Mejora de la Gestión de Redes mediante Código Generado por Modelos de Lenguaje a Gran Escala

Enhancing Network Management Using Code Generated by Large Language Models

August 11, 2023

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

cs.AI

Resumen

El análisis de topologías de red y grafos de comunicación desempeña un papel crucial en la gestión de redes contemporánea. Sin embargo, la ausencia de un enfoque cohesivo conlleva una curva de aprendizaje desafiante, un aumento de errores e ineficiencias. En este artículo, presentamos un enfoque novedoso para facilitar una experiencia de gestión de redes basada en lenguaje natural, utilizando modelos de lenguaje de gran escala (LLMs, por sus siglas en inglés) para generar código específico para tareas a partir de consultas en lenguaje natural. Este método aborda los desafíos de explicabilidad, escalabilidad y privacidad al permitir que los operadores de red inspeccionen el código generado, eliminando la necesidad de compartir datos de red con los LLMs y centrándose en solicitudes específicas de aplicaciones combinadas con técnicas generales de síntesis de programas. Diseñamos y evaluamos un sistema prototipo utilizando aplicaciones de referencia, demostrando alta precisión, rentabilidad y el potencial para mejoras adicionales mediante el uso de técnicas complementarias de síntesis de programas.

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.