Netwerkbeheer verbeteren met code gegenereerd door grote taalmodellen

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

Samenvatting

Het analyseren van netwerktopologieën en communicatiegrafieken speelt een cruciale rol in hedendaags netwerkbeheer. De afwezigheid van een samenhangende aanpak leidt echter tot een uitdagend leerproces, meer fouten en inefficiënties. In dit artikel introduceren we een nieuwe aanpak om een op natuurlijke taal gebaseerde netwerkbeheerervaring te faciliteren, waarbij grote taalmodelen (LLM's) worden gebruikt om taakspecifieke code te genereren uit natuurlijke taalvragen. Deze methode adresseert de uitdagingen van verklaarbaarheid, schaalbaarheid en privacy door netwerkbeheerders in staat te stellen de gegenereerde code te inspecteren, de noodzaak om netwerkgegevens met LLM's te delen te elimineren, en zich te concentreren op toepassingsspecifieke verzoeken in combinatie met algemene programma-synthesetechnieken. We ontwerpen en evalueren een prototypesysteem met behulp van benchmarktoepassingen, waarbij hoge nauwkeurigheid, kosteneffectiviteit en het potentieel voor verdere verbeteringen met aanvullende programma-synthesetechnieken worden gedemonstreerd.

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.