🎈
Hacking for fun
GithubCV
  • About me
  • Friends
  • Technology
    • os折腾——Arch & Win11 双系统
    • 2024 Let's GoSSIP
    • 固件仿真
    • 安全随笔——安全到底是什么
    • 《信息安全论文写作》方法论
    • Heap Exploitation
    • 信息收集
    • GPT-4 初体验
    • 关于定向 fuzz 的总结
    • Beacon 实验
    • 对 AI 的认知
    • CSAPP —— lab1 datalab
    • 可视化入门学习
    • Python 爬虫入门学习
    • 对 UNIX 新的认识
    • Great works are connected
    • 开源与黑客
    • 搭建个人网站
  • Life
    • 一个悲观de乐观主义者的独白
    • 路在脚下
    • 法律学习初体验
    • 悟已往之不谏 知来者之可追
    • 在自训队,是一种什么样的体验
    • 支教
    • A passion for difficult and novel problems
    • 2022,我的年度总结
    • 1.21 大年三十
    • 1.20 打工日记
    • 浪漫的中国酒文化
    • 我的哲学批判
    • The review of The Grand Hotel
    • 暑假感想
    • 随想
  • Paper reading
    • Fuzzing
      • PDIFF
      • SyzVegas: Beating Kernel Fuzzing Odds with Reinforcement Learning
      • 1dFuzz: Reproduce 1-Day Vulnerabilities with Directed Differential Fuzzing
      • SyzDirect: Directed Greybox Fuzzing for Linux Kernel
    • Others
      • Cumulative Reasoning With Language Model
      • A Review of the F-Measure: Its History, Properties, Criticism, and Alternatives
      • Araña: Discovering and Characterizing Password Guessing Attacks in Practice
      • ChameleMon: Shifting Measurement Attention as Network State Changes
Powered by GitBook
On this page
  • 背景与前人工作
  • 解决方案

Was this helpful?

  1. Paper reading
  2. Others

ChameleMon: Shifting Measurement Attention as Network State Changes

PreviousAraña: Discovering and Characterizing Password Guessing Attacks in Practice

Last updated 1 year ago

Was this helpful?

是一篇 2023 年发表在 ACM 的研究型论文。共同一作是来自 National Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University 的 Kaicheng Yang,Yuhan Wu 和 Ruijie Miao,通讯作者是来自同样单位的 Tong Yang。ChameleMon 提供了 。

背景与前人工作

Network measurement 的目标是支持更多任务并以更少的内存实现更高的准确性。

There are mainly two kinds of flow-level measurement tasks in Network measurement : 1) packet accumulation tasks and 2) packet loss tasks.

前人工作的局限性在于:要么只能完成两种任务之一,受限于其数据结构无法拓展完成另一种任务;要么能同时完成两种任务,但无法充分利用资源,导致至少线性级别的内存 / 带宽开销。

解决方案

该论文经研究总结,提出一个实用的测量系统需要满足以下三个要求:

  1. 通用性:同时支持丢包测量任务和包累积测量任务;

  2. 效率:以亚线性空间复杂度实现高精度;

  3. 注意力转换:在不同网络状态下关注不同类型的任务。

该论文提出了一种新型的测量系统——ChameleMon,该系统能同时满足以上三个要求,突破了现有工作的瓶颈。

ChameleMon 的关键设计是通过动态的两个维度,实现随着网络状态的变化而转移测量注意力:1)在两种任务之间动态分配内存; 2)动态监控重要流量。为了实现关键设计,该论文提出了一项技术:利用费马小定理设计灵活的数据结构——FermatSketch。 FermatSketch 具有可除性、加法性和减法性,支持以上两种测量任务。 ChameleMon 的 workflow 如下:

Step 1: Capture flow-level statistics

对于一个 flow,通过 Classifier 将其分为四类(分类依据:flow size):

  • Heavy-hitter(HH)

  • heavy-losses(HLs)

  • light-losses(LLs) - according to sample rate divied into two classes

    • sampled LL candidate

    • non-sampled

UpStream 统计进入网络的 flow,DownStream 统计离开网络的 flow。

Step 2: Collect from edge

中央控制器定期从边缘交换机收集 sketches 以支持持续测量。 为避免与 flow 插入发生冲突,收集 sketches 时,每个边缘交换机都会将时间线划分成连续的固定长度时间间隔(称为 epoch),以及复制一组 sketches 作为备份。

Step 3: Perform analysis

每个 epoch,中央控制器对收集的 sketches 进行分析(共支持七项测量任务)。 通过分析上下游的编码器,中央控制器可以支持丢包检测。 通过分析流分类器和上游 HH 编码器,中央控制器可以支持 HH 检测和其他五个数据包累积任务。

Step 4: Shift attention

每个 epoch,中央控制器通过分析收集到的 sketches 来监控实时网络状态(若能监控所有的 victim flow,则为 healthy 状态,反之为 ill 状态),在运行时重新配置边缘交换机的数据平面。通过调整内存分配,来控制两种任务的占比;通过调整 Tl 和 Th 这两个阈值,动态选择最重要的流。

实验结果能够证明 ChameleMon 达到了其所描述的效果:

美中不足的是,该论文在整体排版上不够美观,page5-8 没有任何图表,EVALUATION 部分草草收尾,附录部分又占比过大,不免令读者怀疑作者是否存在写作仓促的情况。

ChameleMon: Shifting Measurement Attention as Network State Changes
prototype