論文の概要: GeNet: A Multimodal LLM-Based Co-Pilot for Network Topology and Configuration
- arxiv url: http://arxiv.org/abs/2407.08249v1
- Date: Thu, 11 Jul 2024 07:51:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-12 18:29:17.076488
- Title: GeNet: A Multimodal LLM-Based Co-Pilot for Network Topology and Configuration
- Title（参考訳）: GeNet: ネットワークトポロジと構成のためのマルチモーダルLLMベースのコパイロット
- Authors: Beni Ifland, Elad Duani, Rubin Krief, Miro Ohana, Aviram Zilberman, Andres Murillo, Ofir Manor, Ortal Lavi, Hikichi Kenji, Asaf Shabtai, Yuval Elovici, Rami Puzis,
- Abstract要約: GeNetは、大規模言語モデル(LLM)を利用してネットワーク設計を合理化するための新しいフレームワークである。
視覚的およびテキスト的モダリティを使用して、ネットワークトポロジとデバイス構成をユーザ意図に基づいて解釈し、更新する。
- 参考スコア（独自算出の注目度）: 21.224554993149184
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Communication network engineering in enterprise environments is traditionally a complex, time-consuming, and error-prone manual process. Most research on network engineering automation has concentrated on configuration synthesis, often overlooking changes in the physical network topology. This paper introduces GeNet, a multimodal co-pilot for enterprise network engineers. GeNet is a novel framework that leverages a large language model (LLM) to streamline network design workflows. It uses visual and textual modalities to interpret and update network topologies and device configurations based on user intents. GeNet was evaluated on enterprise network scenarios adapted from Cisco certification exercises. Our results demonstrate GeNet's ability to interpret network topology images accurately, potentially reducing network engineers' efforts and accelerating network design processes in enterprise environments. Furthermore, we show the importance of precise topology understanding when handling intents that require modifications to the network's topology.
- Abstract（参考訳）: エンタープライズ環境での通信ネットワークエンジニアリングは、伝統的に複雑で時間がかかり、エラーを起こしやすい手作業である。
ネットワークエンジニアリングの自動化に関するほとんどの研究は、物理ネットワークトポロジの変化を見越して、構成合成に集中してきた。
本稿では,エンタープライズネットワークエンジニアのためのマルチモーダル・コパイロットであるGeNetを紹介する。
GeNetは、大規模言語モデル(LLM)を利用してネットワーク設計ワークフローを合理化するための新しいフレームワークである。
視覚的およびテキスト的モダリティを使用して、ネットワークトポロジとデバイス構成をユーザ意図に基づいて解釈し、更新する。
GeNetは、Cisco認定演習に適合したエンタープライズネットワークシナリオで評価された。
本稿では,GeNetのネットワークトポロジ画像の正確な解釈能力を示すとともに,ネットワーク技術者の努力を削減し,企業環境におけるネットワーク設計プロセスの高速化を図っている。
さらに,ネットワークのトポロジの変更を必要とする意図を扱う場合,正確なトポロジ理解の重要性を示す。
関連論文リスト
- Leveraging advances in machine learning for the robust classification and interpretation of networks [0.0]
シミュレーションアプローチでは、Erd"os-R'enyiやSmall-worldのような適切なネットワーク生成モデルを選択する。
我々は、解釈可能な機械学習の進歩を利用して、様々なネットワーク属性に基づいて、生成モデルによってシミュレーションされたネットワークを分類する。
論文 参考訳（メタデータ） (2024-03-20T00:24:23Z) - FERN: Leveraging Graph Attention Networks for Failure Evaluation and
Robust Network Design [46.302926845889694]
我々は、スケーラブルな故障評価とロバストネットワーク設計のための学習ベースのフレームワークFERNを開発した。
FERNは、リッチな問題入力をグラフとして表現し、グラフから特徴抽出を注意深く実行することによって、ローカルとグローバルの両方のビューをキャプチャする。
複数のロバストなネットワーク設計問題を,それぞれ80倍,200倍,10倍以上スピードアップすることができる。
論文 参考訳（メタデータ） (2023-05-30T15:56:25Z) - Introduction to the Artificial Intelligence that can be applied to the
Network Automation Journey [68.8204255655161]
Intent-Based Networking - Concepts and Definitions"ドキュメントには、NetDevOpsに関わる可能性のあるエコシステムのさまざまな部分について記述されている。
認識、生成、翻訳、精巧な機能には、アルゴリズムを実装するための新しい方法が必要だ。
論文 参考訳（メタデータ） (2022-04-02T08:12:08Z) - Towards A Knowledge Graph Based Autonomic Management of Software Defined
Networks [2.2099217573031678]
SeaNetは、ソフトウェア定義ネットワーク(SDN)における自律的ネットワーク管理のための知識グラフ駆動型アプローチである
3つのコアコンポーネント、ナレッジグラフジェネレータ、SPARQLエンジン、ネットワーク管理APIで構成される。
論文 参考訳（メタデータ） (2021-06-25T00:33:42Z) - Learning low-rank latent mesoscale structures in networks [1.1470070927586016]
ネットワークにおける低ランクメソスケール構造を記述するための新しい手法を提案する。
いくつかの合成ネットワークモデルと経験的友情、協調、タンパク質-タンパク質相互作用(PPI)ネットワークを使用します。
破損したネットワークから直接学習する潜在モチーフのみを用いて、破損したネットワークを認知する方法を示す。
論文 参考訳（メタデータ） (2021-02-13T18:54:49Z) - NetReAct: Interactive Learning for Network Summarization [60.18513812680714]
本論文では,テキストコーポラによる感覚生成のネットワーク可視化を支援する,新しいインタラクティブネットワーク要約アルゴリズムであるNetReActを提案する。
netreactが、他の非自明なベースラインよりも、隠れたパターンを明らかにする高品質な要約や視覚化の生成に成功していることを示す。
論文 参考訳（メタデータ） (2020-12-22T03:56:26Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - Big Networks: A Survey [12.9583587501745]
本稿では,ビッグネットワークという新しいネットワーク科学概念を紹介する。
大きなネットワークは通常、複雑で高次の内部構造を持つ大規模である。
まず,マイクロレベル,メソレベル,マクロレベルという3つのレベルから大きなネットワークの構造的特徴を紹介する。
次に、大規模ネットワーク分析の最先端トピックについて論じる。
論文 参考訳（メタデータ） (2020-08-09T03:40:20Z) - From Federated to Fog Learning: Distributed Machine Learning over
Heterogeneous Wireless Networks [71.23327876898816]
フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。
我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
論文 参考訳（メタデータ） (2020-06-07T05:11:18Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z) - Designing Network Design Spaces [33.616649851247416]
個々のネットワークインスタンスを設計する代わりに、ネットワークの人口をパラメータ化するネットワーク設計スペースを設計します。
提案手法を用いて,ネットワーク設計の構造的側面を探索し,単純で正規なネットワークからなる低次元の設計空間に到達する。
我々はRegNetの設計空間を分析し、現在のネットワーク設計の実践と一致しない興味深い結果にたどり着きます。
論文 参考訳（メタデータ） (2020-03-30T17:57:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。