MimicNet：机器学习驱动的数据中心网络性能快速预测

"MimicNet：大规模数据中心网络的快速准确性能估计" MimicNet是一种创新的解决方案，旨在解决数据中心网络性能评估的挑战。随着数据中心网络技术的快速发展，对新设计和协议的准确评估变得日益困难。传统的测试床和模拟方法由于成本高昂和计算复杂性，往往无法满足大规模评估的需求。MimicNet通过结合数据包级模拟的抽象和机器学习技术，提供了一种快速且精确的性能估算方法。 MimicNet的核心思想是利用机器学习算法来近似大型数据中心网络中不可见或难以直接模拟的部分。它为用户提供了部分网络的详细模拟视图，同时借助冗余和最新的机器学习进展，高效预测剩余网络的行为。这种方法显著提高了模拟速度，对于包含数千台服务器的数据中心，它可以实现两个数量级以上的加速，而不牺牲准确性。 在性能指标方面，MimicNet对关键的网络性能指标如尾部完成时间（Tail FCT）、吞吐量和往返时间（RTT）的估计误差保持在5%以内，这在大规模网络中是非常出色的。这种高精度使得MimicNet成为数据中心网络性能评估的理想工具，有助于研究人员和工程师快速评估新设计的影响和潜在问题，从而推动网络创新的发展。 MimicNet的实现涉及了网络模拟、性能建模和大规模并行计算等多个领域的技术。通过使用机器学习模型，它可以处理传统模拟难以处理的复杂性和规模。此外，MimicNet还考虑了网络中的非线性效应和动态行为，这些因素在实际数据中心环境中是至关重要的。 在数据中心网络的研究和设计中，MimicNet的引入解决了传统方法的局限性，使得快速、大规模的性能评估成为可能。这对于优化网络架构、提升数据中心效率、减少延迟以及测试新的网络协议和策略具有重大意义。通过结合模拟和机器学习，MimicNet不仅提升了评估的速度，还确保了评估的准确性，为数据中心网络的未来发展提供了强有力的支持。 关键词：网络仿真，数据中心网络，近似，机器学习，网络建模 引用格式：张启真，Kelvin K.W. Ng，Charles W. Kazer，Shen Yan，João Sedoc Jiang，and Vincent Liu. 2021. MimicNet：Fast Performance Estimates for Data Center Networks with Machine Learning. 在ACM SIGCOMM 2021会议（SIGCOMM'21），2021年8月23日至27日，虚拟活动，美国。ACM，纽约州纽约市，美国，18页。https://doi.org/10.1145/3452296.3472926