Улучшение управления сетями с использованием кода, создаваемого большими языковыми моделями

Enhancing Network Management Using Code Generated by Large Language Models

August 11, 2023

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

cs.AI

Аннотация

Анализ топологий сетей и графов коммуникаций играет ключевую роль в современном управлении сетями. Однако отсутствие единого подхода приводит к сложному процессу обучения, увеличению ошибок и неэффективности. В данной статье мы представляем новый подход, который облегчает управление сетями с использованием естественного языка, применяя большие языковые модели (LLM) для генерации специализированного кода на основе запросов на естественном языке. Этот метод решает проблемы объяснимости, масштабируемости и конфиденциальности, позволяя сетевым операторам проверять сгенерированный код, устраняя необходимость делиться сетевыми данными с LLM и фокусируясь на прикладных запросах в сочетании с общими методами синтеза программ. Мы разрабатываем и оцениваем прототип системы с использованием эталонных приложений, демонстрируя высокую точность, экономическую эффективность и потенциал для дальнейших улучшений с использованием дополнительных методов синтеза программ.

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.