[论文] GraphCue 用于 SDN 配置代码合成

Source: arXiv - 2512.17371v1

概述

本文介绍了 GraphCue，一种新颖的框架，通过将合成过程以网络拓扑为基础，自动生成 SDN（软件定义网络）配置代码。通过结合基于图的检索、轻量级图神经网络以及循环中的代理验证器，GraphCue 能够在最小的人力投入下生成正确的配置，在大型验证集上实现了 88 % 的成功率。

关键贡献

• 基于拓扑的检索: 将每个网络案例编码为 JSON 图，并使用三层图卷积网络（GCN）结合对比学习，找到最相似、已验证的配置。
• 结构化提示: 将检索到的参考注入精心设计的提示中，约束大型语言模型（LLM）生成符合网络结构的代码。
• 闭环验证: 在沙箱中执行生成的配置，捕获任何失败，并将其反馈给 LLM 代理进行迭代优化。
• 实证性能: 在 628 个测试案例中，GraphCue 在 20 次迭代内达到 88.2 % 的通过率，且 95 % 的验证循环在 9 秒以内完成。
• 消融实验证据: 证明去除检索步骤或结构化提示会显著降低准确性，确认拓扑感知和基于约束的条件化的重要性。

方法论

1. 图表示 – 将每个 SDN 场景（设备、链路、策略）序列化为 JSON 图。节点捕获交换机或主机等元素；边编码物理或逻辑连接。
2. 通过 GCN 嵌入 – 一个浅层（三层）图卷积网络为这些图学习嵌入。对比学习使相似拓扑的嵌入聚集在一起，同时将不相似的推开。
3. 最近邻检索 – 对于新的配置请求，GraphCue 在嵌入空间中找到最相似的已验证图。关联的配置脚本成为“参考示例”。
4. 结构化提示构建 – 将参考脚本嵌入提示中，明确告诉 LLM：“为匹配此拓扑的网络生成配置，复用所示模式。” 这降低了幻觉并保持输出拓扑一致。
5. Agent‑in‑the‑Loop 验证 – 生成的配置在轻量级 SDN 仿真器（如 Mininet）中执行。如果验证失败（例如连通性或策略违规），错误细节会附加到下一个提示中，使 LLM 能迭代修复代码。
6. 迭代循环 – 该过程重复，直至配置通过验证或达到最大迭代次数（20）。

结果与发现

• Pass Rate: 88.2 % 的 628 个验证案例在迭代预算内生成了正确的配置。
• Speed: 95 % 的验证循环在 ≤ 9 秒内完成，使系统可用于交互式使用。
• Ablation:
  • No retrieval: 通过率下降至约 62 %。
  • No structured prompt: 通过率下降至约 55 %。
  • Both removed: 准确率跌破 40 %。

实际意义

• 加速 SDN 部署： 网络工程师可以描述所需的拓扑，让 GraphCue 生成模板配置，将数周的手动脚本编写缩短到几分钟。
• 降低人为错误： 通过在经验证的示例上进行代码生成并持续验证输出，框架可减轻常见错误，如端口号不匹配或策略不一致。
• DevOps 快速原型： 构建网络服务 CI/CD 流水线的团队可以集成 GraphCue 自动创建测试环境、验证策略，并自信地推送更改。
• 可扩展到其他领域： 检索‑加‑结构化提示模式可以适用于其他基础设施即代码场景（如 Terraform、Kubernetes 清单），其中拓扑或依赖图是核心。

限制与未来工作

• 领域特定性： GraphCue 目前针对 OpenFlow 风格的 SDN 配置；若要扩展到异构控制器 API（例如 P4、NETCONF），需要额外的图谱模式和训练数据。
• 检索可扩展性： 随着参考库规模超过几千个案例，最近邻搜索可能成为瓶颈；未来工作可以探索近似索引或层次化检索。
• LLM 依赖性： 生成代码的质量取决于底层语言模型；评估更新、更强大的模型可能进一步提升成功率。
• 真实部署： 本研究使用仿真环境；在生产网络中使用实时流量测试 GraphCue 将验证其在真实运营约束下的鲁棒性。

GraphCue 展示了将图感知检索与 LLM 驱动的代码合成以及紧密的验证循环相结合，能够显著简化 SDN 配置——这为 AI 辅助的基础设施自动化提供了一个有前景的蓝图。

作者

• Haomin Qi
• Fengfei Yu
• Chengbo Huang

论文信息

• arXiv ID: 2512.17371v1
• 分类: cs.SE
• 发布日期: 2025年12月19日
• PDF: Download PDF