近日，全球网络服务质量会议（IEEE/ACM International Symposium on Quality of Service，以下简称IWQoS）在美国亚利桑那州凤凰城会议中心的召开。自1993年创办以来，IWQoS就一直作为分享所有与网络服务质量相关的最前沿的研究工作的顶尖平台，而备受海内外学者的关注。今年，该会依旧吸引了许多来自世界各地的顶尖研究者与业界人士的积极参与。此次被该会议收录的论文主要覆盖了基于机器学习的网络优化算法设计、网络安全与隐私、边缘计算与软件定义网络、移动与无线网络、网络系统度量与性能分析等多个方向。其中，邵子瑜课题组题为《Predictive Switch-Controller Association and Control Devolution for SDN Systems》的最新研究成果也被该会议接收，博士生黄曦受邀参会并做汇报。此次作汇报的论文以邵子瑜教授课题组博士生黄曦为第一作者，邵子瑜教授为通信作者，合作者为香港城市大学的徐宏教授，上科大为第一完成单位。相关研究得到了上海科技大学科研启动基金与国家自然科学基金的支持。
在这次前后为期两天的大会上，首先由来自多伦多大学电子与计算工程系的李葆春教授给出了精彩的题为《Resource Provisioning with Deep Reinforcement Learning》的主题演讲。该主题演讲着重介绍并且讨论了近年来在学术界以及工业界中，以应用深度强化学习技术为核心对网络系统资源调度机制进行设计的新趋势。李葆春教授从多方面对这类结合机器学习的数据驱动设计范式进行了概括以及回顾，对应用这类技术与方法的优势以及局限性进行了总结，并且为后续的研究给出了自己的看法以及建议。这些总结与建议也对我们今后的研究工作带来了一定的启发。
在主题演讲之后紧接着的是七个专题会议（session）。此次邵子瑜课题组的研究成果汇报被安排在第二个主题为“边缘计算与软件定义网络”（Edge Computing and SDN）的专题会议上进行。特别地，近年来随着机器学习技术的发展，同时配以在各类网络系统不断累积的海量历史数据，使得针对在较短未来时间窗口中，对网络系统中的流量进行预测甚至对可能要发生的网络事件进行预先服务成为可能。而《Predictive Switch-Controller Association and Control Devolution》一文探究的正是在软件定义网络系统中：1、如何利用流量的可预测性对网络系统进行在线预调度以及优化；2、当这些信息能够被完美预测的情况下，网络性能提升的极限在哪里；3、此外，在不完美预测（出现预测误差）的情况下，对于网络系统性能的影响是什么，以及引入预测性调度的必要性。该论文聚焦于软件定义网络中最根本的问题之一—动态的交换机与控制器的匹配以及网络请求的在线卸载问题，逐一对这三个问题进行了解答。该文开发了对软件定义网络系统以及预测性调度的动态过程首次进行了系统性的数学模型，分析了在线控制与优化的设计权衡，同时提出了一套动态的预测性调度（包括在线匹配与卸载）策略。该策略能够在最小化时间平均的控制开销的同时，尽量保持系统中交换机以及控制器上负载的均衡，降低网络请求的响应时延。作为首个在软件定义网络中预测性控制策略，其为软件定义网络的设计者们开辟了全新的系统设计自由度与视角。初次之外，该文还对这套策略的有效性进行了理论分析，同时还基于大量仿真结果，对预测性调度带来的增益以及预测误差的影响进行了详细的讨论。这些讨论对于无论是网络系统的设计者们，还是相关邻域的研究者们，都是很有意义的。该工作的汇报受到了李葆春教授等相关领域专家学者的高度认可，展现了上海科技大学信息学院学生的风采，同时也在会上与线下的交流中也收获了不少有益的反馈。
除了参与此次的全球网络服务质量会议之外，邵子瑜课题组同时还参与了ACM联合会议的其他国际顶级会议，比如国际学习理论大会（COLT）、国际计算系统度量与建模大会（SIGMETRICS）等。在听取相关研究领域最新研究成果的同时，开阔眼界的同时，还结识了一批世界高等学府的专家学者。
最后，再次感谢上海科技大学科研启动基金与国家自然科学基金的支持，以及邵老师的悉心指导。
沪公网安备 31011502006855号
