Verbesserung des Netzwerkmanagements durch Code, der von großen Sprachmodellen generiert wird

Enhancing Network Management Using Code Generated by Large Language Models

August 11, 2023

Autoren: Sathiya Kumaran Mani, Yajie Zhou, Kevin Hsieh, Santiago Segarra, Ranveer Chandra, Srikanth Kandula

cs.AI

Zusammenfassung

Die Analyse von Netzwerktopologien und Kommunikationsgraphen spielt eine entscheidende Rolle im modernen Netzwerkmanagement. Das Fehlen eines kohärenten Ansatzes führt jedoch zu einer steilen Lernkurve, erhöhten Fehlern und Ineffizienzen. In diesem Artikel stellen wir einen neuartigen Ansatz vor, der ein auf natürlicher Sprache basierendes Netzwerkmanagement ermöglicht, indem große Sprachmodelle (LLMs) verwendet werden, um aufgabenbezogenen Code aus natürlichen Sprachanfragen zu generieren. Diese Methode adressiert die Herausforderungen der Erklärbarkeit, Skalierbarkeit und Privatsphäre, indem sie Netzwerkbetreibern ermöglicht, den generierten Code zu überprüfen, die Notwendigkeit zur Weitergabe von Netzwerkdaten an LLMs entfällt und der Fokus auf anwendungsspezifische Anfragen in Kombination mit allgemeinen Programmsynthesetechniken gelegt wird. Wir entwerfen und evaluieren ein Prototypsystem anhand von Benchmark-Anwendungen, das hohe Genauigkeit, Kosteneffizienz und das Potenzial für weitere Verbesserungen durch ergänzende Programmsynthesetechniken demonstriert.

English

Analyzing network topologies and communication graphs plays a crucial role in contemporary network management. However, the absence of a cohesive approach leads to a challenging learning curve, heightened errors, and inefficiencies. In this paper, we introduce a novel approach to facilitate a natural-language-based network management experience, utilizing large language models (LLMs) to generate task-specific code from natural language queries. This method tackles the challenges of explainability, scalability, and privacy by allowing network operators to inspect the generated code, eliminating the need to share network data with LLMs, and concentrating on application-specific requests combined with general program synthesis techniques. We design and evaluate a prototype system using benchmark applications, showcasing high accuracy, cost-effectiveness, and the potential for further enhancements using complementary program synthesis techniques.