Self-evolving network verifiers
Dit artikel stelt "zelfevoluerende netwerkverifieerders" voor, een systeem dat autonoom symbolische netwerkmodellen leert en verfijnt door de voorstellen van een coderingsagent iteratief te vergelijken met het werkelijke gedrag van routers, waardoor de noodzaak voor handmatig, foutgevoelig modelonderhoud wordt geëlimineerd en verificatie van complexe, leveranciersspecifieke netwerkfuncties mogelijk wordt gemaakt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je het internet voor als een enorme, onzichtbare stad die volledig bestaat uit wegen, verkeerslichten en bezorgwagens. In deze stad zijn de "verkeerslichten" eigenlijk complexe computerprogramma's die op routers draaien en precies beslissen waar elk stukje data naartoe moet gaan. Als deze programma's een fout maken, kan de hele stad in een file terechtkomen, wat ervoor zorgt dat het internet crasht. Jarenlang hebben ingenieurs geprobeen "super-verkeersregelaars" te bouwen—softwaretools die elke mogelijke verkeersopstopping kunnen voorspellen voordat deze gebeurt, zelfs als een weg plotseling verdwijnt of er een nieuwe regel wordt toegevoegd. Deze tools zijn als kristallen bollen die de toekomst van het netwerk kunnen zien.
Er is echter een addertje onder het gras. Om deze kristallen bollen te kunnen gebruiken, moet je ze eerst de verkeersregels leren. Maar de regels staan niet in één enkel, perfect boek geschreven. In plaats daarvan zijn ze verspreid over duizenden pagina's aan technische handleidingen, en interpreteren verschillende bedrijven (zoals de makers van Cisco of Juniper routers) de regels soms net iets anders. Het is alsof je een robot probeert te leren rijden in een stad waar elk verkeersbord in een ander dialect is geschreven, en de borden veranderen telkens wanneer de stad haar software bijwerkt. Het bijhouden van de kaart van de robot up-to-date te houden, is een nooit eindigende, uitputtende taak voor menselijke experts. Als de kaart ook maar een klein beetje fout is, geeft de kristallen bol een valse voorspelling, en blijft het netwerk kwetsbaar voor crashes.
Dit is waar een nieuw idee van onderzoekers van ETH Zürich om de hoek komt kijken. Zij stellen voor dat, in plaats van een menselijke expert die moeizaam de kaart tekent, we de kaart zichzelf laten tekenen. Ze hebben een systeem gebouwd waarbij een "robot-programmeur" (een AI) een echte router observeert (of een perfecte simulatie daarvan) en de regels leert door te kijken naar wat hij daadwerkelijk doet. Als de kaart van de robot-programmeur zegt "sla linksaf", maar de echte router gaat rechtsaf, corrigeert de robot-programmeur zijn kaart onmiddellijk. Het is als een student die leert autorijden door op de passagiersstoel te zitten, de instructeur te observeren en zijn eigen mentale kaart te corrigeren telkens wanneer hij een verkeerde richting krijgt.
De onderzoekers testten dit idee door hun systeem drie complexe verkeersregels te geven die het niet kende: hoe verschillende wijken (OSPF-gebieden) te beheren, hoe het verkeer via een centraal knooppunt te beheren (BGP route reflection), en hoe pakketjes te bezorgen over verschillende virtuele steden (L3VPN over EVPN). Het systeem gokte niet zomaar; het gebruikte een "ground truth"-simulator als een vertrouwde leraar. Wanneer het model van de AI niet overeenkwam met de simulator, leverde de simulator een "tegenvoorbeeld"—een specifiek scenario waarin de AI fout zat. De AI herschreef vervolgens zijn eigen code om die specifieke fout te herstellen.
De resultaten waren verrassend succesvol. In slechts enkele rondes van deze "raden-en-controleren"-lus leerde het systeem zichzelf alle drie de complexe functies aan. Het ontdekte zelfs dat sommige routers een iets andere volgorde van handelingen volgen dan de officiële regelboeken zeggen, waardoor het merk-specifieke eigenaardigheden opmerkte die menselijke experts vaak missen. Het hele proces kostte slechts ongeveer $30 tot $40 aan computertijd per functie en duurde een paar honderd stappen voordat de AI het zelf had uitgevonden.
De paper is echter voorzichtig in de opmerking dat dit geen toverstaf is die alles direct oplost. Het systeem is goed in het leren van waar het op getest is, maar het kan niet garanderen dat het nooit een fout zal maken in een situatie die het nog niet heeft gezien. Het is als een student die elke oefentoets met vlag en wimpel heeft beantwoord, maar nog steeds verrast kan worden door een strikvraag tijdens het eindexamen. De onderzoekers suggereren dat de echte uitdaging nu niet het schrijven van de code is, maar het bouwen van betere "testgeneratoren" om de AI voortdurend uitdagende scenario's voor te werpen om te verzekeren dat hij echt klaar is voor de echte wereld. Ze ontdekten ook dat, hoewel de AI de regels kon leren, hij soms code schreef die weliswaar correct was, maar erg traag, wat een tweede ronde van "optimalisatie" vereiste om snel genoeg te zijn voor echt gebruik.
Kortom, dit paper suggereert een nieuwe manier om netwerkveiligheidstools te bouwen: stop met het handmatig schrijven van het regelboek voor elke mogelijke router, en laat een AI de regels leren door te kijken naar hoe de routers werken, waarbij de fouten worden gecorrigeerd met de hulp van een vertrouwde simulator. Het is een verschuiving van "menselijke experts die de kaart tekenen" naar "AI die leert rijden door naar de weg te kijken", wat belooft het internet veiliger en gemakkelijker beheersbaar te maken, mits we de rijvaardigheid van de AI rigoureus blijven testen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.