Network Assurance in Intent Based Data Center Networking: A Domain Shift Approach
Un regard sur le décalage de domaine dans la prédiction des ressources des machines virtuelles pour les centres de données basés sur l’intention, et sur les modèles qui restent robustes quand chaque machine se comporte différemment.
- Auteurs
- Steve Lévesque, Xiaoang Zheng, John Violos, Aris Leivadeas (ÉTS)
- Conférence
- IEEE NoF 2025, Montréal, Canada
- Année
- 2025
- Pages
- 81 à 85
- Mots-clés
- Network Assurance, Intent Based Networking, Machine Learning, Transformers, Few-shot Learning
- Statut
- Publié
Lire l’article sur IEEE Xplore
Aperçu
Les réseaux basés sur l’intention reposent sur l’assurance réseau : une surveillance continue et des ajustements automatisés qui garantissent des performances fiables. Dans un centre de données, les métriques d’utilisation des ressources des machines virtuelles (VM) sont essentielles pour prédire le comportement du réseau. Or, chaque VM a ses propres habitudes d’utilisation, façonnées par ses applications, son matériel et ses utilisateurs, et ces différences peuvent provoquer ce que l’apprentissage automatique appelle un décalage de domaine.
Démarche
Mes coauteurs et moi présentons d’abord le décalage de domaine comme un défi pour la prédiction de l’utilisation des ressources des VM. Nous évaluons ensuite la robustesse de modèles de pointe face à ce décalage : plusieurs réseaux de neurones récurrents (RNN), des Transformers et des Informers, ainsi que des approches légères zero-shot et few-shot, au moyen d’expériences approfondies sur un jeu de données réel.
Résultats
Le modèle GRU (Gated Recurrent Unit) est celui qui généralise le mieux, tout en gardant une faible empreinte de calcul.
Détails de publication
Présenté à l’International Conference on Network of the Future (NoF 2025), tenue du 30 septembre au 3 octobre 2025 à Montréal, au Canada, et publié par l’IEEE.