Microsoft 很自豪能参与 SIGCOMM 2026。欢迎了解我们的会议议题，涵盖网络流量工程、新型负载均衡策略、自适应光子交换调度、AI 网络模拟等前沿领域。
https://t.co/mjAzIdLJuJ
https://t.co/25Aw2CNYou

Microsoft 在 SIGCOMM 2026

来源：https://www.linkedin.com/pulse/microsoft-sigcomm-2026-microsoftresearch-lzoje
Microsoft 很自豪能赞助 SIGCOMM 2026 (https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fconferences%2Esigcomm%2Eorg%2Fsigcomm%2F2026%2F&urlhash=oskL&trk=article-ssr-frontend-pulse_little-text-block)。本届会议将于8月19日至21日在丹佛举行，汇聚学术界和工业界从事通信网络及联网系统研究与部署的专业人士。我们期待在活动中与您相见。诚邀您探索 Microsoft 系统与网络研究的广阔领域 (https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fevent%2Fsigcomm-2026%2Fsystems-at-microsoft%2F&urlhash=3k3e&trk=article-ssr-frontend-pulse_little-text-block)，并浏览我们的会议专题 (https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fevent%2Fsigcomm-2026%2Fsessions%2F&urlhash=JK7F&trk=article-ssr-frontend-pulse_little-text-block)，议题概览如下。

2026年8月19日 星期三

https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Frules-offload-engine-roe-accelerating-host-sdn-policy-evaluation%2F&urlhash=Zap6&trk=article-ssr-frontend-pulse_publishing-image-block体验环节4：云数据平面与网络虚拟化

云服务提供商依赖软件定义网络（SDN）策略在多租户环境中实现复杂的网络架构和安全语义。对于托管在公共云服务中的虚拟机，SDN策略评估是每个网络数据包的必经步骤。评估SDN策略需要数百微秒，这严重限制了性能。

本研究提出了一种网络优化架构，将数据包语义直接嵌入指令中。这种方法摒弃了昂贵的数据缓存和加载存储单元，使得FPGA实现更高效。作者设计了ROE-Core——一种用于SDN策略评估的多核多线程引擎，采用只读指令实现高吞吐量和低延迟的连接建立。他们还部署了一个端到端的软硬件协同系统，该系统可评估SDN策略、支持连接生命周期管理，并与Azure上现有加速器无缝交互，以实现线速性能。

2026年8月20日 星期四

https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Fnear-optimal-online-traffic-engineering%2F&urlhash=RGJo&trk=article-ssr-frontend-pulse_publishing-image-block研究环节10：互联网测量与路由

大多数广域网流量工程系统依赖集中式控制器，定期收集流量数据、计算路由并更新网络。这种方法通常需要数分钟才能对大规模变化做出反应，并可能产生次优结果。

OnlineTE (https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Fnear-optimal-online-traffic-engineering%2F&urlhash=RGJo&trk=article-ssr-frontend-pulse_little-text-block)可在网络或流量变化后的数秒内提供近最优的流量工程决策，显著优于当前最先进的解决方案。通过分布式优化，每个交换机解决部分问题，而中央协调器同步进度，其计算需求完全在现代交换机的能力范围内。OnlineTE还支持大规模的边缘流量工程，相比传统方法能更高效地利用网络资源。

https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Fhoney-i-shrunk-the-headers-with-flow-zip%2F&urlhash=d6-k&trk=article-ssr-frontend-pulse_publishing-image-block研究环节12：主机网络与数据包处理

通过网络发送的每个数据包都包含用于路由和管理流量的头部信息。虽然必要，但这些头部消耗带宽却不承载有用的应用数据，降低了有效吞吐量（有用数据的传输量），并可能增加流完成时间，拖慢应用性能。现代网络技术如隧道协议会增大头部尺寸并增加此类开销。

虽然可以压缩这些头部，但现有方法要求每一跳都使用专用硬件来压缩和解压数据包以适应自定义头部格式。Flow.ZIP (https://www.linkedin.com/redir/redirect?url=http%3A%2F%2FFlow%2EZIP&urlhash=bPyB&trk=article-ssr-frontend-pulse_little-text-block)是一种为现有数据中心网络设计的向后兼容的头部压缩机制。它利用了最后一跳网络卸载和MPLS支持的组合，这两者在现代数据中心部署中已无处不在。Flow.ZIP (https://www.linkedin.com/redir/redirect?url=http%3A%2F%2FFlow%2EZIP&urlhash=bPyB&trk=article-ssr-frontend-pulse_little-text-block)通过选择性协调对部分数据流进行压缩，克服了这些组件的可扩展性限制。因此，在真实数据中心工作负载下，Flow.ZIP (https://www.linkedin.com/redir/redirect?url=http%3A%2F%2FFlow%2EZIP&urlhash=bPyB&trk=article-ssr-frontend-pulse_little-text-block)可将平均流完成时间缩短高达58%。

https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Fstorm-enabling-traffic-scheduling-for-rdma%2F&urlhash=wMkc&trk=article-ssr-frontend-pulse_publishing-image-block研究环节13：数据中心传输：RDMA与拥塞控制

远程直接内存访问（RDMA）正日益广泛地应用于具有不同调度需求的数据中心工作负载中，但实际上大多数流量依赖于简单的公平共享。本研究提出了STORM，一种用于RDMA工作负载的网络接口卡（NIC）级调度器，它使用NIC已有的信息。STORM分配少量网络优先级，并优先处理即将完成或阻塞其他工作的请求。在FPGA NIC上原型实现且开销可忽略不计，与公平调度相比，STORM将LLM训练迭代时间缩短了高达12%，并将平均及P99流完成延迟降低了高达90%。

2026年8月21日 星期五

https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Fcapybara-dynamic-load-balancing-with-microsecond-scale-tcp-migration%2F&urlhash=L0Sk&trk=article-ssr-frontend-pulse_publishing-image-block研究环节15：可编程交换机与数据平面硬件

四层负载均衡器被广泛用于支持可扩展的云服务，但在不可预测的偏斜工作负载下表现不佳。Capybara (https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Fcapybara-dynamic-load-balancing-with-microsecond-scale-tcp-migration%2F&urlhash=L0Sk&trk=article-ssr-frontend-pulse_little-text-block)是一种新型负载均衡器架构，能够对已建立的连接进行动态再平衡。它将负载均衡职责分为快速的L4负载均衡器、主机-交换机协同设计的连接迁移协议，以及用于应用级连接状态迁移的传输接口。Capybara利用可编程交换机和内核旁路技术，在不中断服务且对客户端透明的情况下高效实现连接迁移。在真实工作负载下，与最先进的负载均衡方法相比，Capybara为横向扩展服务实现了高达149倍的尾延迟降低和超过2倍的吞吐量提升。

https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Fharvest-adaptive-photonic-switching-schedules-for-collective-communication-in-scale-up-domains%2F&urlhash=rtvf&trk=article-ssr-frontend-pulse_publishing-image-block研究环节17：拥塞、速率与调度控制

硅光互连被广泛用于提高当今计算机网络的带宽和能效。虽然直接光连接可以减少拥塞和延迟，但频繁的重配置会带来开销，可能抵消其益处。

Harvest (https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Fharvest-adaptive-photonic-switching-schedules-for-collective-communication-in-scale-up-domains%2F&urlhash=rtvf&trk=article-ssr-frontend-pulse_little-text-block)通过自动生成拓扑重配置调度来最小化集体通信时间，从而应对此挑战。给定通信算法和调度，Harvest 确定互连应如何随时间演进，平衡重配置成本与拥塞及传播延迟。这种方法通过考虑不同光子技术的重配置特性，适应了不同的光子技术。

通过仿真和商用GPU上的硬件模拟，Harvest与静态互连及逐步重配置方法相比，在多种通信算法下显著缩短了集体完成时间。

https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Fnuwa-efficient-generative-control-plane-for-ai-network-simulation%2F&urlhash=O2to&trk=article-ssr-frontend-pulse_publishing-image-block研究环节18：基于学习与数据驱动的网络系统

超大规模的AI超级计算机支持AI的快速发展，但其训练成本极其高昂。网络模拟有助于提高大规模AI训练模拟的效率。然而，高保真的网络模拟在大规模下速度非常缓慢。

本研究表明，控制平面的效率是模拟大规模训练集群的主要瓶颈。该研究推出了Nüwa (https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fwww%2Emicrosoft%2Ecom%2Fen-us%2Fresearch%2Fpublication%2Fnuwa-efficient-generative-control-plane-for-ai-network-simulation%2F&urlhash=O2to&trk=article-ssr-frontend-pulse_little-text-block)，一个用于AI网络模拟的高效生成式控制平面。Nüwa利用AI网络的分层结构，为每一层用公式表达路由信息。评估显示，Nüwa可将64K节点的路由表生成时间从数小时缩短至仅20秒。对于数据平面执行，Nüwa通过几乎消除转发计算，可将整体模拟时间缩短超过100倍。