分散知能を支えるネットワーク

データプライバシ要件や計算機の資源制約によって，連合学習や分割学習といった分散知能が注目を集めています． 分散知能において，学習・推論コンテキストに応じた効率的な通信パスの設計が不可欠です． 一方で，サービスチェイニング(Service Function Chaining: SFC) では，トラヒックが事前に定義されたサービス機能の列からなるサービスパスを通過することで，任意のネットワークサービスを実現できます． 本研究課題では，分割された部分モデルをサービス機能としてみなすことで，サービスパスの通過によるグローバルモデルの実行を可能とする，マルチホップ分割推論(Multi-hop Split Inference: MSI) のためのSFC アーキテクチャを創出します．提案アーキテクチャでは，部分モデルを実行するNeural Service Function (NSF) を透過的TCP プロキシとして実現し，SRv6 とeBPF に基づくSFC プロキシと統合することで，既存アプリケーションとの互換性を維持しながら，動的かつ効率的な通信経路上での推論を実現します．