NetInspector: Mengukur dan Meningkatkan Kemampuan LLM untuk Generasi Kebijakan Intent-Based Networking yang Andal

Kerangka agentic tiga lapis yang mendasari penalaran LLM pada fakta jaringan yang dapat diverifikasi untuk mengurangi false negative dalam verifikasi kebijakan berbasis intent

Yuxuan Zhang; Hongxin Hu; Guofei Gu· 2026· DOI 10.48550/arXiv.2609.21103

Masalah inti

Jaringan modern dicirikan oleh skala besar dan konfigurasi yang heterogen, sehingga pengelolaan kebijakan secara manual semakin tidak praktis. Intent-Based Networking (IBN) muncul sebagai solusi dengan mengotomatiskan penerjemahan tujuan operator tingkat tinggi menjadi konfigurasi jaringan tingkat rendah. Namun, sistem IBN yang ada bergantung pada heuristik statis dan pengklasifikasi fitur tetap yang kurang mampu menggeneralisasi terhadap pergeseran distribusi seperti definisi layanan baru atau perubahan frasa dalam permintaan operator. Large Language Model (LLM), dengan kemampuan penalaran dan penerjemahan yang kuat yang ditunjukkan di banyak domain, menjadi kandidat alami untuk generasi kebijakan IBN. Meski demikian, masih belum jelas apakah LLM dapat diterapkan secara andal pada tugas ini, maupun apakah penggunaannya mengurangi atau memperburuk risiko keamanan yang mendasari. Penelitian ini menyelidiki pertanyaan-pertanyaan tersebut, dan mengungkap bahwa meskipun LLM yang di-fine-tune unggul dalam penerjemahan intent, mereka menunjukkan tingkat false negative saat memeriksa apakah intent yang diusulkan melanggar kebijakan keamanan yang ada. Akar penyebabnya bukan kurangnya kemam

Inovasi

Penulis mengevaluasi NetInspector pada NetInspector-Bench, benchmark sintetis 2.224 sampel yang mencakup topologi kampus, enterprise, dan WAN. Benchmark ini mencakup beragam intent dan kebijakan keamanan untuk menguji ketangguhan kerangka. Temuan utama meliputi:- **Penurunan False Negative Rate (FNR)**: NetInspector menurunkan FNR lebih dari 30% dibandingkan baseline tanpa grounding. Ini menunjukkan efektivitas grounding penalaran LLM pada fakta jaringan yang dapat diverifikasi.- **Ketangguhan terhadap Pergeseran Distribusi**: Kerangka ini tetap tangguh terhadap pergeseran distribusi linguistik, seperti definisi layanan baru atau perubahan frasa dalam permintaan operator. Hal ini kritis untuk penerapan di dunia nyata di mana intent dapat bervariasi.- **Perbandingan dengan Baseline**: LLM tanpa grounding, bahkan setelah di-fine-tune, menunjukkan FNR lebih tinggi karena kurangnya grounding persisten. Arsitektur terpisah NetInspector mengatasi hal ini dengan memastikan setiap keputusan didasarkan pada fakta jaringan langsung.Secara kuantitatif, jika FNR baseline adalah , NetInspector mencapai $\text{FNR}_{\text{NetInspector}} \leq 0.7 \times \text{FNR}_

Jaringan modern dicirikan oleh skala besar dan konfigurasi yang heterogen, sehingga pengelolaan kebijakan secara manual semakin tidak praktis. Intent-Based Networking (IBN) muncul sebagai solusi dengan mengotomatiskan penerjemahan tujuan operator tingkat tinggi menjadi konfigurasi jaringan tingkat rendah. Namun, sistem IBN yang ada bergantung pada heuristik statis dan pengklasifikasi fitur tetap yang kurang mampu menggeneralisasi terhadap pergeseran distribusi seperti definisi layanan baru atau perubahan frasa dalam permintaan operator. Large Language Model (LLM), dengan kemampuan penalaran dan penerjemahan yang kuat yang ditunjukkan di banyak domain, menjadi kandidat alami untuk generasi kebijakan IBN. Meski demikian, masih belum jelas apakah LLM dapat diterapkan secara andal pada tugas ini, maupun apakah penggunaannya mengurangi atau memperburuk risiko keamanan yang mendasari. Penelitian ini menyelidiki pertanyaan-pertanyaan tersebut, dan mengungkap bahwa meskipun LLM yang di-fine-tune unggul dalam penerjemahan intent, mereka menunjukkan tingkat false negative saat memeriksa apakah intent yang diusulkan melanggar kebijakan keamanan yang ada. Akar penyebabnya bukan kurangnya kemampuan penalaran logis, melainkan kurangnya grounding persisten LLM pada topologi jaringan dan hierarki grup. Berdasarkan temuan ini, penulis memperkenalkan NetInspector, kerangka agentic tiga lapis yang memberlakukan protokol verify-then-act, memisahkan pengambilan informasi dari penalaran sehingga LLM berfokus pada penalaran simbolik sementara setiap keputusan kebijakan didasarkan pada fakta jaringan yang dapat diverifikasi yang diambil dari Environment Layer langsung sebelum disetujui.

NetInspector adalah kerangka agentic tiga lapis yang dirancang untuk memberlakukan protokol verify-then-act. Arsitekturnya terdiri dari:

Mengapa penting

Akar penyebab false negative LLM dalam verifikasi kebijakan berbasis intent bukanlah kurangnya kemampuan penalaran logis, melainkan kurangnya grounding persisten pada topologi jaringan dan hierarki grup. LLM, ketika di-fine-tune, dapat menerjemahkan intent secara efektif tetapi gagal memverifikasinya terhadap kebijakan keamanan yang ada karena tidak memiliki akses ke fakta jaringan yang mutakhir. NetInspector mengatasi hal ini dengan memisahkan pengambilan informasi dari penalaran, memungkinkan LLM berfokus pada penalaran simbolik sementara Retrieval Layer mengambil fakta relevan dari Environment Layer. Pendekatan ini memiliki beberapa implikasi: - **Keamanan**: Dengan mendasarkan keputusan pada fakta yang dapat diverifikasi, NetInspector mengurangi risiko pelanggaran kebijakan yang dapat timbul dari keputusan LLM tanpa grounding. Hal ini krusial untuk menjaga keamanan jaringan. - **Skalabilitas**: Kerangka ini dapat menangani jaringan berskala besar dengan konfigurasi heterogen, karena Environment Layer menjaga representasi langsung yang dapat ditanyakan secara efisien. - **Generalisasi**: Arsitektur terpisah ini lebih baik dalam menggeneralisasi terhadap pergeseran distribusi, karena penalaran LLM tidak terikat pada frasa atau definisi layanan tertentu. Namun, tantangan tetap ada, seperti menjaga akurasi Environment Layer dan memastikan pengambilan dengan latensi rendah. Penelitian selanjutnya dapat mengeksplorasi integrasi pemantauan jaringan waktu nyata dan strategi pengambilan adaptif. Secara ringkas, NetInspector menunjukkan bahwa LLM dapat diterapkan secara andal pada generasi kebijakan IBN ketika penalarannya didasarkan pada fakta jaringan yang dapat diverifikasi, sehingga mengurangi false negative dan meningkatkan keamanan.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…