Adversarial Design Framework für Self-Driving Networks

Inspiriert von selbst-fahrenden Autos erforschen wir in diesem Projekt die Idee von selbst-fahrenden Netzwerken, einer Kommunikationsinfrastruktur, die sich automatisiert anpasst und von den Methoden der Künstlichen Intelligenz und Maschinellen Lernens profitiert. Dies soll insbesondere dort helfen, wo es durch die manuelle Konfiguration der Netze durch den Menschen zu unbeabsichtigten Fehlern und Ausfällen kommen kann. Ein solches selbst-steuerndes Netz soll hier insbesondere auf neue Technologien, wie der Software-basierten Steuerung von Netzen oder dem Virtualisieren von Netzhardware, aufbauen. Mithilfe dieser Technologien sollen Netze dazu befähigt werden, sich an die Bedürfnisse neuer Applikationen, wie diese im 5G oder 6G Kontext existieren, selbständig anpassen zu können. Insbesondere Applikationen wie z.B. latenzkritische Teleoperationen oder datenhungrige Maschine-zu-Maschine Kommunikation bedürfen einer schnell reagierenden und zuverlässigen Infrastruktur. Das heutige Internet ist eines der größten evolutionären Systeme, welches durch Menschen entwickelt wurde. Viele Entscheidungen im Bereich der Internettechnologie wurden bisher durch den Menschen basierend auf Erfahrungen und Einschätzungen getroffen. Dieses Projekt stellt ein Entwicklungsframework für Netze vor, welches die Vision von selbst-steuernden Netzen zu realisieren versucht. Künstliche Intelligenz und maschinelles Lernen sollen in den Entwicklungsprozess neuer Internettechnologie integriert werden. Um dem Misstrauen gegenüber der rigorosen Verwendung von künstlicher Intelligenz in kritischen Netzen zu begegnen verfolgen wir einen hybriden Ansatz, welcher künstliche Intelligenz und maschinelles Lernen vor allem als eine Unterstützung im Entwicklungsprozess integriert: der Mensch nimmt stets an der Entwicklung teil. Wir starten in diesem Projekt mit der Beantwortung fundamentaler Fragen: wie vorhersehbar sind heutige Netze, zum Beispiel der Internetverkehr, die Verkehrslast, oder auch das Verhalten bereits entwickelter Netzfunktionen? Können wir das Design von Netzen und Algorithmen mithilfe von künstlicher Intelligenz gestalten, während wir die Ergebnisse als Menschen stets interpretieren können? Wir wollen maschinelles Lernen und künstliche Intelligenz mit Algorithmen kombinieren, die Gütekriterien und Korrektheit garantieren, und somit Lösungen entwickeln, die sowohl effizient in der Praxis sind als auch in der Theorie (im worst case). Unsere grundlegende Idee basiert auf dem Einsatz von Methoden des "gegnerischen" (adversarial) maschinellen Lernens und der prüfbaren Spieltheorie, um Netze zu testen und zu optimieren. Gleichzeitig sollen hierdurch die durch maschinelles Lernen zu erwartenden Performanzgewinne ermöglicht aber auch Garantien zugesichert werden.

Kommunikationsnetze bilden eine kritische Infrastruktur unserer digitalen Gesellschaft. Da die meisten Ausfälle heute auf menschliche Fehler zurückzuführen sind, arbeiten Forscher und Ingenieure intensiv an mehr automatisierten, "self-driving" Netzwerken. Diese neuartigen Netzwerke nutzen flexible und neuartige Technologien im Bereich der Softwarisierung und Virtualisierung, um durch lastabhängige Anpassungen den hohen Anforderungen an Zuverlässigkeit und Performanz gerecht zu werden. Das ADVISE Projekt trägt zu unserem fundamentalen Verständnis von solchen Self-Driving Netzwerken bei, sowohl praktisch und theoretisch. Wir analysieren und modellieren die zeitliche und räumliche Struktur des Verkehrs von Machine-Learning Anwendungen. Wie beobachten, dass der Verkehr zu einem hohen Grad vorhersagbar ist, was von Self-Driving Netzwerken ausgenutzt werden kann. ADVISE steuert darüber hinaus die algorithmischen Grundlagen für selbstfahrende Netzwerke bei und nutzt und integriert Vorhersagen (wie sie aus Modellen des maschinellen Lernens stammen können) mit formalen Frameworks wie der Kompetitiven Analyse und Spielen. Dies ermöglicht neuartige Algorithmen, die nicht nur die klassischen Worst-Case-Garantien bieten, sondern auch von Vorhersagen profitieren, die ihre Leistung in der Praxis verbessert, wenn der Kommunikationsverkehr stochastischer und vorhersehbarer ist. Beispielsweise steuert das ADVISE-Projekt einen innovativen neuen Ansatz namens "Infused Advice" bei, der es uns ermöglicht, die Leistung vorhandener Online-Algorithmen unter realen Arbeitslasten und Vorhersagemodellen sowohl analytisch als auch empirisch zu untersuchen und zu vergleichen. Dies unterscheidet sich stark von früheren Ansätzen in der Literatur, die neue Algorithmen erfordern, die auf ein Vorhersagemodell zugeschnitten werden müssen. Insbesondere für Anwendungen des maschinellen Lernens ist ein tiefes kombinatorisches Verständnis des Vorhersagemodells oft schwierig oder sogar unmöglich. ADVISE untersucht außerdem Sicherheitsaspekte, identifiziert mögliche Schwachstellen selbstfahrender Netzwerke und diskutiert, wie solche Netzwerke robust gemacht werden können. Für diese Studie erhielten wir einen Best Paper Award. Insgesamt sind wir mit dem Erfolg dieses Projekts sehr zufrieden und danken dem FWF zutiefst, auch für die Unterstützung und die hervorragende Zusammenarbeit während des gesamten Projekts.