Self-evolving network verifiers
本文提出了“自进化网络验证器”，该系统通过将编码智能体提出的方案与真实路由器行为进行迭代对比，自主学习并优化符号化网络模型，从而消除了对手动、易错的模型维护的需求，并实现了对复杂且特定于厂商的网络特性的验证。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，互联网是一个由道路、红绿灯和送货卡车组成的巨大、隐形的城市。在这个城市里，“红绿灯”实际上是运行在路由器上的复杂计算机程序，它们决定着每一份数据应该去往何处。如果这些程序出错，整个城市就会发生交通瘫痪，导致互联网崩溃。多年来，工程师们一直试图制造出“超级交通控制器”——这种软件工具能够预测在道路突然消失或新规则加入时可能发生的每一次交通拥堵。这些工具就像是能够预见网络未来的水晶球。
然而，这里有一个难点。为了使用这些水晶球，你必须首先教会它们交通规则。但规则并不是写在一本单一、完美的书里。相反，它们散落在数千页的技术手册中，而且不同的公司（比如思科或瞻近等路由器的制造商）对规则的理解有时也会略有不同。这就像是试图教一个机器人在一座街道标识都用不同方言书写、且每次城市更新软件时标识都会变化的城市里开车。让机器人的地图保持最新状态是一项永无止境、令人精疲力竭的人类专家工作。如果地图哪怕有一点点错误，水晶球就会给出错误的预测，导致网络依然处于崩溃的风险之中。
这就是苏黎世联邦理工学院（ETH Zürich）的研究人员提出的一个新想法。他们提议，与其让一名人类专家费力地绘制地图，不如让我们让地图实现自我绘制。他们构建了一个系统，其中的“机器人程序员”（一种人工智能）观察一个真实的路由器（或一个完美的模拟器），并通过观察其真实行为来学习规则。如果机器人的地图显示“左转”，但真实的路由器却向右转了，机器人程序员会立即修正其地图。这就像是一个学生通过坐在副驾驶座上观察教练来学习驾驶，并在每当接收到错误指令时纠正自己的心理地图。
研究人员通过给这个系统三个它并不了解的复杂驾驶规则来测试了这个想法：如何处理不同的社区（OSPF 区域）、如何通过中央枢纽管理流量（BGP 路由反射），以及如何在不同的虚拟城市之间递送包裹（基于 EVPN 的 L3VPN）。该系统并非仅仅靠猜测；它使用了一个“地面真值”（ground truth）模拟器作为值得信赖的老师。当人工智能的模型与模拟器不一致时，模拟器会提供一个“反例”——即一个人工智能出错的具体场景。随后，人工智能会重写自己的代码以修复这个特定的错误。
结果非常成功。仅通过几次这种“猜想与检查”的循环，该系统就自学掌握了所有三种复杂功能。它甚至发现，某些路由器的操作顺序与官方规则手册所述略有不同，从而捕捉到了人类专家经常忽略的厂商特定差异。整个过程每项功能的计算成本仅为 30 到 40 美元，且人工智能只需几百步就能搞定。
然而，论文谨慎地指出，这并不是能瞬间解决一切的魔杖。该系统擅长学习它所接受过测试的内容，但无法保证在遇到未曾见过的场景时绝不出错。这就像一个在所有模拟考试中都取得高分的学生，但在期末考试中仍可能被难题难住。研究人员建议，现在的真正挑战不再是编写代码，而是构建更好的“测试生成器”，不断向人工智能抛出棘手的场景，以确保它真正准备好应对现实世界。他们还发现，虽然人工智能可以学习规则，但有时它编写的代码虽然正确却运行缓慢，需要进行第二轮“优化”才能使其达到实际使用的速度。
简而言之，这篇论文提出了一种构建网络安全工具的新方法：不要再试图为每种可能的路由器手动编写规则书，而是让人工智能通过观察路由器的运作来学习规则，并借助一个值得信赖的模拟器来纠正自身的错误。这是一种从“人类专家绘制地图”到“人工智能通过观察道路学习驾驶”的转变，有望让互联网变得更安全、更易于管理，前提是我们必须持续严格地测试人工智能的驾驶技能。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。