Large Language Models for Networking: Workflow, Advances and Challenges

要約

ネットワーキング分野は、その複雑性の高さと反復の速さが特徴であり、ネットワーク設計、診断、構成、セキュリティに至るまで、ネットワーク タスクを達成するには広範な専門知識が必要です。
これらのタスクに固有の複雑さは、ネットワーク テクノロジとプロトコルの絶え間なく変化する状況と相まって、従来の機械学習ベースの手法にとって大きな障害となります。
これらの方法では、大規模なラベル付きデータ、ドメイン固有の特徴エンジニアリング、新しいシナリオに適応するための頻繁な再トレーニングが必要となるため、ネットワーキングにおける複雑なタスクを一般化および自動化するのに苦労することがよくあります。
しかし、最近の大規模言語モデル (LLM) の出現により、これらの課題に対処する可能性の新たな波が生まれました。
LLM は、自然言語の理解、生成、推論において優れた能力を実証してきました。
広範なデータに基づいてトレーニングされたこれらのモデルは、ネットワーキング ドメインに利益をもたらします。
いくつかの取り組みでは、ネットワーキング ドメインでの LLM の応用がすでに検討され、有望な結果が明らかになりました。
最近の進歩をレビューすることで、ネットワーキングへの LLM の適用に関わる基本的なプロセスを説明する抽象的なワークフローを示します。
既存の作品のハイライトをカテゴリー別に紹介し、ワークフローのさまざまな段階でどのように機能するかを詳しく説明します。
さらに、直面する課題を掘り下げ、潜在的な解決策について議論し、将来の研究の見通しを概説します。
この調査が研究者や実務家に洞察を提供し、この学際的な研究分野の発展を促進することを願っています。

要約(オリジナル)

The networking field is characterized by its high complexity and rapid iteration, requiring extensive expertise to accomplish network tasks, ranging from network design, diagnosis, configuration and security. The inherent complexity of these tasks, coupled with the ever-changing landscape of networking technologies and protocols, poses significant hurdles for traditional machine learning-based methods. These methods often struggle to generalize and automate complex tasks in networking, as they require extensive labeled data, domain-specific feature engineering, and frequent retraining to adapt to new scenarios. However, the recent emergence of large language models (LLMs) has sparked a new wave of possibilities in addressing these challenges. LLMs have demonstrated remarkable capabilities in natural language understanding, generation, and reasoning. These models, trained on extensive data, can benefit the networking domain. Some efforts have already explored the application of LLMs in the networking domain and revealed promising results. By reviewing recent advances, we present an abstract workflow to describe the fundamental process involved in applying LLM for Networking. We introduce the highlights of existing works by category and explain in detail how they operate at different stages of the workflow. Furthermore, we delve into the challenges encountered, discuss potential solutions, and outline future research prospects. We hope that this survey will provide insight for researchers and practitioners, promoting the development of this interdisciplinary research field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google