Refining Network Intents for Self-Driving Networks
发表时间：2018-8
来源：SIGCOMM
摘要
最近AI的发展提供了采用自驱动网络的机会。但是网络操作者/运营商和家庭网络使用者条件受限无法利用这些新技术因为他们必须依赖低级语言来详细描述网络策略。IBN允许使用者不需要考虑如何转化位配置命令，就可以指定高级策略告诉网络如何运转。
但现有的IBN的翻译没能利用网络操作者/运营商的知识和反馈来验证或提高意图的翻译。
这篇文章提出了一种新的意图修正进程，使用机器学习和来自操作者的反馈，把操作者的语言转化成网络命令。修正过程用到了一种序列到序列（Seq2Seq）的学习模型从自然语言中提取意图再利用操作者的反馈改进学习。这个进程中的关键是一种中间表示方式，类似于自然语言，很适合收集来自操作者的反馈，但足够结构化来完成精确的翻译。该原型使用自然语言与网络操作员进行交互，并在转换为SDN规则之前将操作符输入转换到中间表示。实验结果表明该进程可以很好的提高精确度。
针对什么问题？
- 人工智能领域进步飞快，但是网络运营商并没有利用这些发展，仍然依赖于低级语言来指定网络策略与复杂的接口，从而确保正确性。
- 家庭网络用户没有能力对他们的网络编程。
- 现有的IBN研究无法从纯自然语言中提取意图信息。没有充分利用网络操作人员的知识和反馈。
- 现有的IBN研究要求网络运营商在每一份提案中都要学习新的意图定义语言，这阻碍了异构网络的互操作性、部署和管理。
解决方案
一种新颖的意图简化过程，使用机器学习和操作者的反馈将操作者的语言翻译成网络配置。这又分为三个阶段：
- 实体提取：依靠智能聊天机器人接口从自然语言中提取用户意图的主要动作和目标（也就是实体）。
- 意图转换：使用neural sequence-to-sequence学习模型将提取的实体转化为高级结构化网络定义程序（一种用Nile编写的新的结构化意图定义语言）。
- 意图部署：根据目标网络将提取的意图程序编译成网络策略。
所提出的架构有哪些实现难点？
- 自然语言难以正确解析，往往不准确，从而在预期行为和网络配置之间产生巨大差距。
- 将自然语言意图直接转换成网络规则会降低可移植性和可重用性，因为每个可能的目标网络都具有特定的功能和配置要求。
贡献有哪些？
- 一种新颖的意图改进过程，从自然语言智能提取意图，再使用来自网络运营商的反馈来改善学习。
- Nile：一种类似于英语的高级、全面的意图定义语言。用于充当其它策略机制的抽象层，减少了运营商为各种不同类型的网络学习新的策略语言的需要。
- 实验表明随着网络操作人员的反馈，翻译精度有了显著提高。
