Chimera Framework Consente AI Neuro-Simbolica Affidabile su Dataplane Programmabili

Un nuovo studio ha introdotto Chimera, un framework progettato per implementare modelli di apprendimento complessi direttamente sui dataplane programmabili per un'analisi del traffico migliore e più rapida. Affronta le sfide poste dai rigidi vincoli hardware e dalla necessità di un comportamento di rete sia prevedibile che verificabile. Chimera combina calcoli neurali guidati dall'attenzione con vincoli simbolici all'interno delle primitive del dataplane, consentendo inferenze affidabili nella pipeline match-action. Incorpora un'approssimazione dell'attenzione kernelizzata e una struttura di selezione delle chiavi a due livelli insieme a una tecnica di fusione a cascata per garantire garanzie simboliche preservando le capacità neurali. Inoltre, il framework presenta un protocollo di mappatura consapevole dell'hardware e un sistema di aggiornamento duale, garantendo prestazioni stabili in condizioni reali del dataplane. La ricerca, che mostra la potenza degli approcci neuro-simbolici, è disponibile su arXiv con l'identificatore 2602.12851v3.