近日，上海交通大学电子信息与电气工程学院约翰·霍普克罗夫特计算机科学中心赵世振副教授团队在流量工程问题上取得重要进展，研究成果“FIGRET: Fine-Grained Robustness-Enhanced Traffic Engineering” （细粒度鲁棒性增强的流量工程策略）被计算机网络领域顶级会议ACM SIGCOMM 2024录用，这是上海交通大学首次以第一完成单位在SIGCOMM会议上发表正式论文。

随着网络流量的持续增长，数据中心和广域网越来越依赖流量工程来优化流量。流量工程中最关键的挑战是如何应对未来流量的不确定性。由于流量工程需要时间来计算和实施，因此制定的方案通常会在未来一段时间内持续使用。而未来流量无可避免地会产生突发，因此流量工程方案需要对突发流量具备一定的鲁棒性，否则可能导致网络产生严重拥塞。然而，目前的流量工程方案在处理突发流量方面存在局限性，主要是因为它们难以同时兼顾一般场景下（非突发情况）的性能和对突发流量的鲁棒性。因此，如何使流量工程在维持网络性能的同时增强应对突发流量的能力，是值得深入研究的。

为了同时兼顾预测流量的性能和对突发流量的鲁棒性，赵世振团队在该论文中首次提出了一种细粒度定制的鲁棒性增强策略，该策略根据流量特性为不同流量量身定制鲁棒性增强方案。首先，团队发现以往流量工程算法有局限性的原因是它们在增强鲁棒性方面采取了过于宽泛的做法，这些方法平等地考虑整个网络中所有源-目的对之间的流量。然而，对于持续稳定的流量，对鲁棒性的过度关注是不必要的，甚至可能在一般场景下影响性能。其次，团队根据此发现提出要根据不同流量的特性制定不同的鲁棒性增强策略。具体说来，利用路径敏感性作为指标，表示路径受到突发流量的影响程度，将对于鲁棒性的要求转化为对于路径敏感性的大小限制，并将此限制的严格程度与该路径上流量的动态特性挂钩。随后，考虑到不同流量对路径敏感性的需求与其动态特性之间的关系难以显性表达，团队采用了深度学习训练来实现自动学习。最后，该论文中也指出，将此思想与以往的任何流量工程算法相结合，都能够改善原算法的效果。 

现有工作中，比较有代表性的方法是Desensitization-based TE（Des TE），团队在2021年针对光电混合网络提出的COUDER以及谷歌在2022年提出的Jupiter evolving中采用的TE方案就属于此方法。该方法在考虑鲁棒性时平等对待所有的源-目的对之间的流量。另一种方法是DOTE，使用深度学习直接设计TE方案，优化预测流量下的性能，而不考虑鲁棒性。实验表明，该论文所提出的方法（FIGRET），相较于Des TE能够将平均最大网络拥塞降低9%-34%；相较于DOTE，能够将突发造成的严重拥塞的事件数量降低41%-53.9%。

除了实验效果的展示外，论文中还对FIGRET进行了可解释性的分析，FIGRET对于突发性较强的流量实施了更加严格的路径敏感性限制，使其鲁棒性更强；而相反的，对于非突发流量则限制较为宽松，实现了定制化的鲁棒性增强方案。

关于会议

作者介绍