論文の概要: Aether: Network Validation Using Agentic AI and Digital Twin

• arxiv url: http://arxiv.org/abs/2604.18233v1
• Date: Mon, 20 Apr 2026 13:18:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.89082
• Title: Aether: Network Validation Using Agentic AI and Digital Twin
• Title（参考訳）: Aether:エージェントAIとディジタルツインを用いたネットワーク検証
• Authors: Jordan Auge, Sam Betts, Giovanna Carofiglio, Giulio Grassi, Martin Gysi, John Kenneth d'Souza,
• Abstract要約: Aetherは、ジェネレーティブエージェントAIと多機能ネットワークデジタルツインを統合する新しいアプローチである。 変更バリデーションライフサイクルを協調的に処理する5つのNetwork Operations AIエージェントを備えたエージェントアーキテクチャを備えている。 エージェントは統合されたNetwork Digital Twinを使用し、モデリング、シミュレーション、エミュレーションを統合して、一貫性のある最新のネットワークビューを維持する。
• 参考スコア（独自算出の注目度）: 0.21550839871882013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network change validation remains a critical yet predominantly manual, time-consuming, and error-prone process in modern network operations. While formal network verification has made substantial progress in proving correctness properties, it is typically applied in offline, pre-deployment settings and faces challenges in accommodating continuous changes and validating live production behavior. Current operational approaches typically involve scattered testing tools, resulting in partial coverage and errors that surface only after deployment. In this paper, we present Aether, a novel approach that integrates Generative Agentic AI with a multi-functional Network Digital Twin to automate and streamline network change validation workflows. It features an agentic architecture with five specialized Network Operations AI agents that collaboratively handle the change validation lifecycle from intent analysis to network verification and testing. Aether agents use a unified Network Digital Twin integrating modeling, simulation, and emulation to maintain a consistent, up-to-date network view for verification and testing. By orchestrating agent collaboration atop this digital twin, Aether enables automated, rapid network change validation while reducing manual effort, minimizing errors, and improving operational agility and cost-effectiveness. We evaluate Aether over synthetic network change scenarios covering main classes of network changes and on past incidents from a major ISP operational network, demonstrating promising results in error detection (100%), diagnostic coverage (92-96%), and speed (6-7 minutes) over traditional methods.
• Abstract（参考訳）: ネットワーク変更の検証は、現代のネットワーク操作において、手動、時間を要する、エラーを起こしやすいプロセスにおいて、依然として重要であり続けている。 フォーマルなネットワーク検証は、正当性を証明するためにかなりの進歩を遂げてきたが、通常、オフラインでデプロイ前の設定で適用され、継続的な変更の調整と実運用動作の検証に課題に直面している。 現在の運用アプローチでは、一般的に分散テストツールが使用されており、デプロイメント後にのみ発生する部分的なカバレッジとエラーが発生している。 本稿では,ネットワーク変更バリデーションワークフローの自動化と合理化のために,ジェネレーティブエージェントAIと多機能ネットワークディジタルツインを統合した新しいアプローチであるAetherを提案する。 インテント分析からネットワーク検証,テストに至るまで,変更バリデーションライフサイクルを協調的に処理する,5つの専門的なネットワークオペレーションAIエージェントを備えたエージェントアーキテクチャを備えている。 エージェントは統合されたNetwork Digital Twinを使用し、モデリング、シミュレーション、エミュレーションを統合して、検証とテストのための一貫性のある最新のネットワークビューを維持する。 このデジタルツインの上にエージェントのコラボレーションを編成することで、Aetherは手作業の削減、エラーの最小化、運用のアジリティとコスト効率の向上を図りながら、自動的かつ迅速なネットワーク変更バリデーションを可能にする。 ネットワーク変更の主要なクラスと,ISP運用ネットワークからの過去のインシデントを網羅するネットワーク変更シナリオについて,Aetherの評価を行い,エラー検出(100%),診断カバレッジ(92～96%),従来の手法よりも速さ(6～7分)の有望な結果を示した。

関連論文リスト

• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• Self-Supervised Learning of Graph Representations for Network Intrusion Detection [6.453778601809096]
  GraphIDSは、表現学習と異常検出を統一する自己教師型侵入検出モデルである。 帰納的グラフニューラルネットワークは、各フローを局所的なトポロジカルコンテキストに埋め込んで、典型的なネットワークの振る舞いをキャプチャする。 Transformerベースのエンコーダデコーダは、これらの埋め込みを再構築し、自己注意を通じてグローバルな共起パターンを暗黙的に学習する。 推論中は、異常に高い復元誤差のフローが潜在的侵入としてフラグ付けされる。
  論文  参考訳（メタデータ） (2025-09-20T11:02:50Z)
• Dual-Path Adversarial Lifting for Domain Shift Correction in Online Test-time Adaptation [59.18151483767509]
  テスト時間適応におけるドメインシフト補正のためのデュアルパストークンリフトを導入する。 次に、インターリーブされたトークン予測とドメインシフトトークンのパスとクラストークンのパスの間の更新を行う。 評価実験の結果,提案手法はオンライン完全テスト時間領域適応性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2024-08-26T02:33:47Z)
• Structural Generalization in Autonomous Cyber Incident Response with Message-Passing Neural Networks and Reinforcement Learning [0.0]
  小さなネットワーク変更のためのリトレーニングエージェントは、時間とエネルギーを消費する。 ホストの数が異なる元のネットワークの変種を作成し、エージェントを追加のトレーニングなしでテストします。 デフォルトのベクトル状態表現を使用するエージェントのパフォーマンスは向上するが、各ネットワークで特別にトレーニングする必要がある。
  論文  参考訳（メタデータ） (2024-07-08T09:34:22Z)
• CMFDFormer: Transformer-based Copy-Move Forgery Detection with Continual Learning [52.72888626663642]
  コピーモーブ偽造検出は、疑わしい偽画像中の重複領域を検出することを目的としている。 深層学習に基づく複写偽造検出手法が最上位にある。 CMFDFormer という名称の Transformer-style copy-move forgery ネットワークを提案する。 また、CMFDFormerが新しいタスクを処理できるように、新しいPCSD連続学習フレームワークを提供する。
  論文  参考訳（メタデータ） (2023-11-22T09:27:46Z)
• Efficient Sparsely Activated Transformers [0.34410212782758054]
  トランスフォーマーベースのニューラルネットワークは、多くの機械学習ドメインで最先端のタスクパフォーマンスを実現している。 最近の研究は、これらのネットワークへの動的挙動の混合層(mixed-of-expert layer)の形での統合について検討している。 我々は,既存のTransformerベースのネットワークとユーザ定義のレイテンシターゲットを取り入れたPLANERという新しいシステムを導入する。
  論文  参考訳（メタデータ） (2022-08-31T00:44:27Z)
• Semi-supervised Variational Temporal Convolutional Network for IoT Communication Multi-anomaly Detection [3.3659034873495632]
  モノのインターネット(IoT)デバイスは、巨大な通信ネットワークを構築するために構築されます。 これらのデバイスは実際には安全ではないため、通信ネットワークが攻撃者によって露出されることを意味する。 本稿では,IoT 複数異常検出のための半監視ネットワーク SS-VTCN を提案する。
  論文  参考訳（メタデータ） (2021-04-05T08:51:24Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)
• Molecule Property Prediction and Classification with Graph Hypernetworks [113.38181979662288]
  ネットワークをハイパーネットワークに置き換えることで性能が向上することを示す。 ハイパーネットワークの適用において大きな困難は、安定性の欠如である。 最近の研究は、エラー訂正コードのコンテキストにおいて、ハイパーネットワークのトレーニング不安定性に取り組んでいる。
  論文  参考訳（メタデータ） (2020-02-01T16:44:34Z)

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。