PSLM_NetConfig: Uma Abordagem Eficiente em Recursos para Geração de Configurações de Rede a partir de Intenções em Linguagem Natural
Resumo
A autoconfiguração orientada por intenções emergiu como uma capacidade central dentro do paradigma de Gerenciamento Zero-touch Network and Service Management (ZSM). Embora abordagens baseadas em Small Language Models (SLM) adaptadas com LoRA tenham apresentado resultados expressivos na tradução de intenções em linguagem natural para configurações de rede, elas ainda dependem de processos de adaptação que permanecem computacionalmente custosos em termos de tempo, memória e número de parâmetros treináveis. Para enfrentar essa limitação, este trabalho propõe o PSLM_NetConfig, uma abordagem que combina Prompt Tuning com técnicas estruturadas de engenharia de prompt sobre um modelo de linguagem pequeno fundacional, preservando os pesos e atualizando apenas 0,003% de seus parâmetros. A melhor configuração, baseada em Meta Prompting, alcançou 53,3% de acurácia sintática e 70,0% de acurácia de objetivo, aproximandose do desempenho do mesmo modelo ajustado por fine-tuning, com redução de aproximadamente 72% no tempo de treinamento e 44% no uso de memória. Esses resultados indicam que a combinação entre Prompt Tuning e prompting estruturado constitui uma alternativa eficiente e computacionalmente leve ao fine-tuning para a geração de configurações de rede em cenários com restrições de recursos.
Referências
Cisco Systems (2006). Cisco ios (internetwork operating system). [link]. Documento ID: 13178. Última actualización: 2 de febrero de 2006.
Cisco Systems (2024). Cisco ios xe 16 release notes. [link]. Accessed: 2026-03-31.
de Lima, M. A. P., da Silva, E. A., and da Silva, A. S. (2024). Um estudo sobre o uso de modelos de linguagem abertos na tarefa de recomendação de próximo item. In Anais do XXXIX Simpósio Brasileiro de Bancos de Dados (SBBD), pages 510–522, Porto Alegre, RS, Brasil. Sociedade Brasileira de Computação (SBC).
Dettmers, T. et al. (2023). Qlora: Efficient finetuning of quantized llms. In Proceedings of NeurIPS. arXiv:2305.14314.
El Rajab, M., Yang, L., and Shami, A. (2024). Zero-touch networks: Towards next-generation network automation. Computer Networks, 243:110294.
ETSI ISG ZSM (2018). Zero touch network & service management (zsm) standards. Technical report, ETSI.
Hu, E. J., Shen, Y., Wallis, P., Allen-Zhu, Z., Li, Y., Wang, S., Wang, L., Chen, W., et al. (2022). Lora: Low-rank adaptation of large language models. Iclr, 1(2):3.
Huang, L., Yu, W., Ma, W., Zhong, W., Feng, Z., Wang, H., Chen, Q., Peng, W., Feng, X., Qin, B., and Liu, T. (2025). A survey on hallucination in large language models: Principles, taxonomy, challenges, and open questions. ACM Trans. Inf. Syst., 43(2).
Huang, S., Yang, K., Qi, S., and Wang, R. (2024). When large language model meets optimization. Swarm and Evolutionary Computation, 90:101663.
Hugging Face H4 Team (2023). Zephyr-7b-beta: A dpo-aligned 7b parameter language model. [link]. Accessed: 2026-03-31.
Lester, B., Al-Rfou, R., and Constant, N. (2021). The power of scale for parameter-efficient prompt tuning. In Proceedings of EMNLP, pages 3045–3059.
Lira, O. G., Caicedo, O. M., and da Fonseca, N. L. (2024). Large language models for zero touch network configuration management. IEEE Communications Magazine, 63(7):146–153.
Lira, O. G., Caicedo, O. M., and da Fonseca, N. L. S. (2025). Network self-configuration based on fine-tuned small language models. IEEE Open Journal of the Communications Society.
Liyanage, M., Pham, Q.-V., Dev, K., Bhattacharya, S., Maddikunta, P. K. R., Gadekallu, T. R., and Yenduri, G. (2022). A survey on zero touch network and service management (zsm) for 5g and beyond networks. Journal of Network and Computer Applications, 203:103362.
Pang, L., Yang, C., Chen, D., Song, Y., and Guizani, M. (2020). A survey on intent-driven networks. IEEE Access, 8:22862–22873.
Parthasarathy, V. B., Zafar, A., Khan, A., and Shahid, A. (2024). The ultimate guide to fine-tuning llms from basics to breakthroughs: An exhaustive review of technologies, research, best practices, applied research challenges and opportunities. arXiv preprint arXiv:2408.13296.
Suzgun, M. and Kalai, A. T. (2024). Meta-prompting: Enhancing language models with task-agnostic scaffolding.
Tonmoy, S., Zaman, S., Jain, V., Rani, A., Rawte, V., Chadha, A., and Das, A. (2024). A comprehensive survey of hallucination mitigation techniques in large language models. arXiv preprint arXiv:2401.01313, 6.
Wang, C., Scazzariello, M., Farshin, A., Kostic, D., and Chiesa, M. (2023). Making network configuration human friendly. arXiv preprint arXiv:2309.06342.
Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E. H., Le, Q., and Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large language models. arXiv preprint arXiv:2201.11903.
XU, L., XIE, H., QIN, S., TAO, X., and WANG, F. (2026). Parameter-efficient fine-tuning methods for pretrained language models : A critical review and assessment. IEEE Transactions on Pattern Analysis and Machine Intelligence. Publisher Copyright: © 1979-2012 IEEE.
Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., and Cao, Y. (2023). React: Synergizing reasoning and acting in language models. arXiv preprint arXiv:2210.03629.
Zhang, Y. (2024). Meta prompting for ai systems. arXiv preprint arXiv:2311.11482.
Zheng, L., Chiang, W.-L., Sheng, Y., Zhuang, S., Wu, Z., Zhuang, Y., Lin, Z., Li, Z., Li, D., Xing, E. P., Zhang, H., Gonzalez, J. E., and Stoica, I. (2023). Judging llm-as-a-judge with mt-bench and chatbot arena. arXiv preprint arXiv:2306.05685.
