GraphCue for SDN Configuration Code Synthesis

Visão Geral

O artigo apresenta o GraphCue, um framework inovador para a síntese automatizada de configurações de Redes Definidas por Software (SDN). O sistema combina recuperação baseada em topologia, prompts condicionados por agentes e um ciclo de verificação iterativo ("agent-in-the-loop") para gerar código de configuração confiável e semanticamente correto, superando as limitações de abordagens puramente baseadas em texto.

---

1. O Problema

As implantações de SDN em produção envolvem centenas de dispositivos e pilhas de protocolos heterogêneas. A abordagem atual enfrenta dois desafios principais:

• Fragilidade do Scripting Manual: A configuração manual torna-se instável e difícil de manter em grande escala.
• Limitações da Geração de Texto Pura: Modelos de linguagem (LLMs) que ignoram a topologia da rede frequentemente geram códigos sintaticamente corretos, mas semanticamente inválidos.
• Falhas nas Verificações Estáticas: Verificações estáticas tradicionais não capturam semânticas de tempo de execução ou comportamentos dinâmicos da rede.

Há uma necessidade urgente de um método que alinhe a síntese de configuração à estrutura da rede e que integre a verificação de comportamento como parte do processo de geração.

---

2. Metodologia

O GraphCue opera através de três componentes principais:

A. Abstração de Dados e Grafos JSON

• Base de Dados: Utiliza o corpus aberto FRRouting, contendo 4.128 casos (3.500 para treino, 628 para validação).
• Representação Gráfica: Um parser extrai dispositivos, interfaces e links, mapeando cada caso para um grafo JSON ($G = (X, A, M)$).
  • $X$: Features dos nós (tipo de dispositivo, grau, contadores de protocolo, tokens hash).
  • $A$: Matriz de adjacência (grafos não direcionados com laços).
  • $M$: Multiconjunto de links (preserva a multiplicidade de links paralelos, garantindo mapeamento sem perdas).
• Vantagem: Esta abstração descarta o fluxo de controle irrelevante, mantendo apenas as relações que afetam a conectividade.

B. Treinamento de Rede e Recuperação (GCN)

• Arquitetura: Em vez de usar Laplacianos de Hodge ou Transformers (que falharam devido a diâmetros pequenos de grafos e instabilidade), o sistema utiliza um Encoder GCN (Graph Convolutional Network) de três camadas com pooling global.
• Embeddings: O GCN gera vetores de grafo de 32 dimensões normalizados ($L_2$).
• Treinamento Contrastivo: O modelo é treinado com contrastive learning (InfoNCE loss). Augmentações aleatórias (remoção de nós e arestas) são aplicadas para aprender representações robustas.
• Recuperação: Para uma nova solicitação, o sistema realiza uma busca por vizinho mais próximo (nearest-neighbor) no conjunto de casos validados, selecionando o caso de referência mais similar topologicamente.

C. Agente LLM em Loop de Verificação

• Prompt Estruturado: O prompt de entrada para o LLM é composto por:
  1. Serialização do grafo alvo.
  2. Trechos de configuração recuperados do caso mais similar.
  3. Conhecimento de fundo conciso.
  4. Restrições verificáveis (atrelamento de interface, endereçamento, nomes, ativação de daemons).
• Ciclo de Verificação:
  1. O agente LLM gera um candidato de configuração.
  2. Um verificador containerizado provisiona a topologia alvo, aplica a configuração e executa testes (estado de interface, formação de adjacência, alcançabilidade).
  3. O verificador retorna um relatório máquina-legível (sucesso/falha e logs).
  4. Se falhar, o agente usa o relatório para refinar o prompt (transformando falhas em diretivas explícitas, como "corrigir endereçamento" ou "definir vizinhos") e itera até o sucesso ou esgotamento do orçamento de iterações.

---

3. Contribuições Principais

1. Abstração Topológica Lossless: Mapeamento de configurações de rede para grafos JSON que preservam a multiplicidade de links e a estrutura de conectividade, permitindo recuperação precisa baseada em similaridade topológica.
2. Recuperação Condicionada por Topologia: Demonstração de que injetar referências validadas e estruturadas (baseadas em grafos) nos prompts melhora drasticamente a qualidade da síntese de código em comparação com prompts genéricos.
3. Ciclo de Verificação Fechado: Um framework onde o agente LLM não apenas gera código, mas interage iterativamente com um simulador de rede para corrigir erros semânticos e de execução em tempo real.
4. Desempenho Eficiente: O sistema opera com baixa latência, completando a maioria dos ciclos de verificação em menos de 10 segundos.

---

4. Resultados Experimentais

O sistema foi avaliado em 628 casos de validação com um limite de 20 iterações:

• Taxa de Sucesso: O GraphCue alcançou uma taxa de aprovação de 88,2% dentro de 20 iterações.
  • Comparação: Prompt-Context (sem recuperação) atingiu 71,8% e Agent-Only (sem estrutura de prompt) apenas 53,8%.
• Velocidade: 95% dos loops de verificação foram concluídos em 9 segundos (mediana de 6,5s).
• Eficiência Iterativa:
  • 36% dos casos de sucesso do GraphCue foram resolvidos na 5ª iteração (vs. 20% para o baseline sem recuperação).
  • 72% foram resolvidos até a 10ª iteração.
• Sensibilidade ao Modelo LLM: O framework funcionou bem com diferentes modelos (GPT-4o, Claude 3.5, Gemini, Llama-3.1), sendo o GPT-4o o melhor (91,6% de sucesso), mas mantendo a superioridade do método GraphCue sobre os baselines independentemente do modelo.
• Ablação: A remoção da recuperação ou da estrutura do prompt resultou em desempenho substancialmente inferior, confirmando que a recuperação topológica e o condicionamento de restrições são os principais impulsionadores do sucesso.

---

5. Significado e Conclusão

O GraphCue representa um avanço significativo na automação de redes, demonstrando que a consciência topológica é crucial para a síntese de configurações de SDN. Ao integrar grafos de rede, aprendizado contrastivo e verificação executável em um ciclo fechado, o sistema mitiga as alucinações comuns dos LLMs em tarefas de infraestrutura crítica.

Trabalhos Futuros: Os autores planejam expandir para implantações distribuídas e de borda com foco em segurança, realizar pré-treinamento e adaptação de domínio para o encoder e o modelo de linguagem, e enriquecer a verificação com invariâncias mais complexas e injeção de falhas.

Em suma, o GraphCue oferece uma solução prática e escalável para transformar a complexa engenharia de redes em um processo automatizado, validado e orientado por dados.