第 33 届 IEEE ICNP 于 2025 年 9 月在韩国首尔召开，本次大会共计 238 篇投稿，录用 60 篇（录用率为 25%）。
由 DANCE GROUP 郑陈粤带来会议报道。
Copo: Joint Cost and Performance Optimization for Task Placement in Geo-Distributed Clouds
Bichen Wang, Jingzhou Wang, Yu-E Sun, He Huang
Soochow University, China
介绍
云计算快速发展下，头部云服务厂商通常建设地理分布式的数据中心，以 “区域” 架构来部署集群支撑全球服务。但这样做的服务成本高昂：一是跨地域任务部署的资源消耗，二是跨区域通信的带宽支出。而现有方案存在短板，要么仅优化单一成本，要么忽视性能指标。因此，本文提出Copo 框架，通过任务部署与流量传输联合决策，实现地理分布式云的成本与性能协同优化。
核心思想与贡献
Copo 的核心思想是通过将双层优化问题（上层成本优化、下层性能优化）转化为单层优化问题，并设计了高效的近似算法，从而得到任务部署与流量传输的联合决策。其主要贡献为：1）通过引入虚拟节点（任务）与虚拟边（任务 – 区域连接），将原问题转化为经典多商品流问题。2）将成本优化与性能优化构建为双层优化模型，基于KKT条件，将下层性能优化等效转化为上层优化的约束条件。3）基于 McCormick 包络松弛方法，将二次规划问题转化为线性规划问题，再结合随机舍入算法来求解任务部署与流量传输的联合决策。
实验评估
区域数据集采用华为云数据，任务数据集采用阿里的trace数据，评估电力成本、带宽成本、总成本和负载均衡率。结果表明，Copo的电力成本和带宽成本均接近于各自的SOTA方法，总成本表现最优，负载均衡接近最优。
问答：
- 用KKT方法来做，优势在哪里？
A: KKT的核心优势在于上下层优化统一到同一个框架中，从而能够做后续的求解。
个人评价：
本文最突出的价值在于打破了现有云任务部署方案 “成本优化” 与 “性能优化” 割裂的局面，构建了兼顾二者的统一框架，并提供了合适的求解方法。值得探究的是该方法是否能进一步扩展到其他领域。
ReWeave: Traffic Engineering with Robust Path Weaving for Localized Link Failure Recovery
Jingyi Guan , Kun Qiu, Jin Zhao
Fudan University Shanghai, China
介绍
ISP 网络中常发生链路故障，为流量工程（TE）引入挑战。现有的TE方案或者依赖静态路径重路由，导致性能下降，或者预计算出大量备份路由，为基于ML的推理方案引入高额开销。因此，本文提出ReWeave，为每条链路配置了紧凑且仅相邻节点的备份路径集；故障时仅故障链路两端的路由器借 SRv6 绕道路径来动态重路由。
核心思想与贡献
ReWeave 的核心思想是利用相邻节点间的路径集，为每条链路配置本地备份路径。在故障发生时刻，通过在本地修复原始全局路径，从而维持一个稳健路径集，使预训练的ML模型持续有效。具体而言，当路由器检测到链路故障时，可以借助SDN通过数据包隐式探测来获取另一端路由器的备用路径，并修改数据包的段标识符（SID）列表实现绕道路由，大幅降低了重路由开销。
实验评估
采用五层全连接神经网络，评估Viatel、Cogentco两个真实网络拓扑，以及north america、africa两个合成拓扑。在单/多链路故障场景下，ReWeave 在所有网络拓扑上的归一化链路利用率表现最佳，优于所有baseline。在开销分析上，ReWeave架构简单，训练时间处于前列，计算时间则优于几乎所有baseline。
问答：
- 这篇文章实验中并没有对比LP，为什么说文章的效果最好？
A: LP作为理想最优解，在结果中已经做过了归一化处理。可以体现出本方案的效果。
个人评价：
故障恢复的TE是一个经典的领域，这篇工作通过聚焦链路级的本地化恢复，巧妙避开了传统方法的痛点，既无需控制器的繁琐干预，又能维持预训练 ML 模型的有效性，避免了模型重新训练的高昂成本。在效果有所提升的同时，效率优于其余基于DNN的方法。
Planner: A Generative Graph Learning Framework for Noisy and Dynamic In-band Network Telemetry
Xiaoquan Zhang1, WaiMing Lau1, Lin Cui1, Fung Po Tso2, Zhuoqian Liang1, Zhen Zhang1 and Yuhui Deng1
1 Jinan University, Guangzhou.
2 Loughborough University, UK
介绍
带内网络遥测（INT）通过将数据嵌入到数据包来实现实时监控，可编程交换机进一步提升了INT在硬件上动态定制的灵活性，可用于负载均衡等场景。但实际部署中，INT数据采集面临数据噪声（丢包、延迟乱序、哈希冲突）与网络动态性（路径调整等）的挑战。当前利用神经网络分析INT数据的研究，未充分考虑交换机资源限制及上述问题，本文提出Planner生成式图学习框架，通过模块化多粒度特征采集、动态图构建等机制来解决问题。
核心思想与贡献
Planner 尝试在适配可编程交换机的特性下，构建模块化的INT框架与混合学习模型。具体而言，支持多粒度特征来采集设备级、流级、包级三类特征，同时，基于INT路径构建动态图，通过节点特征聚合来适配路径的变化，作者在基于Tofino可编程交换机和BMv2构建了testbed验证，在攻击检测、延迟预测任务上优于多种baseline。
实验评估
实验在攻击检测、延迟预测两个场景下评估模型和baseline。模拟了高斯噪声、掩码噪声以及特征攻击等多种干扰。在测试场景中，准确率和召回率显著优于VAE等多个baseline，在动态路径变化场景下表现最优。消融实验表明，各组件均具有必要性。且硬件资源和时间资源的消耗均在可接受范围内。
问答：
- 模型是怎么训练的？模型如何适配多种拓扑？
A: 训练数据来自实验中收集的数据集，我们将数据集按照训练集、测试集进行划分。在模型数据收集阶段考虑了多样性。
个人评价：
Planner弥合了INT数据质量与模型需求的一个差距，在攻击检测、延迟预测场景下性能表现和鲁棒性均佳。需要探究的是，如何扩展至其他任务，进一步拓宽应用范围。
Modeling Flow-level Traffic Demand for Network Performance Evaluation and Optimization
Sijiang Huang‡, Xiaohui Xie‡∗, Mowei Wang†, Lingfeng Peng‡, Cong Li§, Yong Zhang§, Yingjie Qin§, Liang Zhang†, Yong Cui‡∗
‡ Tsinghua University, Beijing, China
†Huawei Technologies, Beijing, China
§Industrial and Commercial Bank of China, Beijing, China
介绍
流量建模与生成是TE的核心需求，流级别模型（以五元组表征）因精准捕捉应用需求，在网络评估、设计验证等场景中有重要价值。但主流方法依赖流量分布同质化等与实际不符的简化假设，导致生成的流量保真度低，严重影响评估优化的准确性。本方案通过分析某大型企业的生产流量，提出 Encore 框架，以分而治之的策略，通过CVAE捕捉分布异质性、条件GRU捕捉时间动态性，从而生成高保真合成流量轨迹。
核心思想与贡献
Encore针对流级别流量的分布异质性与序列时间依赖性两个特征分别建模。在分布上，利用CVAE做特征提取，同时引入动态平衡以及KL散度的loss，解决时间分布差异问题；在序列上，基于GRU模型处理时序数据，将流大小与到达时间组成的 “流对” 作为基本建模单元进行训练。此外，Encore 在设计中保留了隐私保护，通过模型参数实现流量生成，避免信息泄露。
实验评估
数据集来自某大型商业银行的骨干网出口流量数据，以及用于验证模型效果的公开数据集。对比了分层贝叶斯等主流模型。本方案在分布建模上，准确率和覆盖率均大幅优于现有方法。在序列建模中，除少数情况持平外，大多数情况指标均优于现有baseline。同时，本方案的训练效率高，成本适中。生成效率远优于现有的网络模拟器。
问答：
- 训练过程中使用的数据集是什么？是私有数据吗？
A: 数据集来自两个来源，一是基于某企业的私有数据集，二是互联网的公开数据集。
个人评价：
Encore利用模型能力，提供了 “高保真且易用” 的流量生成工具。实际中可以进一步探讨，除了支撑网络性能评估与优化这一任务外，如何扩展至其他场景，例如生成攻击流量、新协议验证等供多样流量输入。借助 “流量大模型” 来构建通用建模框架可能成为未来这一领域的趋势。
DANCE
北京邮电大学 DANCE Group，即网络与数据融合 (Data And Network CoordinatE) 课题组，每月论文分享。
课题组详细信息：
http://yuchaozhang.weebly.com/
招生信息 (计算机17组、软件06组)：
