可编程网络，勇往直前的走在AI路上

（一）当机器学习碰到P4可编程的网络

（二）当强化学习碰到P4可编程的网络

（三）当分类算法碰到P4可编程的网络

（四）当DDoS检测碰到P4可编程的网络

（五）当分布式存储碰到P4可编程的网络

（六）当分布式训练碰到P4可编程的网络

自从人工智能

成为科研人员的热土

各路人马精益求精努力

避免人工智能成为人工智障

因此训练尤其是分布式训练成为常态

此时网络既能载舟亦能覆舟成为新瓶颈

因此

各种分布式训练

与可编程网络的结合

成为学科交叉的又一个热点

思科老兵解读计算+网络之超级融合

2019年微软

首次公开SwitchML宣布

P4交换机与机器学习的亲密接触

但是

SwitchML

有很大的局限性

并没有解决多Rack分布

以及有效利用交换机资源的问题

因此清华大学团队

推出改进型版本ATP

支持Multi-tenant/Multi-rack

边界越大

意味着困难越大

多机架就要正面网络的问题

ATP在可靠性拥塞控制等方面做了探索

独乐乐

不如众乐乐

和SwitchML一样

ATP代码同样在Github开源