Optimalizace sledování síťových toků

Většina síťových zařízení sleduje stav probíhajících síťových toků, tedy množiny paketů sdílející vybraná pole ve svém záhlaví. Optimalizace sledování toků může snížit cenu síťových zařízení nebo umožnit získávání přesnějších výsledků. Jako limitujícím prvkem při sledování toků se ukazuje paměť, jak výkonem tak cenou. Je proto důležité obsah paměti vhodně spravovat, aby byla efektivně využita. Má práce je proto zaměřena tímto směrem, kdy zkoumá alternativy k současným přístupům výběru a správy toků, které nevyhovují některým aplikacím. Například u některých přístupů dochází, ke ztrátě počátečních paketů toku, které ovšem často nesou tu nejdůležitější informaci pro správné zpracování zbývající části toku.

Several important network applications cannot easily scale to higher data rates without requiring focusing just on the large traffic flows.
Recent works have discussed algorithmic solutions that trade-off accuracy to gain efficiency for filtering and tracking the so called heavy-hitters. However, a major limit is that flows must initially go a filtering process, making it impossible to track state associated  with the first few packets of the flow.
In this paper, we propose a different paradigm in tracking the large flows which overcomes this limit. We view the problem as that of managing a small flow cache with a finely tuned replacement policy that strives to avoid evicting the heavy-hitters. Our scheme starts from recorded traffic traces and uses Genetic Algorithms to evolve a replacement policy tailored for supporting seamless, stateful  traffic-processing. We evaluate our scheme in terms of missed heavy-hitters: it performs close to the optimal, oracle-based policy, and when compared to other standard policies, it consistently outperforms them, even by a factor of two in most cases.