针对OCS的场景提出了一种可扩展的匹配模型有固定数量的端口。此外，我们还提出了OpticNet，一个将一组n个静态ToR交换机映射到一组p端口OCS以形成任何恒定度拓扑的框架。我们证明OpticNet使用最少数量的可重新配置交换机来实现任何所需的网络拓扑，并允许在其之上应用任何现有的自调整网络(SAN)算法，同时保留摊销性能保证。我们基于实际工作负载的实验根据结果得出，OpticNet是一个灵活高效的框架，可用于设计高效的SAN。

　　摘要：大型模型在人工智能领域备受关注。稀疏激活专家混合(MoE)技术将模型规模推向万亿级，计算量呈次线性增长，因为MoE层可以配备许多独立的专家，但只需要一两个专家对每个输入数据进行训练。然而，教育部动态激活专家的特点在分布式训练中引入了广泛的通信。在这项工作中，我们提出PipeMoE来自适应地管道化MoE中的通信和计算，以最大限度地隐藏通信时间。具体来说，我们首先确定较高的管道度并不总是在训练MoE模型时获得更好性能的根本原因。然后我们制定一个优化问题，旨在最小化训练迭代时间。为了解决这个问题，我们为MoE中的计算和通信任务构建性能模型，并开发最佳解决方案来确定管道程度，以使迭代时间最小。我们在64-GPU集群上使用174个典型MoE层和两个真实的NLP模型进行了广泛的实验。实验根据结果得出，我们的PipeMoE几乎总是选择最佳的管道度，并且在训练时间上比最先进的MoE训练系统高出5%-77%。

　　摘要：文献和新闻经常报道利用通用串行总线(USB)设备作为恶意软件注入和私人数据泄露的攻击工具的案例。为了防止此类攻击，安全研究人员提出了不同的解决方案，通过旁道信息（例如定时或电磁发射）来验证USB设备的身份。然而，此类解决方案通常对测量（例如，设备周围的无电磁干扰区域）、设备状态（例如，仅在启动时或特定操作期间）做出强有力的假设，或者仅限于一种特定类型的USB设备（例如闪存驱动器或输入设备）。在本文中，我们提出了PowerID，这是一种根据USB外围设备的功耗对USB外围设备进行指纹识别的新颖方法。PowerID分析外围设备的电源轨迹以推断其身份和属性。我们在从82个USB外设（包括35个型号和8个类型）收集的广泛功率跟踪数据集上评估了我们的方法的有效性。我们的实验结果表明，PowerID可以准确识别外设类型、型号、活动和身份。

　　摘要：人们在骨干路由器中使用小缓冲区方面进行了大量的研究工作，以便为用户提供更低的延迟并为供应商释放容量。不幸的是，对于小缓冲区，droptail策略的丢失率过高，并且现有的AQM（主动队列管理）策略可能不可靠。我们引入QueuePilot，一种基于RL（强化学习）的AQM，它可以在骨干路由器中实现小缓冲区、交易利用率高、丢失率低、延迟短。QueuePilot自动调整ECN（早期拥塞通知）标记概率。使用各种设置进行离线训练后，QueuePilot会生成一个轻量级策略，无需进一步学习即可在线应用。我们在具有数百个TCP连接的真实网络上评估QueuePilot，并展示其在小缓冲区中的性能如何超越现有算法，甚至超过其在较大缓冲区中的性能。

　　摘要：可以立即处理数据平面中的网络故障的快速重路由（FRR）机制在数据包交换网络中越来越受到关注。在FRR中，不需要通知消息，因为与故障相邻的节点都准备了路由表，以便仅根据本地信息重新路由数据包。然而，设计FRR的路由算法具有挑战性，因为可能发生故障的网络链路和节点组的数量可能非常高，而算法应跟踪哪些节点意识到故障。在本文中，我们提出了一种通用算法框架，该框架结合了整数线性规划（ILP）的优点和与k连接图的构造性图表征相关的图论有效方法，即边分裂。我们通过FRR的树状设计说明了这些好处，并表明(i)由于ILP，我们在定义路由问题时具有很大的灵活性，而(ii)问题仍然可以非常快速地解决。我们通过模拟证明，我们的框架优于最先进的FRR机制，并通过更短的树状路径提供更好的弹性。

　　摘要：低功耗蓝牙(BLE)是构建物联网应用的流行无线协议之一。然而，BLE存在三个主要问题，使其无法为时间关键的物联网应用提供可靠的服务。首先，BLE运行在拥挤的2.4GHz频段，这会导致较高的丢包率。其次，一台设备连接多个BLE外设是很常见的，这可能会导致严重的冲突问题。第三，重新分配时间资源存在较长的延迟。在本文中，我们提出了RT-BLE：一种BLE的实时多连接调度方案。我们首先考虑BLE重传机制，制定噪声RF环境中的BLE传输延迟。由此，RT-BLE可以获得一组初始连接参数。然后，RT-BLE采用基于冲突树的时间资源调度技术来高效管理时间资源。最后，我们提出了一种基于子速率的快速连接重新调度方法来更新连接参数和锚点的位置。结果表明RT-BLE可以提供可靠的服务，并且我们的模型的误差小于0.69%。与现有工程相比，重调度延迟降低了86.25%，容量提高了4.33倍。

　　摘要：低地球轨道(LEO)卫星网络是提供低延迟和高吞吐量全球互联网接入的一种有前途的方式。与静态地面网络基础设施不同，低轨卫星不断围绕地球旋转，从而给网络带来不稳定。了解低地球轨道卫星网络的动态和特性并开发解决动态问题的机制变得至关重要。在这项工作中，我们首先引入了一个名为LeoEM的高保真且高度可配置的实时模拟器，用于捕获LEO卫星网络的详细动态。然后我们提出了SaTCP，这是一种跨层解决方案，使TCP能够避免过于保守的拥塞控制并提高其在高LEO链路动态下的性能。作为CUBIC TCP的升级，SaTCP通过巧妙地利用卫星位置的可预测性，考虑到预测的不准确性，来预测破坏性事件（即卫星切换或路线更新）的时间，并通知TCP相应地调整其决策。各种场景的实验表明，与最先进的协议相比，SaTCP在保持公平性的同时将吞吐量提高了数倍。

　　摘要：全球范围的IPv6扫描对于网络测量和管理至关重要，但由于其巨大的地址空间，仍然是一项有待完成的任务。为了应对这一挑战，IPv6扫描通常利用预定义的种子地址来指导搜索方向。然而，根据这一一般原则，有效利用种子的核心问题在特别大程度上是开放的。在这项工作中，我们提出了一种新颖的IPv6主动搜索策略，即HMap6，它显着提高了种子的使用，w.r.t.各种前缀中大规模主动地址发现的边际效益。HMap6采用启发式搜索策略，在广泛的BGP前缀下进行高效的种子收集和别名前缀检测，可以极大地扩展扫描覆盖范围。互联网上十亿级扫描的线M个具有活动地址的唯一/80前缀，比最先进的方法提高了11.88%。此外，HMap6的IPv6命中列表包括具有丰富信息的所有响应IPv6地址。这一结果与现有的公共IPv6命中列表（其中包含无响应和过滤的地址）截然不同，并将IPv6命中列表从数量推向了质量。为了鼓励和促进进一步的IPv6测量研究，我们发布了我们的工具以及IPv6命中列表和检测到的别名前缀。

　　摘要：5G及后续蜂窝网络(NextG)将支持资源昂贵的边缘辅助深度学习(DL)任务的持续执行。为此，需要仔细“分割”无线接入网络(RAN)资源，以满足异构应用需求，同时最大限度地减少RAN使用。现有的切片框架将每个深度学习任务视为平等，并且不灵活地定义分配给每个任务的资源，这导致性能不佳。在本文中，我们提出了SEM-O-RAN，这是第一个用于NextG OpenRAN的语义且灵活的切片框架。我们的主要直觉是，由于目标类的语义性质，不同的深度学习分类器可以容忍不同级别的图像压缩。因此，可以在语义上应用压缩，从而最小化网络负载。此外，灵活性使SEM-O-RAN能够考虑多个边缘分配，从而实现相同的任务相关性能，随着可以分配更多任务，这显着提高了系统范围的性能。首先，我们用数学公式表达了语义灵活边缘切片问题(SF-ESP)，证明它是NP困难的，并提供了一种近似算法来有效地解决它。然后，我们通过使用最先进的多目标检测(YOLOX)和图像分割(BiSeNetV2)进行广泛的数值分析，以及在Colosseum测试台上进行的真实实验来评估SEM-O-RAN的性能。我们的结果表明，相对于现有技术，SEM-O-RAN将分配的任务数量提高了169%。

　　摘要：出于公共安全目的，无人机的航拍图像已被用来检测和跟踪人群中的嫌疑人。然而，由于能见度差、视场(FoV)变化以及机载计算资源有限，使用单架无人机进行人体识别和定位面临着许多挑战，包括精度低和延迟长。在本文中，我们提出了SkyNet，这是一种用于准确实时的人体识别和定位的多无人机协作系统。SkyNet通过从多个视图交叉搜索来计算人的3D位置。为了实现高精度识别，SkyNet根据多架无人机的航拍图像的清晰度进行融合。此外，通过预测任务的预计完成时间，SkyNet可以调度和平衡边缘设备和云服务器之间的工作负载，以最大限度地减少处理延迟。我们在现实生活中实施和部署SkyNet，并与20名人类参与者一起评估识别和定位的性能。结果表明，SkyNet可以在554m^2的正方形上以平均误差0.18m以内的方式定位人员。识别准确率为91.36%。定位和识别过程在0.84秒内完成。

　　摘要：预测移动流量模式的能力对于移动网络运营商的资源管理和地方当局的规划至关重要。多个深度神经网络(DNN)旨在大规模捕获移动流量模式的复杂时空特征。这些模型是复杂的黑匣子，其决策本质上很难解释。更糟糕的是，事实证明它们很容易受到对抗性攻击，从而破坏了它们在生产网络中的适用性。在本文中，我们首次深入研究了用于大规模移动流量预测的DNN的漏洞。我们提出了DeExp，这是一种新工具，它利用可解释人工智能(XAI)从时空角度了解哪些基站(BS)对预测更有影响力。这是一个挑战，因为现有的XAI技术通常应用于计算机视觉或自然语言处理，并且需要适应移动网络环境。在识别出更有影响力的BS后，我们对这些BS运行最先进的对抗性机器学习(AML)技术，并测量预测变量的准确性下降。对现实世界移动流量跟踪的广泛评估表明，攻击与预测器相关的BS会显着降低其在所有场景中的准确性。

　　摘要：分布式流系统通过在数据到达时对其进行处理来提供低延迟。然而，现有系统不提供延迟保证，这是实时分析的关键要求，特别是对于突发和倾斜工作负载下的有状态操作员来说。我们推出了StreamSwitch，这是一个流系统的控制平面，可以限制操作员延迟，同时优化资源使用。基于将动态扩展和负载平衡统一到整体控制框架中的新颖的流交换抽象，我们的设计结合了反应性和预测性指标来推断执行器的健康状况，并及时制定实际最佳的扩展和负载平衡决策。我们实现了StreamSwitch的原型，并将其与Apache Flink和Samza集成。对实际应用程序和基准的实验评估表明，StreamSwitch为限制延迟提供了经济高效的解决方案，并且性能优于最先进的替代解决方案。

　　摘要：本文讨论了部署最少数量的配备有定向传感单元和波束宽度θc≥π2的定向通信天线的定向传感器的问题，使得该组传感器覆盖2D平面上的一组目标P以及该组传感器形成对称连接的通信图。由于这样的一个问题是NP-hard问题，我们提出了一种近似算法，其使用的全向传感器数量是Han等人提出的当前最佳近似算法所需数量的3.5倍。这是一个重要的结果，因为当我们从全向传感器切换到定向传感器时，我们已经打破了2π/π2=4的障碍。此外，我们还改进了Han等人提出的几何扇形覆盖问题的基于Strip的算法的近似率从9到7。我们相信这个结果在计算几何领域很有趣。仿真根据结果得出，我们的算法仅需要Han等人算法使用的传感器数量的3倍左右，并且在实践中显着优于其他启发式算法。

　　摘要：通信网络的大规模故障是自然灾害、严重停电、军事和网络攻击的结果。我们解决的问题是最大限度地减少干预时间和次数，以充分恢复通信网络，以支持大规模故障后的应急服务。我们提出了PROTOn（渐进式恢复和基于断层扫描的监测），这是一种用于渐进式恢复紧急服务的有效算法。与之前的工作不同，假设集中式路由和完整的网络可观测性，PRoTOn解决了更现实的场景，其中网络依赖于现有的路由协议，并且网络状态的知识是部分且不确定的。在真实拓扑上进行的仿真根据结果得出，我们的算法在静态和动态故障场景中的累积路由流量、修复成本和恢复时间方面均优于以前的解决方案。

　　摘要：网络运营商希望在用户之间强制公平地共享带宽，而不仅仅依赖于最终用户设备上运行的拥塞控制。然而，在边缘网络（例如5G）中，共享瓶颈链路的用户设备数量远远超过当今交换机硬件支持的队列数量；即使准确跟踪每个用户的发送速率也可能变得过于资源密集。与此同时，传统的基于软件的CPU排队很难满足5G用户对高吞吐量和低延迟的需求。我们提出了近似分层带宽分配(AHAB)，这是一种完全运行在商品数据平面中的每用户带宽限制强制执行器开关。AHAB跟踪每个用户的大致流量速率，并将其与带宽限制作比较，该限制通过实时反馈循环迭代更新，以实现用户之间的最大最小公平性。AHAB使用新颖的草图数据结构，避免存储每个用户的状态，因此能扩展到数千个切片和数百万个用户。此外，AHAB支持网络切片，其中每个切片都有保证的带宽份额，当未充分的利用时，其他切片可以清除这些带宽。评估表明，AHAB可以在3.1毫秒内实现公平的带宽分配，比之前的数据平面分层调度器快13倍。

　　摘要：在本文中，我们演示了FiND的设计，这是一种新颖的邻居发现协议，可通过Wi-Fi指纹加速BLE邻居发现，而无需任何硬件修改。FiND的设计原理是Wi-Fi和BLE两种模式在无线干扰和发现模式方面表现出互补性。在抽象邻居发现问题时，该演示为现实世界中基于推理的存在检测的新方法提供了验证。

　　回顾ICC 2022的开源代码【论文推荐】ICC 2022 开源代码汇总

　　回顾WCNC 2023的开源代码【论文推荐】WCNC 2023开源代码汇总