Inférence des caractéristiques réseau via exploration de données non-invasive – IONOS-DX

Il existe aujourd’hui une tendance à la « softwarisation » des équipments d’un réseau. Ce paradigme (alias Network Function Virtualization) préconise la virtualisation des dispositifs physiques "middleboxes" (statiques et coûteux), et leur déploiement (en tant morceaux de code) sur des serveurs standard (COTS).
En même temps, dans le domaine 5G, l'accès radio traditionnel se déplace vers le cloud RAN ou le RAN virtualisé. Le traitement des signaux et la computation sont gérés pars des équipements general-purpose. En ce contexte, plusieurs logiciels de traitement de paquets et routeurs logiciels ont été développés, et présentent aujourd'hui des capacités multi-10 Gbit/s.

En parallèle, on observe l’adoption de techniques d'apprentissage automatique (ML) pour résoudre des tâches réseaux complexes (classification du trafic, allocation des ressources). Bien qu'il y ait une question naturelle sur la faisabilité de l'intégration de tels composants ML dans les éléments réseaux (e.g., routeurs ou stations de base), deux défis principaux se posent dans le contexte des réseaux logiciels à très haut débit.
D’une part, les techniques de ML nécessitent la collecte d'une grande quantité de données pour l'apprentissage/validation : lorsqu'elles sont effectuées via software, les mesures peuvent fortement affecter les valeurs mesurées, biaisant ainsi les données collectées. L'intensité de ce biais est plus forte lorsque les mesures sont prises à proximité du datapath. Deuxièmement, même après la phase d’entrainement, les calculs ML peuvent nécessiter de matériel dédié conçu expressément pour le traitement ML (GPU, TPU ou VPU).

Dans ce projet, nous proposons une nouvelle approche basée sur la collecte de données de manière non invasive et l'intégration de techniques ML « low-resource » dans un serveur COTS. Notre méthodologie permet l'intégration de fonctionnalités de gestion avancées dans l'infrastructure réseau existante sans équipement supplémentaire.