Intent2Tc: Automated Intent-to-Traffic Control Translation with Language Models

📄 arXiv: 2609.31397v1 📥 PDF

作者: Andrea Masini, Sudipta Acharya, Paolo Bellavista, Luca Foschini, Burak Kantarci

分类: cs.NI, cs.AI, cs.CL

发布日期: 2026-09-25

备注: 6 pages, 6 figures, Accepted to IEEE Conference on Future Communications and Networks (FCN) 2026

💡 一句话要点

提出Intent2Tc以解决高层服务意图与网络配置间的翻译问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 意图识别 流量管理 语言模型 网络配置 自动化 服务质量 数字双胞胎 知识重用

📋 核心要点

  1. 现有方法在将业务级意图转化为可执行网络配置时复杂且易出错，缺乏有效的自动化解决方案。
  2. 论文提出的Intent2Tc框架通过语言模型将高层意图转化为可执行的流量控制配置，提升了语义一致性和配置可靠性。
  3. 实验结果显示，使用Claude Sonnet-4.6模型时，语义相似度达到0.98，语义单元覆盖率为1.0，展示了优异的翻译性能。

📝 摘要（中文）

自动化且高效的服务质量（QoS）执行需要将高层服务意图转化为可部署的流量管理策略。尽管基于意图的网络（IBN）简化了策略规范，但在业务级意图与可执行网络配置之间架起桥梁仍然复杂且易出错。本文提出了Intent2Tc，一个闭环的语言模型驱动框架，能够将业务级流量整形意图翻译为声明式子意图，并进一步转化为经过验证的可执行Linux流量控制（tc）配置。该框架集成了基于主动队列管理（AQM）的数字双胞胎（DT）语义模型、自动元数据提取、基于批判驱动的优化和基于检索增强生成（RAG）的知识重用，以提高语义一致性和配置可靠性。通过对多个开源大语言模型（LLMs）和小语言模型（SLMs）的评估，Intent2Tc在100个符合RFC 9315的流量整形意图上表现出高语义保真度和配置准确性。

🔬 方法详解

问题定义：本文旨在解决高层业务意图与可执行网络配置之间的翻译难题。现有方法在此过程中常常复杂且易出错，缺乏有效的自动化手段。

核心思路：Intent2Tc框架通过闭环的语言模型驱动机制，将业务级流量整形意图转化为声明式子意图，并最终生成可执行的Linux流量控制配置。这样的设计旨在提高语义一致性和配置的可靠性。

技术框架：该框架主要包括四个模块：基于AQM的数字双胞胎语义模型、自动元数据提取、批判驱动的优化和基于RAG的知识重用。整体流程为：首先提取意图，接着生成子意图，最后转化为tc配置。

关键创新：最重要的创新点在于结合了RAG技术，显著提高了语义一致性和配置的可靠性，同时降低了模型的token消耗和推理延迟。与现有方法相比，Intent2Tc在语义翻译的准确性上有显著提升。

关键设计：在模型选择上，论文评估了多种开源LLMs和SLMs，Claude Sonnet-4.6模型在语义相似度和覆盖率上表现优异，此外，RAG的应用使得小型模型如Phi-4-mini能够接近大型模型的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Intent2Tc在翻译过程中实现了高语义保真度，Claude Sonnet-4.6模型的语义相似度达到0.98，语义单元覆盖率为1.0，且归一化编辑距离仅为0.045。此外，RAG技术的应用显著降低了token消耗和推理延迟，使得小型模型的性能接近大型模型。

🎯 应用场景

该研究的潜在应用领域包括智能网络管理、服务质量保障和自动化流量控制等。通过自动化意图翻译，网络管理员可以更高效地配置网络，减少人为错误，提高网络服务的可靠性和灵活性。未来，该框架有望在更广泛的网络环境中推广应用，推动网络管理的智能化进程。

📄 摘要（原文）

Automated and highly usable Quality-of-Service (QoS) enforcement requires translating high-level service intents into deployable traffic-management policies. Although intent-based networking (IBN) has simplified policy specification, bridging the gap between business-level intents and executable network configurations remains complex, error-prone, and difficult to automate. This paper presents Intent2Tc, a closed-loop language-model-driven framework that translates business-level traffic-shaping intents into declarative sub-intents and subsequently into validated, executable Linux traffic control (tc) configurations. The framework integrates an Active Queue Management (AQM)-based digital twin (DT) semantic model, automated metadata extraction, critique-driven refinement, and Retrieval-Augmented Generation (RAG)-based knowledge reuse to improve semantic consistency and configuration reliability. We evaluate multiple open-source large language models (LLMs) and small language models (SLMs), together with Claude Sonnet-4.6, on 100 Request for Comments (RFC) 9315-compliant traffic-shaping intents. Across both translation stages, Intent2Tc achieves high semantic fidelity, configuration accuracy, and deployment readiness, with Claude Sonnet-4.6 reaching 0.98 semantic similarity, 1.0 semantic unit coverage, and 0.045 normalized edit distance. Furthermore, RAG reduces token consumption and inference latency while enabling compact models such as Phi-4-mini to approach the performance of substantially larger models. Linux tc serves as the target configuration platform, demonstrating the practical applicability of the proposed framework.