Amélioration de la gestion des réseaux grâce au code généré par les grands modèles de langage

Enhancing Network Management Using Code Generated by Large Language Models

August 11, 2023

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

cs.AI

Résumé

L'analyse des topologies de réseau et des graphes de communication joue un rôle crucial dans la gestion contemporaine des réseaux. Cependant, l'absence d'une approche cohérente entraîne une courbe d'apprentissage difficile, une augmentation des erreurs et des inefficacités. Dans cet article, nous présentons une nouvelle approche visant à faciliter une expérience de gestion de réseau basée sur le langage naturel, en utilisant des modèles de langage de grande taille (LLMs) pour générer du code spécifique à une tâche à partir de requêtes en langage naturel. Cette méthode aborde les défis de l'explicabilité, de l'évolutivité et de la confidentialité en permettant aux opérateurs de réseau d'inspecter le code généré, en éliminant le besoin de partager les données du réseau avec les LLMs, et en se concentrant sur des demandes spécifiques à l'application combinées avec des techniques générales de synthèse de programmes. Nous concevons et évaluons un système prototype à l'aide d'applications de référence, démontrant une grande précision, un bon rapport coût-efficacité et un potentiel d'amélioration grâce à des techniques complémentaires de synthèse de programmes.

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.