跳转至

2025 年选题与实验结果

本页整理 2025 年项目的背景、动机、实现内容与实验结果,供了解往年项目实践;已经选过的题目今年不再选用。

归档项目包括 L4S、交换机内机器学习流量分类和 OSPF 路由器。负载均衡是当年助教介绍过的参考方向,单独记录其背景和介绍内容,不作为已经完成的学生项目。

各项目的报告、课件、论文及附件统一收录在2025 年原始资料云盘,下文“原始材料”中的链接均指向对应的云盘文件。

L4S:DualPI2 / iDualPI2

背景与动机

网络拥塞时,交换机出口的排队会增加端到端时延。较大的缓存可以容纳更多突发流量,但也可能使数据包长时间等待。若仅在缓存满时丢包,端系统收到拥塞信号时,队列可能已经很长。主动队列管理(Active Queue Management,AQM)尝试在队列完全填满之前进行标记或丢包,让端系统更早调整发送速率。

L4S 是 Low Latency, Low Loss, Scalable Throughput 的缩写。它通过网络侧的拥塞标记与端系统的可扩展拥塞控制配合,追求低排队时延、低丢包和较高吞吐。L4S 不只是交换机上的一个算法,还涉及 ECN 协议、网络队列管理和发送端响应。RFC 9330 给出了整体架构。

当 L4S 流量与传统拥塞控制流量共享瓶颈时,还需要考虑两者能否合理共存。双队列耦合 AQM 将两类流量分开排队,同时关联两类队列的拥塞反馈,避免只降低一类流量时延、却忽略另一类流量获得的服务。

项目内容

项目仓库:p4lab2025-grp01。

项目实现包含三套交换机程序与一套测试工具:

目录 内容
p4_vanilla/ 普通转发基线
p4_DualPI2_3.0/ 在出口流水线执行概率标记、丢包的 DualPI2 版本
p4_iDualPI2/ 将 Classic 流量的主要丢包决策前移到入口流水线的 iDualPI2 版本
run_test/ iperf3 多流负载、TCP 指标采集和绘图工具
report/ 实验说明与两种实现的结果图

项目围绕以下三部分展开:

  1. 在交换机中区分 L4S 与 Classic 流量,配置相应队列和调度参数。
  2. 根据队列时延更新拥塞概率,控制数据面的 ECN 标记与丢包行为。
  3. 搭建包含 Cubic 与 Prague 流量的测试环境,记录时延、发送状态与吞吐变化。

实现方式

数据面处理每个包,控制面计算和更新概率。 数据面记录出口队列时延,通过寄存器向控制面提供样本;控制面中的 pi_worker() 周期性读取样本,更新 PI 状态,再将用于 mark/drop 的概率写回数据面。数据面通过随机数与概率阈值比较,决定是否标记或丢弃当前数据包。

这种划分把较复杂的概率计算留在控制面,将逐包操作转化为查表、读写寄存器、随机数比较和包头修改。控制面直接计算用于两类流量的概率,减少数据面的计算需求。

在 DualPI2 版本中,入口根据 ECN 相关位选择队列,出口执行主要 AQM 逻辑:L4S 流量按条件设置 CE,Classic 流量按条件丢包。实现使用不同队列 ID,并由控制面配置 Traffic Manager 的队列调度和端口限速。

在 iDualPI2 版本中,主要的 Classic 丢包判断前移到入口,使被选中的包在进入出口队列前丢弃。

协议方面,ECT(1) 用于识别 L4S 流量,CE 表示已出现拥塞;ECT(0) 和 Not-ECT 的处理方式与之不同。相关定义见 RFC 9331,双队列耦合机制见 RFC 9332。项目代码采用了简化的按位分类和标记逻辑,记录的是该原型的行为,不等同于完整协议兼容性验证。

原始材料

交换机内机器学习流量分类

背景与动机

网络流量分类可以为设备识别、策略选择和流量分析提供依据。传统方式通常把流量或统计数据发送到主机处理;可编程交换机则提供了另一种可能:在数据包经过流水线时提取特征,直接完成轻量推理。

交换机不能直接运行通用机器学习框架。复杂算术、循环、大规模状态和流水段依赖都受到约束,因此核心问题是:如何把已经训练好的模型,转换为有限次匹配、查表和整数运算?

第二组主要参考 Do Switches Dream of Machine Learning? Toward In-Network Classification 及其 IIsy 框架,将模型映射的思路移植到 Tofino。原 IIsy 的公开实现面向 BMv2 和 NetFPGA,项目汇报说明,Tofino 部分需要针对目标流水线重新组织代码,并非直接换一个编译目标即可运行。

项目内容与数据集

项目仓库:p4lab2025-grp02。

项目完成了四种传统机器学习模型的数据面和控制面实现:决策树、K-means、朴素贝叶斯、线性 SVM。模型在主机侧离线训练,控制面负责转换参数并下发表项,交换机在包粒度执行推理,不在数据面训练模型。

数据来源为 UNSW-IoTraffic 的原始 pcap。项目先提取特征、按设备信息标注类别,再划分训练集和测试集,训练模型并生成供控制面读取的模型文件。训练与测试按约 8:2 划分。

项目经历了数据清洗与特征压缩:初始特征同时包含 IPv4、IPv6 和独立的 TCP/UDP 字段,之后筛选为 IPv4 数据,合并 TCP/UDP 源端口与目的端口特征,并按硬件资源缩减部分任务的类别数。

最终任务规模如下:

模型 特征 分类或聚类目标
决策树 包长、IPv4 协议号、EtherType、源端口、目的端口,共 5 个特征 Smart-static、Sensor、Audio、Video、Others,共 5 类
K-means 包长、源端口、目的端口,共 3 个特征 3 个簇;分析其与 Smart-static、Video、Others 三类的对应关系
朴素贝叶斯 包长、源端口、目的端口,共 3 个特征 Smart-static、Video、Others,共 3 类
SVM 包长、源端口、目的端口,共 3 个特征 Smart-static、Video、Others,共 3 类,以 3 个超平面进行两两分类

模型如何映射到数据面

决策树

控制面收集模型中的特征阈值,把原始特征空间划分成区间,为区间分配紧凑索引。数据面先通过各特征的 range 表得到区间索引,再根据索引组合匹配决策规则,得到分类对应的出口。

这一设计保留了决策树按阈值划分特征的逻辑,同时压缩了最终决策表的匹配键位宽。代码主要位于 switch/decision_tree.p4 与 ctrl/decision_tree.c,模型转换脚本位于 tools/。

K-means

K-means 将包特征视为空间中的点,通过比较到各簇中心的距离确定归属。项目比较距离平方,省去开方;对固定中心和有限取值域,控制面预先计算每个特征的距离平方贡献,数据面查表取得贡献并累加。

最小距离选择需要比较运行时变量。项目针对当时编译器和流水线约束,将相关操作改写为减法、符号位提取及小表选择,并限制数值范围以避免回绕破坏比较结果。特征数与簇数最终缩减为 3,以满足流水段资源要求。

朴素贝叶斯

项目采用高斯朴素贝叶斯,将概率计算转换为负对数代价累加。控制面根据均值与方差,对每个离散特征值预计算各类别的整数代价;数据面查表累加,并选择总代价较小的类别。

这种方法避免在逐包路径中计算概率密度、对数和乘法,但增加了表项需求。项目使用整数缩放、饱和加法和逐级比较,并最终采用 3 特征、3 分类的配置。实现位于 bayes/。

SVM

项目使用线性 SVM 的 One-vs-One 方式:三个类别之间两两建立超平面,共三个。控制面预计算每个特征值对各超平面得分的贡献,并处理整数缩放与偏置;数据面查表累加得分,提取符号位,再用一个投票表确定类别和出口。

这一流程把乘法移到控制面,并用符号位组合代替复杂的运行时决策。最终提交的是 3 特征、3 分类版本,代码位于 svm/。汇报中提到的更大规模配置并未作为完成结果提交。

原始材料

OSPF 路由器

背景与动机

静态转发表可以在固定拓扑中完成转发,但无法自动适应网络变化。动态路由协议负责发现邻接关系、交换拓扑信息并计算路由;数据面则根据计算结果转发普通业务包。

这一项目把软件路由器中的 OSPFv3 控制逻辑与 Tofino 硬件转发结合起来,研究的核心是控制面与数据面的职责划分:协议包和异常情况交由控制面处理,已具备路由及下一跳信息的普通 IPv6 包由数据面处理。

它还涉及两种不同的状态:路由表决定目的前缀对应的下一跳与出口,邻居信息提供下一跳 IPv6 地址对应的 MAC 地址。路由已经算出,并不意味着下一跳的链路层地址已经获知;两者需要协同维护。

项目内容

项目仓库:p4lab2025-grp04。

部分 代码位置与内容
P4 数据面 switch/:Ethernet / IPv6 解析、IPv6 最长前缀匹配、下一跳 MAC 查询、包头修改及 CPU upload
OSPF 控制逻辑 ctrl/main.cpp、ctrl/protocol-ospf/:邻居状态、协议报文、链路状态信息和路由计算
硬件抽象与同步 ctrl/HAL/:初始化交换机、CPU 收发通道、邻居发现以及 BF-RT 表项操作
辅助模块 ctrl/lookup/、ctrl/eui64/、ctrl/internet-checksum/:软件查表、地址生成与校验和

数据面与控制面的配合

数据面使用 get_meta 等表维护接口信息,通过 ipv6_lpm 查询目的前缀,取得出口、下一跳和直连标志。直连目的地直接以目的 IPv6 地址进行邻居查询;非直连目的地使用路由给出的下一跳地址。

change_dst_mac 负责将下一跳地址映射为目的 MAC。正常转发时,数据面处理 Hop Limit,出口侧设置相应接口的源 MAC;需要本机处理的包,以及下一跳 MAC 尚未查到的情况,通过自定义 upload header 携带接口、目标地址等信息送往控制面。

控制面运行 OSPFv3 的邻居及链路状态逻辑,计算路由结果。硬件抽象层的 update_routing_table() 将路由写入硬件 LPM 表,邻居发现相关逻辑将解析出的下一跳 MAC 写入对应表项。两类表项分开维护,分别服务于前缀选路与二层封装。

这一实现的普通转发路径与“把所有包送到 CPU 再查软件路由表”不同:路由和邻居状态具备后,普通业务包可以直接走硬件数据面。源码中的 CPU upload 与软件收发逻辑则承担协议和例外路径。

原始材料

负载均衡:助教介绍的参考方向

背景与动机

数据中心网络通常提供多条端到端路径,以获得冗余和更大的总容量。但路径存在并不意味着流量会均匀使用它们:某些路径可能拥塞,另一些路径仍有空余容量。因此,需要设计规则,把流量分配到可用路径上。

2025 年助教选题介绍围绕负载均衡粒度展开,比较了逐流、逐包和逐 flowlet 的方法,并介绍如何通过端口负载、延迟及拥塞信息辅助选路。

介绍内容

粒度 主要思路 需要权衡的问题
Per-flow(逐流) 例如 ECMP,根据流标识的哈希选择路径,同一流通常保持路径一致 流量大小不同或哈希碰撞时,路径负载可能不均
Per-packet(逐包) 在包粒度分散流量,可以更细地利用多条路径 不同路径时延会引入乱序,端系统对乱序的响应影响实际收益
Per-flowlet(逐流簇) 根据相邻包的空闲间隔划分 flowlet,在 flowlet 边界重新选择路径 时间阈值、路径时延差及状态存储会影响乱序与负载分散效果

Flowlet 的基本思路是在同一流的连续突发之间寻找足够长的空闲间隔。交换机保存流或哈希桶的最近到达时间与当前路径;新包到来时判断是否出现新的 flowlet,再决定是否重新选择出口。课件同时介绍了端口带宽、利用率和转发时延等路径质量指标。

助教还介绍了 CAVER:利用 RDMA ACK 携带拥塞信息,通过向量式传播寻找较空闲路径。其动机是仅观察已有流经过的路径,可能遗漏其他低拥塞路径。

原始材料

作者:Haochen Zhang

评论