大语言模型作为网络优化的通用策略
机器学习
2025-12-16 v1
摘要
设计控制策略以确保稳健的网络服务对现代数字基础设施至关重要。然而，网络优化的主导范式依赖于基于手工规则或深度学习模型设计专用策略，导致在多样任务和环境上的泛化能力较差。相比之下，在互联网规模语料上预训练的大语言模型（LLM）提供了一个丰富且统一的知识库，编码了基础网络原理。结合其向未见场景泛化的涌现能力，LLM 为可以跨多样任务和环境泛化的通用网络策略提供了一个变革性的基础。在本文中，我们提出了 Trailblazer，这是实现此类网络通用策略的第一个系统性框架。Trailblazer 包含一个网络对齐方案，将 LLM 锚定在特定网络任务上，以及一个自适应策略协作机制，将简单控制案例从 LLM 卸载到轻量级策略以提高计算效率。通过广泛的模拟和在抖音（中国版 TikTok）上的大规模真实在线评估，Trailblazer 由单个 LLM 驱动，展示了比传统专用策略更强的跨任务和跨环境泛化能力。我们的结果验证了 LLM 作为通用网络策略基础的地位，并将 Trailblazer 定位为迈向通用驱动范式的第一步，该范式以最少的策略设计努力实现强泛化。
引用
@article{arxiv.2512.11839,
title = {Large Language Models as Generalist Policies for Network Optimization},
author = {Duo Wu and Linjia Kang and Zhimin Wang and Fangxin Wang and Wei Zhang and Xuefeng Tao and Wei Yang and Le Zhang and Peng Cui and Zhi Wang},
journal= {arXiv preprint arXiv:2512.11839},
year = {2025}
}
备注
In submission. Project homepage: https://duowuyms.github.io/trailblazer