機器學習於網路（machine learning for networking）
經營一張大型網路要做無數的判斷：這突如其來的流量暴增是攻擊、還是只是一支熱門影片？我該送多快才不會把連結塞爆？哪一條路徑快要壅塞了？傳統上工程師為這些決策寫下固定的規則和手工調校的公式。機器學習於網路則反過來問：如果讓網路從資料中學會答案——從過去數百萬個「什麼有效」的例子裡學——就像一位資深操作員從經驗中累積出直覺，但以機器的速度與規模來做，會如何？
具體來說，機器學習於網路把資料驅動的模型用在網路問題上。幾個清楚的例子：流量預測，讓模型學會每日與每週的型態來預估需求，好提前佈署容量；異常與入侵偵測，讓模型學會正常流量長什麼樣、標記出反常的東西——可能的攻擊或故障——而不必為每一種威脅手寫一條規則；以及壅塞控制，與其用像經典 TCP 那樣的固定公式，改用一個學出來的策略，依觀察到的狀況調整送出速率，目標是讓連結保持忙碌、卻不讓緩衝區溢位。模型先在過去的資料上訓練，再對即時流量做出或引導決策。
為什麼重要：網路已經大得、快得、複雜得無法只靠手寫規則應付，而且有大量量測資料可供學習。但要坦白它的限制。一個模型頂多只和它的訓練資料一樣好——遇上它從沒見過的流量型態（全新的攻擊、不尋常的事件）它可能慘敗，這在一個必須可靠的系統裡很危險。模型可能不透明（難以解釋它為何那樣做）、可能被精心構造輸入以規避偵測的對手所騙、並帶來自己的成本與延遲。機器學習是解決特定網路問題的強大工具，而非理解網路的替代品——最好的系統把學出來的模型與紮實的工程和清楚的後備方案結合起來。
一個異常偵測模型用某公司數週的正常流量訓練。某天夜裡它標記出一股安靜卻穩定、從某台伺服器流向一個陌生位址的涓涓資料——一種沒有任何手寫規則預料到的型態。結果那是緩慢竊取檔案的惡意程式。另一面是：同一個模型也可能在一次它從沒見過的大型合法軟體佈署之夜裡發出誤報。
學出來的模型能逮到意料之外的事——但有時也會狼來了。
一個學出來的模型，頂多和它的訓練資料一樣值得信賴，而網路要求可靠性。模型可能在沒見過的型態上失敗、被對手刻意欺騙、且難以解釋——所以機器學習是在配上合理後備方案下增強網路工程，而非取代對系統的理解。