키메라: 신뢰성 있는 데이터 플레인 지능을 위한 신경-기호 주의 기반 요소

Chimera: Neuro-Symbolic Attention Primitives for Trustworthy Dataplane Intelligence

표현력이 뛰어난 학습 모델을 직접 프로그래밍 가능한 데이터 플레인에 배포하면 고속, 저지연 트래픽 분석이 가능하지만, 엄격한 하드웨어 제약과 예측 가능하고 감사 가능한 동작의 필요성 때문에 어려움이 있습니다. 키메라는 주의 기반 신경 계산과 기호 제약을 데이터 플레인 기본 요소에 매핑하는 체계적인 프레임워크를 도입하여, 매치-액션 파이프라인 내에서 신뢰할 수 있는 추론을 가능하게 합니다. 키메라는 커널화된 선형화된 주의 근사, 2계층 키 선택 계층 구조, 그리고 신경 표현력을 유지하면서도 엄격한 기호적 제약을 적용하는 캐스케이드 퓨전 메커니즘을 결합합니다. 설계에는 하드웨어 인지 매핑 프로토콜과 두 가지 시간 척도의 업데이트 방식이 포함되어 있으며, 이를 통해 현실적인 데이터 플레인 예산 범위 내에서 안정적이고 고속 작동이 가능합니다. 본 논문에서는 키메라 아키텍처, 하드웨어 매핑 전략, 그리고 신경-기호 주의 기반 요소가 일반적인 프로그래밍 가능 스위치의 리소스 제약 내에서 고정밀 추론을 달성할 수 있음을 보여주는 실험적 증거를 제시합니다.

Deploying expressive learning models directly on programmable dataplanes promises line-rate, low-latency traffic analysis but remains hindered by strict hardware constraints and the need for predictable, auditable behavior. Chimera introduces a principled framework that maps attention-oriented neural computations and symbolic constraints onto dataplane primitives, enabling trustworthy inference within the match-action pipeline. Chimera combines a kernelized, linearized attention approximation with a two-layer key-selection hierarchy and a cascade fusion mechanism that enforces hard symbolic guarantees while preserving neural expressivity. The design includes a hardware-aware mapping protocol and a two-timescale update scheme that together permit stable, line-rate operation under realistic dataplane budgets. The paper presents the Chimera architecture, a hardware mapping strategy, and empirical evidence showing that neuro-symbolic attention primitives can achieve high-fidelity inference within the resource envelope of commodity programmable switches.