[论文解读] Vision and Challenges for Knowledge Centric Networking (KCN)

Dapeng Wu, Zhenjiang Li+4 more|arXiv (Cornell University)|Jul 4, 2017

IoT and Edge/Fog Computing被引用 7

一句话总结

本文提出了知识中心网络（KCN），这是一种新颖的范式，利用机器学习从物联网和边缘数据中提取、组合并分发网络内知识，从而减少冗余流量，提升系统智能，并实现更高效、可控的自适应、用户意图驱动的网络通信。

ABSTRACT

In the creation of a smart future information society, Internet of Things (IoT) and Content Centric Networking (CCN) break two key barriers for both the front-end sensing and back-end networking. However, we still observe the missing piece of the research that dominates the current networking traffic control and system management, e.g., lacking of the knowledge penetrated into both sensing and networking to glue them holistically. In this paper, we envision to leverage emerging machine learning or deep learning techniques to create aspects of knowledge for facilitating the designs. In particular, we can extract knowledge from collected data to facilitate reduced data volume, enhanced system intelligence and interactivity, improved service quality, communication with better controllability and lower cost. We name such a knowledge-oriented traffic control and networking management paradigm as the Knowledge Centric Networking (KCN). This paper presents KCN rationale, KCN benefits, related works and research opportunities.

研究动机与目标

• 弥合当前网络系统缺乏集成知识以整体连接感知与网络的空白。
• 克服物联网和内容中心网络中因冗余数据、网络复杂性增加以及终端设备计算需求过高所带来的挑战。
• 通过利用机器学习从原始传感数据中提取的知识，实现智能、自适应且用户意图感知的网络控制。
• 提出一种系统化的框架，用于在网络基础设施中创建、组合和分发知识，以减少对终端设备智能的依赖。

提出的方法

• 应用机器学习与深度学习技术，从原始物联网和边缘传感数据中提取描述性知识，最大限度减少传输数据量。
• 通过知识组合自动推导出可操作规则与系统反馈，使网络行为与用户意图保持一致。
• 利用网络内存储与计算能力本地生成和管理知识，避免将完整数据传输至终端用户。
• 利用现有的CCN命名与路由原语（例如DOI）实现可扩展、去中心化且安全的知识分发。
• 集成知识表示与管理机制，以支持多种形式的知识，如训练模型、控制参数及网络动态特性。
• 利用分布式网络内处理技术，降低网络负载，并在知识提取与推理过程中均衡计算开销。

实验结果

研究问题

• RQ1 如何利用机器学习技术从原始物联网和边缘传感数据中提取有意义的知识，以减少冗余网络流量？
• RQ2 在动态网络环境中，哪些机制能够实现从提取知识中自动组合出用户意图感知的规则与反馈？
• RQ3 如何在网络中高效地存储、检索与分发知识，以支持可扩展且安全的运行，同时避免敏感数据集中化？
• RQ4 与传统基于人工启发式的方法相比，KCN在系统管理与网络优化方面有哪些改进？
• RQ5 现有CCN原语（例如DOI、网络内缓存）在实现可扩展且去中心化的知识中心网络中发挥何种作用？

主要发现

• KCN实现了从通信中心到知识中心网络的转变，网络内知识的使用减少了向终端设备传输原始数据的需求。
• 利用机器学习进行知识创建显著减少了数据量与网络负载，尤其在高流量物联网环境中效果显著。
• 知识组合使系统能够理解用户意图并生成上下文感知的控制动作，从而提升服务质量与可控性。
• 通过DOI与网络内存储实现的去中心化知识分发增强了隐私保护与可扩展性，智能停车用例中已得到验证。
• 分布式网络内处理与知识管理减少了对高性能终端设备的依赖，提升了系统韧性与效率。
• KCN为未来智能网络优化奠定了基础，支持自适应资源分配与对网络状态变化的动态响应。