计算机网络A类顶会NSDI 2020刚刚结束！65篇优秀论文精彩亮相

会议之眼A类、CCF A类会议， 第17届USENIX网络系统设计与实现专题讨论会NSDI 2020（Symposium on Network System Design and Implementation）于美东时间2020年2月25日至27日在美国加利福尼亚州圣克拉拉举行。

会议介绍

NSDI专注于网络和分布式系统的设计原理，实现和实际评估。其目的是将来自网络和系统领域的研究人员召集在一起，以建立广泛的方法来应对重叠的研究挑战。NSDI提供了一个高质量的论坛，用于展示结果和讨论想法，这些想法可以加深对整个网络系统社区的认识和理解，继续进行重要的研究对话，或者推动网络服务的体系结构边界。

本届大会的主题涵盖了：高可用性和可靠的网络系统、网络系统的安全性和私密性、分布式存储，缓存和查询处理系统、网络系统中的节能计算、云/多租户系统、移动和嵌入式/传感器应用程序和系统、无线网络系统、网络和工作负载测量系统、自组织，自治和联合网络系统、管理，调试和诊断网络系统中的问题、物联网系统的虚拟化和资源管理、网络硬件的系统方面、有部署网络系统的经验、网络系统上的大数据通信和计算、经济学和验证的实践方面应用于网络系统、针对涉及网络系统的重大问题的任何创新解决方案。

截止日期

NSDI 2020为作者提供了两个提交截止日期的选择。在这些截止日期之前提交并在随后的审核期间接收的任何论文都将在会议上被展示。

在NSDI '20的春季截止日期之前提交并被拒绝的论文要等到NSDI '21的春季截止日期才能再次提交。在NSDI '20的秋季截止日期之前提交并被拒绝的论文要等到NSDI '21的秋季截止日期才能再次提交。

接收论文

本次会议总计14个主题，接收了65篇论文。

NIDS 接收论文列表：

https://www.usenix.org/sites/default/files/nsdi20_full-proceedings.pdf

小编为大家精心挑选了三篇值得细品的论文，内容如下：

 

主题：分布式系统

摘要：借助GPU，现代分布式机器学习（ML）训练工作负载会显著受益。但是，当多个此类工作负载在共享GPU集群上运行时，就会出现重大竞争。关键问题是如何在工作负载之间合理分配GPU。我们发现，由于ML工作负载的独特属性，已建立的集群调度规则不适合：ML作业具有需要长期调度的长期任务，其性能对任务的相对位置很敏感。

我们提出THEMIS，这是用于ML训练工作量的新计划框架。 GPU的分配政策要求ML工作负载在公平的方式下完成，这是我们引入的新概念。为了捕获位置敏感性并确保效率，THEMIS使用两级调度体系结构，其中ML工作负载竞标由*仲裁员运行的拍卖中提供可用资源。我们的拍卖设计通过在短期内权衡公平性以提高效率，但在长期内确保完成时间的公平性，从而将GPU分配给中标者。我们的评估显示，与最新的调度程序相比，THEMIS可以将公平性提高2.25倍以上，并且集群效率提高了5％到250％。

论文链接：

http://wisr.cs.wisc.edu/papers/nsdi20-themis.pdf

 

 

主题：部署经验

摘要：现代云系统具有大量不断更新的组件。在不中断系统的情况下快速部署这些更新的组件具有挑战性。

在本文中，我们介绍了Gandalf，这是一种在大规模系统基础架构中进行安全部署的端到端分析服务。Gandalf可以对软件部署进行快速而稳健的影响评估，以在不良部署造成大面积停机之前及时发现它们。Gandalf监视并分析各种故障信号。它将使用空间和时间相关算法将每个信号与所有正在进行的任务相关联。Gandalf的核心决策逻辑包括：集成排序算法，用于确定哪个启动可能导致故障信号；以及二进制分类器，用于评估故障信号的影响。通过使用lambda架构，Gandalf可以通过自动决策和提供实时信息以及长期部署监视。Gandalf已在Microsoft Azure中投入生产运行超过18个月，为数据平面和控制平面组件提供服务。对于数据平面部署，它可以达到92.4％的精度和100％的召回率（Azure Compute中不会因不良的部署而造成高影响的服务中断）。对于控制平面服务，Gandalf达到94.9％的精度和99.8％的召回率。

 

 

论文链接：

https://www.usenix.org/system/files/nsdi20-paper-li.pdf

 

主题：测量与适应

摘要：十多年来，云实践者和性能工程师已将性能可变性视为一个问题。但是，我们对*系统会议的调查显示，研究团体在云中运行实验时经常忽略可变性。我们通过收集主流商业云和私有研究云的踪迹来评估可变性对基于云的大数据工作负载的影响。我们的数据收集包括在传输9 PB数据时收集的数百万个数据点。我们对数据中存在的网络可变性进行了表征，并表明，即使商业云提供商实施了服务质量实施机制，可变性仍然会发生，并且这种机制和服务提供商策略甚至会加剧这种可变性。我们展示了即使使用最先进的实验技术，大数据工作负载也将遭受严重的减速，缺乏可预测性和可复制性。我们为从业人员提供了指南，以减少大数据性能的波动性，使实验更具可重复性。

论文链接：

https://arxiv.xilesou.top/pdf/1912.09256.pdf

 

会议预告

没有来得及赶上这次盛会的小伙伴们也不用着急，好好备战吧！担心错过会议信息的小伙伴们挺好啦！下一期会议又来咯！点击关注会议之眼，小助手将会为大家持续关注会议的相关事宜，及时推送一线消息。