网络领域以其高度复杂性和快速迭代为特点，完成从网络设计、配置、诊断到安全的网络任务需要广泛的专业知识。这些任务的固有复杂性，加上网络技术和协议不断变化的格局，为传统基于机器学习的方法带来了显著的障碍。这些方法在泛化和自动化网络中的复杂任务方面常常遇到困难，因为它们需要大量的标记数据、特定领域的特征工程以及频繁的重新训练以适应新场景。
大模型（LLMs）的出现为解决这些挑战提供了新的可能性。LLMs在自然语言理解、生成和推理方面展现出了卓越的能力。这些在大量数据上训练的模型可以为网络领域带来益处。本文通过回顾最近的进展，提出了一个抽象的工作流程来描述应用LLM进行网络化的基本过程。希望这项调查能为研究人员和实践者提供洞见，促进这一跨学科研究领域的发展。
LLMs整合到网络任务中的基本工作流程
LLMs整合到网络任务中的基本工作流程不仅为研究人员提供了一个实用的路线图，而且通过六个关键阶段来解决复杂的任务、处理不同类型的数据、指导LLMs生成准确的答案、通过工具集成扩展LLM的能力，并确保性能和输出的验证。
任务定义（Task Definition）：
任务定义阶段的目的是将复杂的网络任务以LLMs能够理解的方式呈现。这涉及到为LLMs分配角色，并提供清晰的任务目标和要求的初始全局指令。由于LLMs在处理长文本序列或需要长期规划的任务时存在短期记忆限制，因此将复杂任务分解为子任务是有帮助的，这样可以为每个子任务提供详细的输入和预期输出。
数据表示（Data Representation）：
在数据表示阶段，目标是处理包括基于图的网络拓扑、控制平面策略、来自数据平面的二进制流量数据和基于文本的领域知识在内的异构数据。将特定领域的信息转换为自然语言是一种直观的方法，但可能会缺乏普遍性并导致信息丢失。因此，使用XML、YAML和JSON等格式来表示复杂的数据结构，以及将预处理的信息存储在向量数据库中，可以有效地检索相关知识。
提示工程（Prompt Engineering）：
提示工程对于指导LLMs在网络任务中产生期望的输出至关重要。提示应包括网络环境的描述，如网络拓扑、设备配置和协议规范，以帮助LLMs理解任务上下文并生成与网络环境一致的输出。此外，由于提示长度的限制，需要通过检索增强生成（RAG）技术等方法，仅包含密切相关的信息。
模型演化（Model Evolution）：
基础LLMs在LLMN工作流程中起着至关重要的作用，它们的性能显著影响任务完成。通过在训练的各个阶段整合额外的网络特定数据或知识来增强LLM性能是一种常见的做法。此外，使用人类反馈强化学习（RLHF）等技术，可以使模型从网络专业人员的专业知识中学习，生成与网络领域的上下文和价值观更一致的输出。
工具集成（Tool Integration）：
尽管LLMs在阅读理解和语义分析方面表现出色，但它们在符号推理和数学演绎方面可能存在挑战。为了提高网络决策中关键的数值结果的准确性，一种方法是利用像Wolfram这样的数学工具，或者使用Python代码进行数据分析和计算。此外，提供特定领域工具的详细描述和用途，可以使得LLMs能够根据不同任务需求自动确定和选择适当的工具。
验证（Validation）：
验证是LLMN工作流程中不可或缺的阶段，用于评估LLM生成的输出的正确性和安全性。这可能包括文本分析报告、图形操作代码和网络设备指令。为了最小化LLM生成的代码中的语法和语义错误，可以采用自一致性和自我调试等技术。此外，在生产环境中部署LLM生成的代码和操作之前，应实施彻底的风险监控和控制措施。
这些阶段相互连接，但并非完全耦合，允许在实施过程中具有灵活性和适应性。每个阶段都包含一系列独特的技术和考虑因素，作者通过深入探讨这些阶段，为LLMN领域的研究人员提供了一个实用的研究路线图。
LLMs在网络领域应用的最新进展
大型语言模型（LLMs）在网络领域应用的最新进展覆盖了网络设计的多个重要子领域，包括网络设计、配置、诊断和安全。
网络设计（Network Design）：
网络设计任务包括协议选择、带宽分配和网络拓扑优化等详细规划过程。这些任务的挑战在于在不断演变的技术、复杂需求和有限资源中做出最优决策。传统上，网络工程师依赖专业知识、手动微调和基本工具来进行网络设计和优化。然而，LLMs通过结合广泛的网络知识和先进的推理及生成能力，为网络设计提供了一个有希望的途径。例如，He等人[2]提出利用LLM开发自适应比特率（ABR）算法，这是动态调整流媒体传输中视频质量的关键组件。他们通过将经典的Pensieve算法作为输入提示的一部分，旨在增强原始算法并生成一系列候选算法。
网络配置（Network Configuration）：
随着网络和云计算技术的发展，网络设备激增，每个设备运行各种应用程序以提供服务。确保这些设备正确运行在很大程度上取决于精确的网络配置，这是一个复杂任务，需要对网络概念和操作细节有深刻的理解。传统上，网络配置是手动编写和验证的，这个过程不仅耗时，而且容易出错，不适合现代网络的动态和复杂性质及其迅速变化的需求。Mondal等人[4]探索了使用LLMs（如GPT-4）合成网络路由器配置的应用。他们引入了一种新方法——经过验证的提示编程，将LLMs与验证系统集成，使用局部反馈自动纠正错误，从而提高生成配置的准确性。
网络诊断（Network Diagnosis）：
网络是推动社会和商业进步的关键，即使是微小的故障也可能造成巨大损失。故障诊断对于解决网络问题至关重要，包括数据收集（如系统日志和流量数据）、分析（发现异常模式或故障）、确定根本原因和实施修复。鉴于网络环境的复杂性和潜在问题的多样性，故障诊断面临重大挑战。LLMs提供了一个有希望的解决方案，能够处理大量数据集并识别隐藏的模式或异常，从而可能提高故障诊断过程的效率和准确性。例如，Kotaru[7]介绍了Data Intelligence for Operators Copilot (DIO Copilot)，这是一个使用LLMs进行高效数据检索和分析的自然语言接口。
网络安全（Network Security）：
网络安全对个人、公司和政府都是一个关键问题，涉及持续的攻防过程。防御者采用各种措施加强防御，如进行定期的风险评估和漏洞扫描，部署先进的安全技术，实施严格的安全政策。攻击者则不断发展先进的攻击方法，利用自动化工具发动大规模的僵尸网络驱动的分布式拒绝服务（DDoS）攻击。LLMs的出现为攻防双方都引入了新的方法，标志着网络安全的新阶段。例如，Meng等人[8]提出了ChatAFL，这是一个使用LLMs增强现有协议模糊测试工具的新引擎，通过丰富种子输入的多样性来评估协议实现。
挑战与展望
智能规划（Intelligent Planning）：
当前研究主要集中在相对简单的任务上，而涉及长期目标和多步骤决策的复杂任务仍然需要人工干预，缺乏端到端的解决方案。为了使LLMs能够有效地生成计划并采取适当的行动来完成这些复杂任务，增强其智能规划能力至关重要。未来的工作应该集中在形式化网络领域中的任务执行过程，并建立一个全面的任务库，这将使研究人员能够利用任务奖励来提高LLM的规划和解决问题的能力，建立一个自我完善的反馈循环。
多模态数据理解（Understanding Multimodal Data）：
文本基础的自然语言与异构网络数据之间存在普遍的模态不匹配问题。以往的研究表明，需要手动处理或构建脚本来将多模态网络数据转换为文本，以便LLMs可以理解。这种方法成本高昂且缺乏适应任务变化的能力。为了解决这一问题，研究人员正在探索轻量级预处理和表示学习技术，将多模态数据映射到共享的向量空间，或利用线性投影将不同编码器提取的特征映射到LLM的标记空间。
网络特定的LLM构建（Network-specific LLM Construction）：
现有的方法是通过对原本为通用领域设计的LLMs进行提示工程，以更好地执行网络相关任务。然而，更有效的策略可能是构建专门针对网络领域的LLMs，在预训练阶段引入异构数据源，并在它们之间建立强大的语义联系。基于这样强大的LLM，我们可以针对各种目标任务进行微调，以获得更好的结果。
LLM的自主工具利用（Autonomous Tools Utilization）：
在网络领域，有许多有价值的工具可以提高处理特定任务的效率和准确性。然而，LLMs目前在自主利用这些工具方面面临限制。为了解决这个问题，建立一个结构化良好的工具库是必要的，该库展示了不同工具的详细用例，并设计了一个统一的接口，使LLMs能够无缝调用不同的工具并综合执行结果。
可靠性和安全（Reliability and Safety）：
确保LLM应用的可靠性和安全性是一个关键挑战，需要解决。虽然已有研究关注LLM输出的准确性和一致性，但对控制和减轻在真实网络操作中实施LLM输出所带来的风险的研究相对较少。作者提出，将LLM与数字孪生等验证环境集成，可以增强真实网络环境的可靠性和安全性。
效率和实时性能（Efficiency and Real-time Performance）：
许多网络任务，如资源调度和故障诊断，都有时间限制，而LLMs的推理速度相对较慢。此外，确保LLM输出的可靠性和安全性通常需要手动验证和迭代执行，这对满足实时要求构成了挑战。为了提高LLMs执行网络任务的效率和实时性能，未来的研究可以集中在两个方面：一是实施模型压缩和优化技术，以减少计算负载并加快推理速度；二是设计自动化的任务执行和验证流程，以最小化人工干预。
网络技术的复杂性和动态性要求我们不断创新和改进，以确保LLMs能够在设计、配置、诊断和安全等多个方面发挥其潜力。面对智能规划、多模态数据处理、网络特定模型构建、工具自主利用、可靠性与安全性以及效率和实时性能等挑战，本文提出的解决方案和未来研究方向将推动这一跨学科领域的发展。
