arXiv cs.AI· Hongyu H\`e, Alexander Krentsel, Sylvia Ratnasamy, Maria Apostolaki·· 11 小时前AI 评分31
Autogram：用 LLM 引导语法归纳自动发现网络系统不变量
Invariant Discovery for Networked Systems
AI 导读
Autogram 让 LLM 检查变量元数据、分类计数器数据类型并预测候选语法关系，再在生成的紧凑语法内做确定性统计搜索，若无法恢复已知不变量则让 LLM 迭代扩宽语法。该方法将 LLM 限定在语法归纳与再归纳环节，候选验证交给逻辑与统计检查，从而把非确定性 AI 提议转为可审计、有形式化保证的不变量。在公开与生产 WAN 遥测数据上，Autogram 以完整召回率和低误报恢复了专家推导的不变量。
正文 · AI 翻译
摘要：不变量，即网络测量信号之间预期成立的关系，支撑着从验证到流量生成、遥测插补和输入校验等应用。然而，手工编写不变量需要同时具备形式逻辑与网络领域的稀缺专业知识。在网络规模下，对所有遥测变量组合进行统计测试是不可行的，而现有自动工具仍需要人工编写可接受不变量的文法，并且只能学习精确的“硬”规则，这些规则在现实噪声下会失效。我们的核心思路是利用 LLM 检查变量元数据、对计数器数据类型进行分类，并预测构成紧凑文法的候选句法关系，随后在该文法内进行确定性统计搜索。如果初始文法未能在留出遥测数据上恢复可信的已知不变量，Autogram 会指示 LLM 迭代扩展文法，直到恢复成功。通过将 LLM 限制在文法归纳与再归纳环节，而将候选验证委托给逻辑与统计检查，Autogram 将非确定性的 AI 提议转化为在归纳文法内具有形式化保证的可审计不变量。我们设计并实现了 Autogram 原型，并在公开与生产 WAN 遥测数据上对其进行评估，以完整召回率和低误报率恢复了专家推导的不变量。最后，我们讨论了迈向完全开放式不变量发现之路上的开放问题。
| 评论： | ACM HotNets 2026 |
| 主题： | 网络与互联网架构（cs.NI）；人工智能（cs.AI）；机器学习（cs.LG）；符号计算（cs.SC） |
| MSC 分类： | 68M15（主），68T27，68T05（次） |
| ACM 分类： | C.2.3；I.2.6；I.2.3 |
| 引用为： | arXiv:2607.22944 [cs.NI] |
| （或本版本的 arXiv:2607.22944v2 [cs.NI]） | |
| https://doi.org/10.48550/arXiv.2607.22944 arXiv 通过 DataCite 颁发的 DOI |
|
| 相关 DOI： | https://doi.org/10.1145/3847290.3859952
链接到相关资源的 DOI |
提交历史
来自：Hongyu Hè [查看邮箱]
[v1]
2026年7月24日星期五 23:07:31 UTC（519 KB）
[v2]
2026年11月5日星期四 00:15:25 UTC（306 KB）
来源：arXiv cs.AI · arxiv.org