TopoEdge: Topology-Grounded Agentic Framework for Edge Networking Code Generation and Repair

O TopoEdge é um framework agênico e groundado em topologia que gera e repara configurações de redes definidas por software (SDN) na borda, utilizando uma rede neural gráfica para recuperar referências verificadas e coordenar agentes especializados em planejamento, geração e verificação executável para garantir conformidade e baixa latência.

O essencial

Imagine que você é o gerente de uma grande empresa de entregas (a rede de internet) e precisa configurar milhares de caminhões e rotas para que a mercadoria chegue ao destino certo. O problema é que o mapa da cidade muda todo dia: uma rua fecha, uma ponte é construída, um novo bairro surge. Se você usar um manual antigo para dirigir em uma nova cidade, você vai se perder ou causar um acidente.

É exatamente esse o problema que o TopoEdge resolve, mas para redes de computadores.

Aqui está uma explicação simples, usando analogias do dia a dia:

1. O Problema: Mapas Velhos e Caminhões Quebrados

Redes de computadores (como a internet) são como cidades complexas. Quando a "topologia" (o mapa de como os roteadores e cabos estão conectados) muda, as configurações antigas param de funcionar.

• O jeito antigo: Os engenheiros tentavam escrever o código manualmente ou usar modelos de IA genéricos. Era como tentar dirigir em uma cidade nova apenas lendo um livro de regras, sem olhar pela janela. Se a IA errasse uma vírgula ou uma regra, a rede inteira podia cair, e ninguém sabia por quê.
• O desafio da privacidade e custo: Muitas empresas não querem enviar seus dados de rede para uma "nuvem" gigante (um servidor central superpoderoso) para ser processado, por questões de segurança e privacidade. Elas precisam que o "cérebro" da decisão fique no próprio local (na "borda" da rede), em computadores pequenos e baratos.

2. A Solução: O "TopoEdge" (O Mecânico Inteligente Local)

O TopoEdge é um sistema que roda em computadores pequenos (como Raspberry Pis) no local da empresa. Ele age como um mecânico de rede superinteligente que não precisa de ajuda de fora para consertar o carro.

Ele funciona em três etapas principais, como se fosse uma equipe de três especialistas trabalhando juntos:

A. O "Arquivista" (TopoRAG) – A Memória Visual

Antes de tentar consertar qualquer coisa, o sistema olha para o novo mapa da rede (a topologia atual).

• A Analogia: Imagine que você precisa consertar um motor de um carro novo. Em vez de tentar adivinhar como consertar, o "Arquivista" vai a uma biblioteca gigante de manuais e procura: "Qual é o carro mais parecido com este que já consertamos com sucesso?"
• Como funciona: O TopoEdge usa uma IA especial (uma Rede Neural de Grafos) que "lê" o mapa da rede como se fosse um desenho. Ele encontra um caso antigo muito parecido que já funcionou perfeitamente e pega aquele manual de instruções (o código de configuração) como referência. Isso é chamado de TopoRAG.

B. A Equipe de Três Agentes (O Gerente, o Escritor e o Inspetor)

Com o manual de referência em mãos, três "agentes" de IA (pequenos robôs de software) trabalham em ciclo:

1. O Planejador (Planning Agent): Ele olha o novo mapa e o manual antigo. Ele diz: "Ok, para este novo mapa, precisamos configurar o roteador A assim, o B assado. Vamos fazer um esboço." Ele cria um plano estruturado.
2. O Gerador (Generation Agent): Ele pega o esboço e escreve o código real, as configurações exatas para os computadores.
3. O Verificador (Verify Agent): Este é o mais importante. Ele pega o código escrito e testa na prática. Ele simula a rede inteira em um laboratório virtual.
   • Se funcionar: Ótimo, o trabalho está pronto!
   • Se falhar: Ele não apenas diz "está errado". Ele olha o erro, corta o relatório longo e diz: "O erro está apenas no roteador B, na linha 5. Corrija apenas isso."

Depois, o Gerador recebe essa correção e tenta de novo. Esse ciclo (Escrever -> Testar -> Corrigir) se repete até que tudo funcione.

3. O Truque de Mestre: Economia e Precisão

Como esses computadores são pequenos e fracos, eles não podem gastar horas pensando. O TopoEdge tem dois "freios" inteligentes:

• Orçamento Adaptativo: Se o mapa da rede é simples (como uma vila pequena), o sistema gasta pouco tempo e energia. Se é complexo (como uma metrópole), ele gasta um pouco mais, mas só o necessário.
• Decodificação Confinada: O sistema impede que a IA invente palavras ou comandos que não existem. É como dar a um escritor apenas um dicionário com as palavras permitidas para aquele tipo de contrato. Isso evita que ele perca tempo escrevendo bobagens.

4. Os Resultados: O Que Aconteceu?

Os autores testaram esse sistema em 200 cenários diferentes.

• Sem o "Arquivista" (TopoRAG): O sistema tentava adivinhar tudo do zero. Funcionou apenas 55% das vezes. Era como tentar dirigir de olhos fechados.
• Com o TopoEdge: Funcionou em 89% dos casos.
• Comparação com o "Gigante": Eles também testaram um modelo de IA superpoderoso rodando em servidores centrais (como um cérebro de supercomputador). Esse modelo ficou em 93%.

A Conclusão: O TopoEdge, rodando em computadores baratos e locais, conseguiu desempenho quase igual ao do supercomputador central, apenas porque usou a estratégia certa: olhar para o passado (casos similares) para guiar o presente.

Resumo Final

O TopoEdge é como ter um mecânico de confiança que mora na sua garagem. Ele não precisa ligar para a fábrica na Alemanha para pedir ajuda. Ele olha para o seu carro, consulta o manual de um carro parecido que ele já consertou, escreve a solução, testa no simulador e corrige os erros sozinho, rápido e sem gastar a internet da empresa. É seguro, privado e muito eficiente.

Resumo técnico

1. Problema e Motivação

A configuração de Redes Definidas por Software (SDN) é crítica para o controle de roteamento e políticas, mas torna-se frágil à medida que as redes crescem. Pequenos erros na configuração podem levar a falhas semânticas silenciosas e difíceis de diagnosticar. Os desafios principais identificados pelos autores são:

• Fragilidade Topológica: Artefatos de configuração existentes frequentemente falham quando a topologia da rede varia, pois as ferramentas atuais carecem de consciência explícita da topologia.
• Restrições Operacionais: Muitos operadores preferem inferência on-site (no local) por questões de privacidade, segurança e custo, o que impede o uso de modelos de linguagem grandes (LLMs) centralizados e exige soluções que funcionem em hardware de borda com recursos limitados.
• Fechamento do Ciclo de Feedback: A automação existente geralmente lida com sintaxe e templates, mas raramente fecha o ciclo com feedback de execução real para correção de erros.

2. Metodologia: O Framework TopoEdge

O TopoEdge é um framework agêntico distribuído, projetado para ser implantado na borda, que gera e repara configurações de SDN através de um ciclo de Gerar-Verificar-Reparar. A arquitetura baseia-se em três pilares principais:

A. TopoRAG (Retrieval-Augmented Generation Grounded em Topologia)

Em vez de tratar a configuração apenas como texto, o TopoEdge utiliza a topologia da rede como um sinal estável para transferência de padrões.

• Representação: Cada topologia é convertida em um grafo de nível de roteador (nós = roteadores/switches, arestas = links).
• Embedding: Um Grafo Neural (GCN) de três camadas, treinado com aprendizado contrastivo (InfoNCE), gera vetores de incorporação (embeddings) para as topologias.
• Recuperação: Dada uma topologia alvo, o sistema recupera o caso de referência mais próximo (vizinho mais próximo) que possui um driver Python executável e validado.
• Contexto: O contexto de geração (TopoRAG) é composto pela topologia alvo, a topologia de referência recuperada, o driver validado e conhecimento de fundo sobre SDN.

B. Agentes Especializados e Loop de Execução

O sistema é coordenado por um controlador central e executado por três agentes especializados, todos rodando o mesmo modelo LLM quantizado (Llama-3.1-8B) em um cluster de borda:

1. Agente de Planejamento: Gera um plano de configuração consistente com a topologia e um "esqueleto" (skeleton) por dispositivo, definindo blocos fixos e espaços reservados para parâmetros.
2. Agente de Geração: Materializa os artefatos de configuração executáveis (arquivos de configuração de dispositivo e o driver Python) baseando-se no plano e no contexto TopoRAG.
3. Agente de Verificação: Executa o harness FRRouting Topotest/pytest. Se houver falhas, ele comprime os logs em um rastro de falha compacto e emite diretrizes de correção localizadas para o Agente de Geração.

C. Controles de Eficiência para Borda

Para garantir a viabilidade em hardware restrito, o framework implementa dois mecanismos de controle:

• Controlador de Orçamento Adaptativo: Estima a dificuldade do caso com base no tamanho da topologia e na similaridade com a referência recuperada. Ajusta dinamicamente o limite de tokens e o número máximo de iterações (reparos) para cada caso.
• Decodificação Confinada (Constrained Decoding): Restringe a geração do Agente de Geração a um léxico de comandos curado e esquemas válidos, evitando a geração de sintaxe inválida e focando a capacidade do modelo em correções semânticas.

3. Contribuições Principais

1. TopoRAG: Um módulo de recuperação consciente da topologia que alinha a similaridade de vizinhança de topologias com drivers de SDN validados, fornecendo um prior estrutural transferível para a geração.
2. Framework Agêntico na Borda: Uma implementação prática de um ciclo de generate-verify-repair distribuído que opera sob restrições de recursos, utilizando modelos pequenos quantizados e controle de inferência adaptativo.
3. Validação Empírica: Demonstração de que a ancoragem em topologia e o feedback de execução podem reduzir significativamente a lacuna de desempenho entre modelos de borda e LLMs centralizados.

4. Resultados Experimentais

O sistema foi avaliado em 200 casos de teste (Topotest) mantidos de fora (held-out), comparado a duas linhas de base:

• No-TopoRAG: Mesmo sistema, mas sem recuperação baseada em topologia.
• Central-LLM: Uso de um modelo centralizado (Claude Code) com o mesmo protocolo de agentes.

Métricas Chave (Pass@20 - taxa de sucesso em até 20 iterações):

• TopoEdge: 0.890 (178/200 casos passados).
• No-TopoRAG: 0.550 (110/200 casos).
• Central-LLM: 0.930 (186/200 casos).

Análise de Eficiência:

• O TopoEdge convergiu mais rápido (média de 7.8 iterações) e com menos tokens gastos em comparação ao No-TopoRAG (13.3 iterações), demonstrando que a recuperação de topologia reduz a necessidade de busca exploratória.
• A diferença de desempenho entre o TopoEdge (borda) e o Central-LLM (nuvem) foi pequena (0.04), sugerindo que a ancoragem topológica e o loop de reparo compensam a menor capacidade do modelo local.
• A ablação mostrou que remover a decodificação confinada aumentou a taxa de artefatos inválidos de 4.5% para 9.0%, e remover ambos os controladores reduziu o Pass@20 para 0.800.

5. Significado e Conclusão

O TopoEdge demonstra que é possível realizar tarefas complexas de engenharia de rede (geração e reparo de configuração) em hardware de borda com recursos limitados, sem depender de inferência centralizada massiva.

• Robustez: A recuperação baseada em topologia é o principal motor de robustez, superando significativamente abordagens puramente textuais.
• Viabilidade de Borda: O framework prova que modelos pequenos, quando combinados com recuperação de contexto estruturado e ciclos de verificação executiva, podem alcançar desempenho próximo ao de modelos centralizados grandes.
• Futuro: O trabalho abre caminho para sistemas de gerenciamento de rede autônomos que respeitam a privacidade de dados e operam localmente, com planos futuros para testar generalização em topologias mais heterogêneas e explorar encoders de grafos de maior capacidade.