An LLM-Based Framework for Intent-Driven Network Topology Design
作者: Kholoud El-Habbouli, Fen Zhou, Stephane Huet
分类: cs.NI, cs.AI, cs.CL
发布日期: 2026-07-01
备注: submitted to IEEE CNSM 2026
💡 一句话要点
提出基于大语言模型的框架以解决网络拓扑设计问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 网络拓扑设计 大语言模型 约束驱动 层次建模 系统验证 网络自动化 弹性评估
📋 核心要点
- 现有方法在从自然语言需求生成有效网络拓扑时面临结构有效性和约束合规性不足的问题。
- 本研究提出了一种结合层次建模和系统验证的约束驱动管道，利用大型语言模型生成网络拓扑。
- 通过对比多种LLM模型，评估了生成拓扑的结构正确性和弹性，提供了系统的基准测试结果。
📝 摘要（中文）
设计可部署和具有弹性的网络拓扑以满足自然语言需求仍然是网络自动化中的一大挑战。本研究探讨了大型语言模型（LLMs）在生成结构有效且符合约束的网络拓扑方面的能力，采用了一个结合层次建模和系统验证的约束驱动管道。通过对四个现实网络场景的多模型比较评估了该框架，使用节点和边的F1分数评估结构正确性，并通过服务器和内容连接性指标评估弹性。此外，分析了生成拓扑中的常见故障模式，包括接口不匹配和方向不一致性。总体而言，本研究为理解LLMs在拓扑合成中如何处理结构和弹性约束提供了系统基准，并支持对AI驱动网络设计的知情模型选择。
🔬 方法详解
问题定义：本论文旨在解决从自然语言需求生成有效且符合约束的网络拓扑的挑战。现有方法往往无法确保生成拓扑的结构有效性和约束合规性，导致网络设计的可靠性不足。
核心思路：论文的核心思路是利用大型语言模型（LLMs）生成网络拓扑，并通过一个约束驱动的管道进行层次建模和系统验证，以确保生成的拓扑既符合结构要求又满足弹性需求。
技术框架：整体架构包括多个主要模块：首先是自然语言输入的解析，然后是基于LLMs生成初步拓扑，接着进行层次建模以确保结构有效性，最后通过系统验证阶段评估拓扑的弹性和合规性。
关键创新：最重要的技术创新在于提出了一种系统化的框架，能够有效地将自然语言需求转化为符合约束的网络拓扑，并通过多模型比较提供了对LLMs性能的深入理解。与现有方法相比，该框架在处理复杂网络设计需求时表现出更高的灵活性和准确性。
关键设计：在技术细节上，论文设计了特定的损失函数以优化拓扑的结构和弹性，同时采用了多种LLM模型进行对比实验，以确保结果的可靠性和有效性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的框架在结构正确性评估中，节点和边的F1分数显著高于基线模型，且在弹性评估中，服务器和内容连接性指标表现出明显的提升。这些结果表明，LLMs在网络拓扑设计中的应用具有良好的潜力和实际价值。
🎯 应用场景
该研究的潜在应用领域包括智能网络设计、自动化网络管理和网络优化等。通过提供一种基于自然语言的网络拓扑生成方法，能够显著提高网络设计的效率和准确性，降低人工干预的需求，推动网络自动化的发展。未来，该框架可能在更广泛的网络场景中得到应用，促进智能网络的普及。
📄 摘要（原文）
Designing deployable and resilient network topologies from natural language requirements remains a challenging problem in network automation. This work investigates the ability of Large Language Models (LLMs) to generate structurally valid and constraint-compliant network topologies through a constraint-driven pipeline combining hierarchical modeling and systematic validation. The framework is evaluated via a multimodel comparison of proprietary and open-weight LLMs across four realistic network scenarios released as a public dataset. We assess structural correctness using node and edge F1-scores against reference topologies, and evaluate resilience through server and content connectivity metrics. In addition, we analyze common failure modes, including interface mismatches and directional inconsistencies in generated topologies. Overall, this work provides a systematic benchmark for understanding how LLMs handle structural and resilience constraints in topology synthesis, and supports informed model selection for AI-driven network design.