AI-Assisted Network Automation : Evaluating LLM-driven Configuration in Resource-Constrained Environments

Sammanfattning

Denna studie utforskar möjligheten att använda artificiell intelligens (AI) och språkmodeller (LLM) för att automatisera nätverkskonfiguration på fysisk Cisco-utrustning. Traditionell nätverksautomation förlitar sig ofta på statiska skript, vilka ibland saknar den dynamiska anpassningsförmåga som generativ AI kan erbjuda. Samtidigt utgör lokala resursbegränsningar ett hinder för att köra mer avancerade språkmodeller direkt på administratörers bärbara fältdatorer. Syftet med detta examensarbete är att utveckla och utvärdera en mjukvaruarkitektur som kommunicerar med nätverks-utrustning direkt via seriella konsolportar (Out-of-Band). Projektet undersöker hur modellstorlek och minnesbegränsningar påverkar systemets förmåga att generera syntaktiskt korrekt Cisco IOS-kod i resursbegränsade miljöer. Metoden baserades på iterativ prototypframtagning, där ett Pythonskript utvecklades för att fungera som en brygga mellan hårdvaran och AI-modellen via pySerial. Testerna utfördes i en distribuerad hybridarkitektur där modellen (Gemma 26B) exekverades på en beräkningsnod med begränsad grafikminneskapacitet (NVIDIA RTX 5070 Ti) och nåddes över nätverket via Tailscale VPN. Resultaten visade att fullständig AI-autonomi över hela nätverkstopologin ledde till överbelastning av grafikminnet (VRAM) och API-timeouts, eftersom modellens logiska slutledning (Reasoning) krävde en för stor kontext. För att hantera detta implementerades en Human-in-the-Loop-arkitektur. Ett fristående skript (MAP) användes för att deterministiskt kartlägga nätverket via CDP. Med denna data styrdes agenten därefter via Micro-Prompting, där modellen konfigurerade en specifik enhet i taget inuti ett skyddat mjukvaruramverk. Denna optimering möjliggjorde en konsekvent och korrekt konfiguration av värdnamn, gränssnitt och dynamisk routing (OSPF) på 15–30 sekunder per uppgift. Slutsatsen är att lokala språkmodeller kan vara effektiva verktyg för nätverksautomation, förutsatt att de tillämpas som asynkrona kodö-versättare för avgränsade uppgifter snarare än för övergripande autonom hantering av hela nätverkssystem.