本文实际上是将决策树的inference阶段offload到可编程交换机上，因为大小比较产生的状态爆炸问题是本文最重要的贡献。
Introduction & Background
在数据平面执行model inference有两个优点：线速、reaction time小。
目前来说主要有两种已有的prior art
- 关注extracting useful flow information from the data plane，但是它们并不直接把learning models放到数据平面
- 第二种take a step further，但是它们没有处理flow-level feature
Programmable Data Plane
介绍了一些背景知识
Motivation
首先对比了已有工作
- NetWarden，FlowLens
- Poseidon，Jaqen
- Planter，Mousika
然后做了两个试验证明flow-level feature很重要
- feature importance：和per-packet feature对比
- accuracy：和per-packet feature对比
The Overview of NetBeacon
图不错，整个design主要三个部分
- data plane aware model design
- model deployment
- stateful storage management model
Data Plane Aware Model Design
Feature Engineering
per-packet的feature比较好提取，比如packet size或者TTL。 flow-level features是通过combining attributes from other packets in the same flow获得的。
处理方法是aggregate/summary
- 对需要aggregate的，F=aggr(a,c,d)。比如F=aggr(packet size,[96, 112),+1)就是当packet size满足[96,112)的时候+1。
- 对需要summary的，一般就是max/min，mean，variance等等
Multi-Phase Sequential Models
实现的是随机森林和XGBoost。
但是只用single model有一个问题：per-packet的feature中所有的packet可以一视同仁，但是per-flow的并不是，packet在flow中的位置不同，所携带的信息也不一样。
因此采用的是multi-phase model，apply different models at different phases of flows。在每个阶段，flow-level features at the n-th packet are computed based on the first n packets
Model Deployment
Data Plane Model Representation
这边其实主要解决的就是状态爆炸的问题。因为PISA是只能用0/1/*来去做match的，如果是直接用01*串去做，就状态爆炸了 对于single model来说，这边主要分成两个部分： Model Table和Feature Table，相当于Feature Table先做，匹配完拿到一个Tag，Model Table再做
Range Marking。后缀状态压缩。这样就能满足它的一些限定条件，比如consecutive的merge之类的。这个主要用来生成Feature Table的range unit到value其中的value的。
Range Coding in Feature Table。feature的具体编码就用prefix最少的。差不多就是按照幂次去切的思想。也就是生成Feature Table的key。
然后Feature Table到Model Table就很简单，组合就可以了。
Handling Forest Models。对forest model来说，状态简单，组合一下就行了。有一些复杂的model，用了比如说sigmoid，这东西运算不支持，因此有一些方法去解决。 比如merge feature table的操作基本上就是对forest的每棵树全部考虑在内，然后创一个新的tree。对model来说，就是tree的leaf的组合，offline算一下。 此外还有一些优化。
Stateful Storage Management
存储用hardware hashing。但是要解决hash collision的问题。
- 尽可能减少collision的概率：就是不处理短流，代价是精度。怎么判断短流？用一个模型（82%精度）。
- 如果collide了，那么新流就用per-packet的分类器，直到老流判断完了，可以update了。
有个问题：前面collide的long flow的状态就丢了？
Integrated Data Plane Processing Logic
整个流程串了一下。
有一个注意的：resubmit去触发
- update the new inference result for an existing flow
- initiate storage for a new flow
Control Plane Logic
负责
- installing the feature tables and model table on the data plane at the very beginning
- updating the flow class table upon receiving requests
1300 LoC P4 / 300 LoC Python
Implementation
Computing Flow-level Features
讲了一下怎么计算mean和variance
Multi-phase Model Inference
对于multi-phase的来说，作者represent each individual model at each phase separately, with its own feature tables and model table. 大概是通过total packets来进行phase的转换。
此外，model inference takes two stages: one stage for matching feature tables in parallel and one stage for matching the (aggregated) model table.