Grounding Large Language Models as Generalizable Policies in Network Control
Di cosa parla
Si esplora l'uso di modelli linguistici di grandi dimensioni (LLM), cioè sistemi che apprendono dal testo, per prendere decisioni di controllo nelle reti digitali. Il framework Trailblazer adatta questi modelli al dominio delle reti e li fa collaborare con politiche più semplici per ridurre il carico. Nei test simulati e in un esperimento su una grande piattaforma video, la soluzione riduce le interruzioni e migliora il comportamento della rete.
Cosa permette di osservare
Fa riflettere su se modelli linguistici adattati possano sostituire o integrare regole specializzate nel controllo di rete e su quali scelte pratiche — per esempio usare modelli più piccoli e chiamarli solo quando servono — siano decisive.
Dalla fonte
Designing generalizable control policies that operate reliably under changing conditions is essential for robust network services in modern digital infrastructure. Yet network control remains dominated by specialized policies built from handcrafted rules or deep learning models, which struggle to generalize under real-world dynamics. Large language models (LLMs) offer a promising alternative because of their broad pretrained knowledge and emergent generalization abilities, but their practical adoption in network control is hindered by non-textual observations, constrained action spaces, complex optimization knowledge, and strict real-time requirements. Therefore, we introduce Trailblazer, a systematic framework that combines domain alignment to adapt LLMs for network control with adaptive policy collaboration to reduce inference overhead. Simulations across two heterogeneous network con…