[Paper] Airavat：用于互联网测量的 Agentic 框架

Source: arXiv - 2602.20924v1

Overview

本文介绍了 Airavat，一种新颖的“agentic”框架，能够自动化创建和验证互联网测量工作流。通过模仿资深研究人员的推理步骤，Airavat 可以生成技术上可靠、方法上严谨的端到端测量流水线——这在传统上需要深厚的领域专业知识。

关键贡献

• Agentic workflow generation – 三个协同的代理（decomposer、designer、coder）自动将高级测量目标转化为具体、可执行的流水线。
• Methodological verification engine – 将生成的工作流与编码了五十年测量最佳实践的知识图谱进行检查，标记违反既定标准的情况。
• Validation engine – 根据具体的测量任务，建议并集成适当的验证技术（例如，真值比较、统计合理性检查）。
• Tool registry integration – 动态从精心策划的现有测量工具库（如 traceroute、ping、BGP 收集器）中选择，以避免重复造轮子。
• Empirical validation – 四个多样化的互联网测量案例研究表明，Airavat 与专家手工构建的解决方案相匹配，能够发现架构缺陷，并处理缺乏真值的全新问题。

方法论

1. 问题分解代理 – 接收自然语言的测量目标（例如，“测量 CDN 边缘节点的延迟方差”），并将其拆解为子任务（数据收集、预处理、分析）。
2. 解决方案设计代理 – 查询 工具注册表 和 方法论知识图谱，挑选合适的仪器并设计流水线架构（并行探针、采样率、存储格式）。
3. 实现代理 – 生成实际代码（脚本、Dockerfile、CI 流水线），将选定的工具串联起来，遵循设计蓝图。
4. 验证引擎 – 执行静态和语义检查：确保所选指标、采样策略和统计检验符合知识图谱中存储的规则（例如，“延迟研究必须包括时钟同步验证”）。
5. 校准引擎 – 自动附加校验步骤，如与已知参考数据集交叉检查、引导置信区间，或进行受控实验。

所有代理通过轻量级编排层进行通信，允许开发者介入、覆盖决策或注入自定义模块，而不会破坏验证保证。

结果与发现

• 专家级等价 – 在四个案例研究中的三个，生成的工作流提供了与资深网络研究人员手工编写的工作流相同的定量洞察。
• 架构健全性 – Airavat 发现了两个专家管线中探针放置不佳和冗余缺失的问题，经过小幅调整后实现了更稳健的数据采集。
• 新颖问题处理 – 对于缺乏真实标签的新兴基于 QUIC 的流量测量，Airavat 提出了混合验证策略（合成流量注入 + 统计异常检测），并证明了其有效性。
• 方法学缺陷检测 – 验证引擎捕获了一个常见错误——使用单主机 ping 作为路径延迟的代理，这在标准单元测试中未被发现，从而促使实验重新设计。

总体而言，Airavat 将生成经审查的测量管线的时间从数周（手动）缩短至数小时（自动化）。

实际意义

• 降低准入门槛 – 网络运营商、安全团队和云工程师现在可以在不聘请专职研究员的情况下，快速启动可靠的测量研究。
• 将持续测量写入代码 – Airavat 生成的流水线可以自然地集成到 CI/CD 系统中，实现自动化、可重复的互联网健康检查（例如 BGP 劫持检测、CDN 性能监控）。
• 合规性与可审计性 – 验证日志提供了方法论遵循的可追溯记录，便于监管报告或内部治理使用。
• 新指标的快速原型化 – 当出现新协议或新服务时，开发者可以快速原型化测量实验，依赖验证引擎来建议合理的评估技术。
• 工具生态统一 – 通过集中选择工具，Airavat 帮助组织避免工具碎片化，并确保使用最新、经过社区验证的实用程序。

局限性与未来工作

• 知识图谱覆盖范围 – 验证引擎的效果取决于策划好的规则；对于小众或新兴的测量领域可能缺乏对应规则，导致误报或遗漏问题。
• 代理协同的可扩展性 – 虽然当前原型能够处理中等规模的研究，但要扩展到大规模、分布式的测量活动（例如数百万个探针）仍需更高效的编排和资源管理。
• 人机交互的细化 – 系统目前假设高级目标已经明确；若目标模糊，分解代理可能生成次优的任务划分。未来工作计划加入交互式澄清对话。
• 验证技术的扩展 – 引入基于机器学习的异常检测和因果推断方法，将使框架能够适用于更复杂的互联网行为研究。

Airavat 标志着在实现严谨的互联网测量方面迈出了重要一步，将原本局限于学术小众的工作转变为面向更广泛技术社区的可访问、自动化能力。

作者

• Alagappan Ramanathan
• Eunju Kang
• Dongsu Han
• Sangeetha Abdu Jyothi

论文信息

• arXiv ID: 2602.20924v1
• 分类: cs.NI, cs.AI, cs.SE
• 发表时间: 2026年2月24日
• PDF: 下载 PDF