Miglioramento della Gestione di Rete Utilizzando Codice Generato da Modelli Linguistici di Grande Dimensione

Enhancing Network Management Using Code Generated by Large Language Models

August 11, 2023

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

cs.AI

Abstract

L'analisi delle topologie di rete e dei grafi di comunicazione svolge un ruolo cruciale nella gestione delle reti contemporanee. Tuttavia, l'assenza di un approccio coerente porta a una curva di apprendimento impegnativa, a un aumento degli errori e a inefficienze. In questo articolo, introduciamo un nuovo approccio per facilitare un'esperienza di gestione della rete basata sul linguaggio naturale, utilizzando modelli linguistici di grandi dimensioni (LLM) per generare codice specifico per le attività a partire da query in linguaggio naturale. Questo metodo affronta le sfide della spiegabilità, della scalabilità e della privacy consentendo agli operatori di rete di ispezionare il codice generato, eliminando la necessità di condividere i dati di rete con gli LLM e concentrandosi su richieste specifiche per l'applicazione combinate con tecniche generali di sintesi programmatica. Progettiamo e valutiamo un sistema prototipo utilizzando applicazioni di benchmark, dimostrando un'elevata accuratezza, economicità e il potenziale per ulteriori miglioramenti attraverso l'uso di tecniche complementari di sintesi programmatica.

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.