[info] B. Christophe, “A Brief Introduction to Edge Computing and Deep Learning,” Nov. 28, 2020. https://medium.com/swlh/a-brief-introduction-to-edge-computing-and-deep-learning-5af8c50e2f5c (accessed Jul. 16, 2023). [/info]
这篇博文由浅入深，从边缘计算和深度学习的重要性开始论述，接着介绍了边缘计算的两个主要范式，并以COSMOS智能路口例子引出了边缘深度学习的五项基本技术，最后罗列了边缘深度学习目前存在的问题和挑战。
[info] J. Jiang, G. Ananthanarayanan, P. Bodik, S. Sen, and I. Stoica, “Chameleon: scalable adaptation of video analytics,” in Proceedings of the 2018 Conference of the ACM Special Interest Group on Data Communication, Budapest Hungary: ACM, Aug. 2018, pp. 253–266. doi: 10.1145/3230543.3230574. [/info]
基于CV和DNN的视频分析在各个领域得到广泛应用，例如交通控制、安全监控和工厂生产监测。视频分析流水线通常由多个视频处理模块组成，其不同的配置参数选择会影响资源消耗和准确性，并且最佳配置随时间动态变化。
[info] Wang M , Cui Y , Xiao S ,et al.Neural Network Meets DCN: Traffic-driven Topology Adaptation with Deep Learning[C]//Abstracts of the 2018 ACM International Conference.ACM, 2018.DOI:10.1145/3219617.3219656. [/info]
传统有线数据中心常采用的静态网络拓扑结构日益难以应对新情况新挑战，引入OCS或无线通信组件构建可重构拓扑的DCN可以解决问题，但其实现存在问题与挑战。
注：OCS内通过电机控制镜片偏转来实现光路控制，进而实现光路交换。文章中的可配置拓扑是OCS或无线通信组件，其余有线拓扑结构是固定不变的（例如固定的Fat-tree）。
[info] Zhang H , Chen L , Yi B ,et al.CODA: Toward Automatically Identifying and Scheduling Coflows in the Dark[C]//Conference on Acm Sigcomm Conference.ACM, 2016.DOI:10.1145/2934872.2934880. [/info]
最近的一系列研究工作表明，利用coflows来利用应用层信息可以显著提高分布式数据并行应用程序的通信性能。但现有方案的无法实现coflows自动识别和调度。
[info] Chen L , Lingys J , Chen K ,et al.AuTO: scaling deep reinforcement learning for datacenter-scale automatic traffic optimization[C]//the 2018 Conference of the ACM Special Interest Group.ACM, 2018.DOI:10.1145/3230543.3230551. [/info]
在数据中心中，网络流量具有高度集中性、长尾分布性、突发性、时空异质性和大规模性等特征，数据中心的流量优化对网络及其承载的应用的性能有着显著的影响。目前，流量优化主要依赖于手工设计的启发式方法，这些方法相对并不完善，而传统的深度强化学习方法则由于较长的处理时间无法用于数据中心规模的在线决策。
[info] Meng Z , Wang M , Bai J ,et al.Interpreting Deep Learning-Based Networking Systems[C]//SIGCOMM '20: Annual conference of the ACM Special Interest Group on Data Communication on the applications, technologies, architectures, and protocols for computer communication.ACM, 2020.DOI:10.1145/3387514.3405859. [/info]
深度学习在计算机网络方面的应用取得重要成果，但DNN模型参数庞大，通常被视为黑盒，无法提供对其决策过程和内部运行机制的解释。这使得网络运营者难以理解模型，从而使模型难设计、难debug（牵一发而动全身）、难即席调整，又因性能要求高且决策时延高而难以部署。此外，现有方法在目标、通用性和模型的数据形式上均不适用于为网络运营者提供解释性。
[info] Anderson T E , Shenker S , Stoica I ,et al.Design Guidelines for Robust Internet Protocols[J].ACM SIGCOMM Computer Communication Review, 2003, 33(1):125-130.DOI:10.1145/774763.774783. [/info]
因特网在健壮性的设计上，早期在fail-stop故障模型的假设上进行。但这一假设在现实情况中的适用性不好，特别是在存在拜占庭故障的网络中。而已有的应对拜占庭故障的方法并不足够。此外不同组织设计的不同协议随时间也在变动，应对拜占庭故障变得更加困难。
[info] CLARK D D. The design philosophy of the DARPA Internet Protocols[J/OL]. ACM SIGCOMM Computer Communication Review, 1995: 102-111. http://dx.doi.org/10.1145/205447.205458. DOI:10.1145/205447.205458. [/info]
这篇文章主要致力于讲清楚TCP/IP协议簇的设计理念和动机，文章对于TCP/IP协议簇的设计和演变有着较为深刻的理解。围绕“为什么这样设计”这一问题，作者从列举因特网架构设计之初的目标出发，论述了这些目标和TCP/IP协议簇的重要特性之间的关系。
[info] J. Saltzer,D. Reed,D. Clark. End-to-end Arguments in System Design[J]. Acm Transactions on Computer Systems (tocs), 1984, 2(4): 195-206. DOI:10.1145/357401.357402. [/info]
这篇文章主要论证了一个用于指导分布式系统的模块中功能划分的设计准则：端到端准则。这一准则在分布式系统设计中被广泛使用且具有很高的知名度，对于计算机网络的分层模型发展有很大影响。
