論文の概要: Evaluating Agentic Configuration Repair for Computer Networks

• arxiv url: http://arxiv.org/abs/2606.06212v1
• Date: Thu, 04 Jun 2026 14:20:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.852312
• Title: Evaluating Agentic Configuration Repair for Computer Networks
• Title（参考訳）: コンピュータネットワークにおけるエージェント構成修復の評価
• Authors: Rufat Asadli, Benjamin Hoffman, Ioannis Protogeros, Laurent Vanbever,
• Abstract要約: 研究は、ネットワーク構成の複雑でエラーを起こしやすいタスクを自動化するために、Large Language Models (LLMs)に移行している。 我々は,形式的ネットワーク検証とコンテキスト検索ツールを付加した,オープンソースおよびクローズドソースのLCMをベンチマークする。 エージェントアーキテクチャは, 修復効率 (平均12%) と安全性 (平均17%) において, 基礎LLMよりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 4.139568926467065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Misconfigurations in computer networks remain a major source of critical Internet outages. Research is turning to Large Language Models (LLMs) to automate the complex, error-prone task of network configuration. However, even state-of-the-art models fail to resolve misconfigurations in large-scale, complex scenarios and often introduce new errors. In this work, we benchmark open- and closed-source LLMs augmented with formal network verification and context retrieval tools. We demonstrate that agentic architectures outperform base LLMs in repair efficacy (by 12% on average) and safety (by 17% on average), enabled by the ability to dynamically manage context and iteratively validate configuration repairs.
• Abstract（参考訳）: コンピュータネットワークにおけるミスコンフィグレーションは、重要なインターネット障害の主な原因である。 研究は、ネットワーク構成の複雑でエラーを起こしやすいタスクを自動化するために、Large Language Models (LLMs)に移行している。 しかし、最先端モデルでさえ、大規模で複雑なシナリオで設定ミスを解決できず、しばしば新しいエラーが発生する。 本研究では,形式的ネットワーク検証とコンテキスト検索ツールを付加したオープンソースLLMとクローズドソースLLMのベンチマークを行う。 エージェントアーキテクチャは, 修復効率 (平均12%) と安全性 (平均17%) において, 動的にコンテキストを管理し, 構成修復を反復的に検証する能力により, 基礎LLMよりも優れた性能を示した。

関連論文リスト

• AgentHijack: Benchmarking Computer Use Agent Robustness to Common Environment Corruptions [78.49000936275773]
  我々は、一般的な汚職下でのコンピュータ利用エージェントの堅牢性を評価するために設計されたベンチマークであるAgentHijackを紹介する。 MLLMをベースとした各種デスクトップタスクを評価し, 汚職の小さな事例であっても, 大幅な性能劣化が生じることを確認した。 本稿では,動作の要約と環境チェックに責任を負う見物人として,アクションジェネレータと接地機能を統合したフレームワークであるAgent Hijack-Agentを提案する。
  論文  参考訳（メタデータ） (2026-05-25T11:09:22Z)
• MEnvAgent: Scalable Polyglot Environment Construction for Verifiable Software Engineering [54.236614097082395]
  本稿では,自動環境構築のためのフレームワークであるMEnvAgentを紹介する。 MEnvAgentは、建設失敗を自律的に解決するマルチエージェント計画実行検証アーキテクチャを採用している。 MEnvData-SWEは,これまでで最大の,現実的な検証可能なDocker環境のポリグロットデータセットである。
  論文  参考訳（メタデータ） (2026-01-30T11:36:10Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• 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)
• Leveraging Multi-Agent System (MAS) and Fine-Tuned Small Language Models (SLMs) for Automated Telecom Network Troubleshooting [0.0]
  テレコムネットワークは、規模と複雑さが急速に増加し、効率的な管理、運用、最適化がますます困難になっている。 既存のモデルはスコープが狭く、大量のラベル付きデータを必要とし、異種デプロイメントを一般化するのに苦労することが多い。 本稿では,エージェントワークフローを利用するマルチエージェントシステム (MAS) を提案し,LLM(Large Language Models) が完全自動ネットワークトラブルシューティングのための特別なツールをコーディネートする。
  論文  参考訳（メタデータ） (2025-11-01T18:19:41Z)
• LLM4DistReconfig: A Fine-tuned Large Language Model for Power Distribution Network Reconfiguration [1.3453966060917504]
  DERの統合と顧客参加の増加により、配電ネットワークは進化している。 最適動作を維持し、損失を最小限に抑え、様々な負荷要求を満たすためには、頻繁なネットワーク再構成が必要である。 データ駆動の再構成は、不完全なネットワークデータに対する正確性、速度、堅牢性のために勢いを増している。
  論文  参考訳（メタデータ） (2025-01-24T22:46:14Z)
• Can LLMs Understand Computer Networks? Towards a Virtual System Administrator [15.469010487781931]
  本稿では,大規模言語モデルによるコンピュータネットワークの理解に関する総合的研究を初めて行った。 我々は,プロプライエタリ(GPT4)とオープンソース(Llama2)モデルを用いたマルチコンピュータネットワーク上でのフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2024-04-19T07:41:54Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。