NSDI '18 Open Access Videos Sponsored by
King Abdullah University of Science and Technology (KAUST)

https://www.usenix.org/node/211250

VFP: A Virtual Switch Platform for Host SDN in the Public Cloud | USENIX

References

• VFP: A Virtual Switch Platform for Host SDN in the Public Cloud (Article version) - Microsoft Research
• https://azure.microsoft.com/mediahandler/files/resourcefiles/azure-network-security/Azure%20Network%20Security.pdf
• https://conferences.sigcomm.org/sigcomm/2015/pdf/papers/keynote.pdf
• https://www.microsoft.com/en-us/research/wp-content/uploads/2017/09/login_fall17_02_firestone.pdf

Abstract

Layer-4 load balancing is fundamental to creating scale-out web services.
We designed and implemented Ananta, a scale-out layer-4 load balancer that runs on commodity hardware and meets the performance, reliability and operational requirements of multi-tenant cloud computing environments.
Ananta combines existing techniques in routing and distributed systems in a unique way and splits the components of a load balancer into a consensus-based reliable
control plane and a decentralized scale-out data plane.
A key component of Ananta is an agent in every host that can take over the packet modification function from the load balancer, thereby enabling the load balancer to naturally scale with the size of the data center.
Due to its distributed architecture, Ananta provides direct server return (DSR) and network address translation (NAT) capabilities across layer-2 boundaries.
Multiple instances of Ananta have been deployed in the Windows Azure public cloud with combined bandwidth capacity exceeding 1Tbps.
It is serving traffic needs of a diverse set of tenants, including the blob, table and relational storage services.
With its scale-out data plane we can easily achieve more than 100Gbps throughput for a single public IP address.
In this paper, we describe the requirements of a cloud-scale load balancer, the design of Ananta and lessons learnt from its implementation and operation in the Windows Azure public cloud.

References

• pdf: https://conferences.sigcomm.org/sigcomm/2013/papers/sigcomm/p207.pdf
• Ananta

https://arxiv.org/abs/1810.03993

訓練された機械学習モデルは、法執行機関、医学、教育、雇用などの分野で影響の大きいタスクを実行するためにますます使用されています。機械学習モデルの意図されたユースケースを明確にし、それらがあまり適していないコンテキストでの使用を最小限に抑えるために、リリースされたモデルには、パフォーマンス特性を詳述したドキュメントを添付することをお勧めします。このペーパーでは、このような透過的なモデルレポートを促進するために、モデルカードと呼ばれるフレームワークを提案します。モデルカードは、異なる文化、人口統計、または表現型グループ（人種、地理的位置、性別、フィッツパトリック肌タイプ）や交差グループ（例： 、年齢と人種、または性別とフィッツパトリックの肌の種類）を対象とするアプリケーションドメインに関連しています。モデルカードは、モデルが使用されることを意図しているコンテキスト、パフォーマンス評価手順の詳細、およびその他の関連情報も開示します。主にコンピュータービジョンと自然言語処理のアプリケーション分野の人間中心の機械学習モデルに焦点を当てていますが、このフレームワークは訓練された機械学習モデルを文書化するために使用できます。コンセプトを固めるために、2つの監視モデルにカードを提供します。1つは画像内の笑顔を検出するようにトレーニングされ、もう1つはテキスト内の有毒なコメントを検出するようにトレーニングされます。機械学習および関連するAIテクノロジーの責任ある**化に向けたステップとしてモデルカードを提案し、AIテクノロジーがどのように機能するかについて透明性を高めます。この作業により、トレーニング済みの機械学習モデルをリリースする人が、同様の詳細な評価番号やその他の関連ドキュメントとともにモデルリリースに付随することをお勧めします。

https://twitter.com/Narra55212527/status/1226135486692900865?s=19

Duet: Cloud Scale Load Balancing with Hardware and Software

SDN の Load Balancer の話で、Ananta ( #4 ) の改良。

https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/sigcomm14-duet-final.pdf

Deepview: Virtual Disk Failure Diagnosis and Pattern Detection for Azure | USENIX

https://arxiv.org/abs/1706.07269

There has been a recent resurgence in the area of explainable artificial intelligence as researchers and practitioners seek to make their algorithms more understandable. Much of this research is focused on explicitly explaining decisions or actions to a human observer, and it should not be controversial to say that looking at how humans explain to each other can serve as a useful starting point for explanation in artificial intelligence. However, it is fair to say that most work in explainable artificial intelligence uses only the researchers' intuition of what constitutes a `good' explanation. There exists vast and valuable bodies of research in philosophy, psychology, and cognitive science of how people define, generate, select, evaluate, and present explanations, which argues that people employ certain cognitive biases and social expectations towards the explanation process. This paper argues that the field of explainable artificial intelligence should build on this existing research, and reviews relevant papers from philosophy, cognitive psychology/science, and social psychology, which study these topics. It draws out some important findings, and discusses ways that these can be infused with work on explainable artificial intelligence.
研究者や実践者がアルゴリズムをより理解しやすくしようとするにつれて、説明可能な人工知能の分野で最近の復活がありました。この研究の多くは、人間の観察者に決定や行動を明示的に説明することに焦点を当てており、人間が互いに説明する方法を見ることは、人工知能の説明の有用な出発点になり得ると言うことは議論の余地がありません。しかし、説明可能な人工知能のほとんどの研究は、「良い」説明を構成するものについての研究者の直感のみを使用していると言っても過言ではありません。人々が説明を定義、生成、選択、評価、提示する方法についての哲学、心理学、認知科学の研究は広大で価値があり、人々は説明プロセスに対して特定の認知バイアスと社会的期待を採用していると主張しています。この論文では、説明可能な人工知能の分野はこの既存の研究に基づいて構築されるべきであると主張し、これらのトピックを研究する哲学、認知心理学/科学、社会心理学の関連論文をレビューします。それはいくつかの重要な発見を引き出し、これらに説明可能な人工知能の研究を注入する方法を議論します。

pdf: https://www.microsoft.com/en-us/research/uploads/prod/2019/10/evercrypt.pdf

EverCrypt: A Fast, Verified, Cross-Platform Cryptographic Provider - Microsoft Research

Jonathan Protzenko Bryan Parno Aymeric Fromherz Chris Hawblitzel Marina Polubelova Karthikeyan Bhargavan Benjamin Beurdouche Joonwon Choi Antoine Delignat-Lavaud Cédric Fournet Tahina Ramananandro Aseem Rastogi Nikhil Swamy Christoph M. Wintersteiger Santiago Zanella-Beguelin
IEEE Symposium on Security and Privacy (Oakland) | May 2020

Organized by IEEE

We present EverCrypt: a comprehensive collection of verified, high-performance cryptographic functionalities available via a carefully designed API. The API provably supports agility (choosing between multiple algorithms for the same functionality) and multiplexing (choosing between multiple implementations of the same algorithm). Through abstraction and zero-cost generic programming, we show how agility can simplify verification without sacrificing performance, and we demonstrate how C and assembly can be composed and verified against shared specifications. We substantiate the effectiveness of these techniques with new verified implementations (including hashes, Curve25519, and AES-GCM) whose performance matches or exceeds the best unverified implementations. We validate the API design with two high-performance verified case studies built atop EverCrypt, resulting in line-rate performance for a secure network protocol and a Merkle-tree library, used in a production blockchain, that supports 2.7 million insertions/sec. Altogether, EverCrypt consists of over 124K verified lines of specs, code, and proofs, and it produces over 29K lines of C and 14K lines of assembly code.

EverCrypt：慎重に設計されたAPIを介して利用可能な、検証済みの高性能暗号化機能の包括的なコレクションを提供します。 APIは、俊敏性（同じ機能の複数のアルゴリズム間の選択）と多重化（同じアルゴリズムの複数の実装間の選択）をサポートしています。抽象化とゼロコストの汎用プログラミングにより、アジリティによってパフォーマンスを犠牲にすることなく検証を簡素化できることを示し、共有仕様に対してCおよびアセンブリを構成および検証する方法を示します。これらの手法の有効性は、パフォーマンスが最高の未検証の実装と一致するかそれを超える新しい検証済み実装（ハッシュ、Curve25519、およびAES-GCMを含む）で実証されています。 EverCrypt上に構築された2つの高性能検証ケーススタディを使用してAPI設計を検証し、安全なネットワークプロトコルのラインレートパフォーマンスと、実稼働ブロックチェーンで使用される、270万の挿入/秒をサポートするマークルツリーライブラリを実現します。 EverCryptは、全体で124Kを超える仕様、コード、および証明の検証された行で構成され、29K行を超えるCおよび14K行のアセンブリコードを生成します。