DOI: https://doi.org/10.1109/ojcoms.2026.3695460
تاريخ النشر: 2026-01-01
المؤلف: Oscar G. Lira وآخرون
الموضوع الرئيسي: الشبكات المعرفة بالبرمجيات و5G
نظرة عامة
يقدم هذا القسم SLM netconfig، وهو إطار عمل لنموذج لغة صغير تم ضبطه بدقة مصمم لأتمتة توليد تكوين الشبكة. مع تزايد تعقيد الشبكات، تصبح طرق التكوين اليدوي التقليدية غير فعالة وعرضة للأخطاء. يتناول SLM netconfig هذه التحديات من خلال استخدام بنية قائمة على الوكلاء وتقنيات التكيف الفعالة من حيث المعلمات لتحويل نوايا التكوين بلغة طبيعية إلى تكوينات شبكة دقيقة. يتم تدريب النموذج على مجموعة بيانات محددة المجال مستمدة من وثائق البائعين، مما يضمن التوافق مع احتياجات التكوين العملية. تشير نتائج التقييم إلى أن SLM netconfig يتفوق على LLM-NetCFG الأساسي من حيث الدقة النحوية ودقة الأهداف مع تقليل زمن الترجمة بشكل كبير وإنتاج تكوينات مختصرة.
في الختام، يظهر SLM netconfig إمكانيات نماذج اللغة الصغيرة لتوليد تكوينات الشبكة بكفاءة مع الحفاظ على الخصوصية. إنه يقدم باستمرار تكوينات أكثر دقة وأقل تعقيدًا مقارنة بالنماذج الأكبر، مما يبرز فوائد الضبط الدقيق المحدد المجال. ستركز الأعمال المستقبلية على تحسين النموذج بشكل أكبر من خلال دمج قيود هيكلية أكثر صرامة، وآليات التحقق الذاتي، وتوسيع بيانات التدريب لتعزيز القابلية للتكيف عبر بيئات الشبكة المتنوعة. بالإضافة إلى ذلك، تهدف الأبحاث إلى استكشاف النشر في إعدادات تشغيلية أكبر وتطوير آليات إصلاح تلقائية للمخرجات الصحيحة جزئيًا، مع السعي في النهاية نحو إطار عمل قوي وقابل للتوسع لتكوين الشبكة الذاتية المستقل.
مقدمة
تتناول مقدمة هذه الورقة البحثية الحاجة الملحة لحلول إدارة الشبكة الفعالة والمُؤتمتة في سياق التكوينات الشبكية المتزايدة التعقيد. تبرز إطار عمل إدارة الشبكة والخدمات بدون لمس (ZSM)، الذي تم تطويره بواسطة المعهد الأوروبي لمعايير الاتصالات (ETSI)، والذي يهدف إلى إنشاء شبكات تعمل ذاتيًا وتتحسن ذاتيًا مع الحد الأدنى من التدخل البشري. أحد التحديات الرئيسية داخل إطار عمل ZSM هو التوليد الذاتي لتكوينات الشبكة التي تكون صحيحة نحويًا ودقيقة دلاليًا، متوافقة مع النوايا المحددة للشبكة. تناقش الورقة إمكانيات نماذج اللغة الكبيرة (LLMs) في أتمتة توليد التكوينات ضمن أطر الشبكات المدفوعة بالنوايا (IDN)، مع الاعتراف أيضًا بالقيود المفروضة على أنظمة LLM الحالية، مثل التكاليف الحسابية العالية، ومخاوف الخصوصية، والمشكلات المتعلقة بالدقة بسبب الهلاوس—حيث تنتج النماذج مخرجات غير صحيحة أو غير ذات صلة.
لمعالجة هذه التحديات، يقدم المؤلفون SLM netconfig، وهو نهج هجين يجمع بين نماذج اللغة المضبوطة بدقة (FLMs) ونماذج اللغة الصغيرة (SLMs) لتعزيز كفاءة ودقة التكوين الذاتي للشبكة. يهدف هذا النهج إلى تقليل الأعباء الحسابية مع الحفاظ على الدقة وخصوصية البيانات. يتميز SLM netconfig بهندسة معيارية تشمل عملية ضبط دقيق لنماذج التكوين الصغيرة، وخط أنابيب لتوليد مجموعة بيانات، ونماذج متخصصة لمهام التكوين. تم تصميم دمج هندسة التحفيز والضبط الدقيق للتخفيف من الهلاوس وضمان توليد تكوينات متماسكة. تشير النتائج التجريبية إلى أن SLM netconfig يتفوق على LLM-NetCFG الذي تم تقديمه سابقًا من حيث الدقة وزمن الترجمة، مما يظهر إمكانيته كحل قابل للتوسع وفعال لتكوين الشبكة المستقل.
نقاش
في مناقشة نماذج اللغة المضبوطة بدقة ونماذج اللغة الصغيرة (SLMs)، تبرز الورقة تطور النماذج من نماذج اللغة الكبيرة (LLMs) إلى بدائل أكثر كفاءة مصممة لتطبيقات محددة. بينما تعتبر LLMs قوية ولكنها تتطلب موارد كبيرة، تم تصميم SLMs من أجل الكفاءة والتخصص، وغالبًا ما تستخدم تقنيات مثل تقطير المعرفة، والتكميم، والتقليم لتقليل المتطلبات الحسابية. تقوم نماذج اللغة المضبوطة بدقة (FLMs) بتكييف النماذج المدربة مسبقًا لمهام متخصصة، مستخدمة استراتيجيات مثل التعلم الانتقالي وضبط التعليمات لتعزيز الأداء مع الحفاظ على متطلبات موارد أقل. من الجدير بالذكر أن الضبط الدقيق قد تم التحقق منه تجريبيًا كطريقة فعالة لتقليل الهلاوس في التطبيقات المتخصصة، مما يضمن توافق المخرجات مع المعرفة المحددة المجال والدقة النحوية.
تناقش القسم أيضًا بنى الوكلاء التي تمكن LLMs وSLMs أو FLMs من العمل كعملاء مستقلين قادرين على التفكير واتخاذ القرار. تسهل هذه البنى تنفيذ المهام المعقدة من خلال دورة الإدراك-التفكير-العمل، مما يدمج الذاكرة طويلة الأمد والاستراتيجيات التكيفية. تعزز التآزر بين الضبط الدقيق وهندسة التحفيز أداء الوكلاء، مما يسمح بالتنفيذ الدقيق للمهام المحددة المجال. تؤكد الورقة على أنه بينما تظهر الحلول الحالية المعتمدة على LLM لتكوين الشبكة وعدًا، فإنها تواجه تحديات تتعلق بالمخرجات المعرضة للأخطاء. يعالج إطار عمل SLM netconfig المقترح هذه القضايا من خلال دمج SLMs مع التحقق الرسمي والتفكير القائم على الوكلاء، مما يوفر نهجًا قويًا وفعالًا لإدارة الشبكة المستقلة.
DOI: https://doi.org/10.1109/ojcoms.2026.3695460
Publication Date: 2026-01-01
Author(s): Oscar G. Lira et al.
Primary Topic: Software-Defined Networks and 5G
Overview
The section presents SLM netconfig, a fine-tuned small language model framework designed to automate network configuration generation. As networks grow in complexity, traditional manual configuration methods become inefficient and prone to errors. SLM netconfig addresses these challenges by utilizing an agent-based architecture and parameter-efficient adaptation techniques to convert natural language configuration intents into accurate network configurations. The model is trained on a domain-specific dataset derived from vendor documentation, ensuring alignment with practical configuration needs. Evaluation results indicate that SLM netconfig outperforms the baseline LLM-NetCFG in terms of syntactic and goal accuracy while significantly reducing translation latency and producing concise configurations.
In conclusion, SLM netconfig demonstrates the potential of small language models for efficient and privacy-preserving network configuration generation. It consistently delivers more precise and less complex configurations compared to larger models, highlighting the benefits of domain-specific fine-tuning. Future work will focus on optimizing the model further by incorporating stricter structural constraints, self-verification mechanisms, and expanding training data to enhance adaptability across diverse network environments. Additionally, the research aims to explore deployment in larger operational settings and develop automated repair mechanisms for partially correct outputs, ultimately striving for a robust and scalable framework for autonomous network self-configuration.
Introduction
The introduction of this research paper addresses the pressing need for efficient and automated network management solutions in the context of increasingly complex network configurations. It highlights the Zero-touch Network and Service Management (ZSM) framework, developed by the European Telecommunications Standards Institute (ETSI), which aims to create self-operating and self-optimizing networks with minimal human intervention. A key challenge within the ZSM framework is the autonomous generation of network configurations that are both syntactically valid and semantically accurate, aligning with specified network intents. The paper discusses the potential of Large Language Models (LLMs) in automating configuration generation within Intent-Driven Networking (IDN) frameworks, while also acknowledging the limitations of current LLM-based systems, such as high computational costs, data privacy concerns, and issues with accuracy due to hallucinations—where models produce incorrect or irrelevant outputs.
To address these challenges, the authors introduce SLM netconfig, a hybrid approach that combines Fine-Tuned Language Models (FLMs) and Small Language Models (SLMs) to enhance the efficiency and accuracy of network self-configuration. This approach aims to reduce computational overhead while maintaining accuracy and data privacy. SLM netconfig features a modular architecture that includes a fine-tuning process for small configuration models, a dataset generation pipeline, and specialized models for configuration tasks. The integration of prompt engineering and fine-tuning is designed to mitigate hallucinations and ensure the generation of coherent configurations. Experimental results indicate that SLM netconfig outperforms the previously introduced LLM-NetCFG in terms of accuracy and translation latency, demonstrating its potential as a scalable and efficient solution for autonomous network configuration.
Discussion
In the discussion of fine-tuned and small language models (SLMs), the paper highlights the evolution from large language models (LLMs) to more efficient alternatives tailored for specific applications. While LLMs are powerful but resource-intensive, SLMs are designed for efficiency and specialization, often utilizing techniques such as knowledge distillation, quantization, and pruning to reduce computational demands. Fine-tuned language models (FLMs) adapt pre-trained models for specialized tasks, employing strategies like transfer learning and instruction tuning to enhance performance while maintaining lower resource requirements. Notably, fine-tuning has been empirically validated as an effective method for reducing hallucinations in specialized applications, ensuring that outputs align with domain-specific knowledge and syntactic accuracy.
The section also discusses agent architectures that enable LLMs, SLMs, or FLMs to function as autonomous agents capable of reasoning and decision-making. These architectures facilitate complex task execution through a perception-reasoning-action cycle, integrating long-term memory and adaptive strategies. The synergy between fine-tuning and prompt engineering enhances agent performance, allowing for precise execution of domain-specific tasks. The paper emphasizes that while existing LLM-based solutions for network configuration show promise, they face challenges related to error-prone outputs. The proposed SLM netconfig framework addresses these issues by combining SLMs with formal verification and agent-based reasoning, thereby offering a robust and efficient approach to autonomous network management.