Description
Date depot: 28 septembre 2022
Titre: Few vs Zero shot learning for Traffic Monitoring/Management
Directeur de thèse:
Pietro MICHIARDI (Eurecom)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé: Traffic monitoring is a strategic activity for networks operation & management (O&M). A variety of methodologies and technologies have been developed to shed light on both the network routers and health of Internet services. Many of such tools are based on the adoption of “classifiers”, i.e., entities that are able to label traffic properties according to predefined categories. In particular, traffic classification methods label network flows with the Internet application generating them, thus enabling both in depth view of the traffic composition (e.g., study which are the popular services for end users) enabling an advanced management of their performance (e.g., prioritize gaming applications over mail services). Thus, good classifiers are vital to provide superior network O&M.
This PhD thesis project centers around the study of novel techniques to obtain classifiers for traffic monitoring that are (i) highly portable across network environments and (ii) require as little as possible training data and/or labels. We believe the combination of these two aspects to be at the foundation of AI model life-cycle management.
Résumé dans une autre langue: La surveillance du trafic est une activité stratégique pour l’opération & la gestion des réseaux (O&M). La majorité de ces outils sont basée sur des modèles classification pour étiqueter les trafics selon des catégories prédéfinies.
Les systèmes de classification du trafic permettant ainsi `a la fois comprendre de la composition du trafic (par exemple, l’étude des services populaires pour les utilisateurs). De plus, ces modèles permettent une gestion avancée de leurs performances (par exemple, donner la priorité aux applications de jeu vidéo par rapport aux services de messagerie). Ainsi, une classificateur robustes est essentiel pour fournir un réseau de qualité supérieur O&M.
Ce projet de thèse s’articule autour de l’étude de nouvelles techniques permettant d’obtenir des classificateurs pour la surveillance du trafic qui sont (i) hautement portables dans les environnements réseau et (ii) nécessitent le moins possible de données d’entraînement et/ou d’étiquettes. La combinaison de ces deux aspects est la base de la gestion du cycle de vie pour les modèles d’intelligence artificielle (IA).
Doctorant.e: Wang Chao