评估面向计算机网络的智能体配置修复

摘要

计算机网络配置错误仍然是造成严重互联网中断的主要原因。研究正在转向大型语言模型（LLM）来自动执行复杂且容易出错的网络配置任务。然而，即使是最先进的模型也无法解决大规模、复杂场景中的错误配置，并且经常引入新的错误。在这项工作中，我们对开源和闭源大语言模型进行了基准测试，并使用正式的网络验证和上下文检索工具进行了增强。我们证明，代理架构在修复效率（平均提高 12%）和安全性（平均提高 17%）方面优于基础大语言模型，这得益于动态管理上下文和迭代验证配置修复的能力。

评估面向计算机网络的智能体配置修复：论文配图 — 图 1：代理配置修复管道概述。给定由网络拓扑 TT、损坏的配置 CbrokenC_{\text{broken}} 和违反的规范 𝒱\mathcal{V} 组成的任务描述，代理会动态检索自己选择的相关上下文，提出搜索和替换编辑，并与验证者交互以在提交最终的 CfixC_{\text{fix}} 之前查看未解决的规范的状态。