Argumentos a favor del uso de modelos de lenguaje a gran escala para automatizar la investigación sobre la medición de Internet

Cuando se produce una interrupción grave de Internet, cada minuto cuenta. Los cortes en varios cables que tuvieron lugar en septiembre de 2025 en el Mar Rojo, que interrumpieron el funcionamiento de 15 sistemas de cable distintos y afectaron, según las estimaciones, al 25 % de todo el tráfico de datos entre Europa y Asia, constituyen un claro recordatorio de este reto.

Durante este tipo de incidentes, los operadores de red y los investigadores deben identificar rápidamente las rutas inactivas, evaluar la pérdida de conectividad y crear flujos de trabajo para evaluar los daños. Sin embargo, resolver esta situación requiere integrar múltiples herramientas de medición especializadas, cada una con sus propios formatos de datos e interfaces, y crear los flujos de trabajo desde cero exige conocimientos especializados en la materia.

En la Universidad de California, Irvine (UCI), mis colegas y yo hemos estado trabajando para cambiar esta situación. En esta entrada, presento ArachNet, el primer sistema que demuestra que los agentes basados en modelos de lenguaje a gran escala (LLM) pueden generar de forma autónoma flujos de trabajo de medición de Internet que captan los patrones de razonamiento de los expertos, transformando una pregunta en lenguaje natural en un análisis completo y ejecutable.

ArachNet: Automatización del proceso de razonamiento

ArachNet constituye un primer paso hacia la democratización de la inteligencia de redes, ya que contribuye a:

• Permite a los nuevos investigadores abordar análisis sofisticados sin necesidad de una especialización profunda en cada herramienta.
• Investigadores con experiencia en gestionar la complejidad de la integración, lo que les permite centrarse en nuevas perspectivas.
• Los operadores de red podrán crear rápidamente flujos de trabajo de diagnóstico durante incidentes críticos.

El sistema aborda la medición de Internet como un problema de composición. Nuestra idea fundamental es que el desarrollo del flujo de trabajo de medición (Figura 1) sigue patrones predecibles: análisis del problema, diseño de la solución, implementación y adaptación.

Llevamos a cabo estas fases a través de cuatro agentes especializados que cuentan con el apoyo del Registro:

1. El Registro (Fundación): La columna vertebral de ArachNet es un catálogo seleccionado de las capacidades de las herramientas de medición. En lugar de exponer el código sin procesar a los agentes (lo que a menudo da lugar a «alucinaciones» o errores de implementación), el Registro proporciona una «API de medición» compacta. Cada entrada especifica las capacidades de una herramienta, los datos de entrada necesarios, los resultados esperados y las restricciones. Esto permite a los agentes comprender lo que una herramienta puede hacer sin verse abrumados por cómo lo hace.
2. QueryMind (The Architect): Este agente descompone las consultas en lenguaje natural en subproblemas estructurados, sacando a la luz complejidades ocultas, como la cartografía de la infraestructura o las correlaciones temporales, que los expertos identifican de forma instintiva.
3. WorkflowScout (El Diseñador): Este agente explora el Registro para identificar las combinaciones óptimas de herramientas, comparando las ventajas e inconvenientes en cuanto a requisitos de datos, complejidad computacional y fiabilidad, con el fin de crear una arquitectura coherente del flujo de trabajo de principio a fin.
4. SolutionWeaver (The Coder): Este agente convierte la arquitectura en código Python ejecutable, gestionando la conversión de formatos entre herramientas heterogéneas e incorporando controles de calidad automatizados —entre los que se incluyen la verificación de la coherencia, la comprobación de la validez de los resultados y la cuantificación de la incertidumbre— para garantizar unos resultados con calidad de investigación.
5. RegistryCurator (El Historiador): A medida que se acumulan los flujos de trabajo exitosos, este agente identifica patrones reutilizables y los vuelve a añadir al Registro, lo que garantiza que las capacidades de ArachNet crezcan de forma orgánica con el tiempo sin necesidad de una intervención manual constante.

De forma predeterminada, ArachNet funciona en modo «estándar» para flujos de trabajo totalmente automatizados. Para aquellos investigadores que prefieran tener un mayor control, el modo «experto» permite a los especialistas en la materia revisar y perfeccionar los resultados de los agentes entre una fase y otra.

Validación mediante estudios de casos

Para validar ArachNet, hemos creado un prototipo utilizando indicaciones especializadas basadas en el Soneto 4 de Claude y lo hemos evaluado frente a escenarios de resiliencia de Internet cada vez más complejos, utilizando Nautilus y Xaminer —ambos desarrollados en la UCI— como puntos de referencia expertos.

Nivel 1: Reproducción del análisis de los expertos

Con el objetivo de determinar el impacto a nivel nacional de un fallo de SeaMeWe-5, ArachNet desarrolló de forma independiente un proceso de procesamiento de aproximadamente 250 líneas de código, siguiendo fielmente el flujo de trabajo de Xaminer sin contar con ninguna orientación previa en materia de arquitectura.

Cabe destacar que ArachNet identificó el mismo número de direcciones IP afectadas que el sistema experto en varios países.

Aunque los porcentajes de impacto finales variaron ligeramente debido a que ArachNet utilizó una métrica basada en direcciones IP en lugar de una basada en enlaces, la plataforma llevó a cabo con éxito las transformaciones de datos fundamentales diseñadas por expertos humanos: identificación de la dependencia del cable, extracción de direcciones IP, cartografía geográfica y agregación a nivel nacional, lo que demuestra que el razonamiento complejo en materia de medición puede automatizarse de forma sistemática.

Nivel 2: Coordinación entre múltiples marcos

Cuando se le solicitó que analizara los efectos en cascada de las averías en los cables submarinos entre Europa y Asia, ArachNet coordinó la integración de cuatro marcos que abarcaban los ámbitos de la infraestructura, la topología y el tiempo. Generó aproximadamente 525 líneas de código para conectar los mapas de cables con el análisis de impacto, implementando filtros geográficos, aprovechando los gráficos de dependencia de AS para modelar la propagación en cascada e integrando datos de BGP y traceroute para el análisis de la evolución temporal. Lo que normalmente requeriría días de coordinación manual se organizó automáticamente en un flujo de trabajo fluido.

Nivel 3: Análisis forense de las causas fundamentales

Partiendo únicamente de la observación de que, desde hacía tres días, se había detectado un aumento repentino de la latencia en las conexiones desde sondas europeas hacia destinos asiáticos, ArachNet llevó a cabo una investigación forense exhaustiva —que incluía la detección de anomalías estadísticas y la evaluación de los cables sospechosos— en aproximadamente 750 líneas de código. Si bien la verificación final sigue beneficiándose de la supervisión humana, el sistema proporcionó una base analítica sólida y un punto de partida forense que se ajusta a la metodología y al rigor de los especialistas en la materia.

Perspectivas de futuro

Si bien nuestros casos prácticos demuestran la equivalencia funcional con las soluciones de los expertos en escenarios específicos, uno de los principales retos pendientes radica en la verificación y validación de los flujos de trabajo generados para consultas novedosas en las que no existe una referencia de referencia proporcionada por expertos.

Otro reto relacionado es cómo debe gestionar el sistema los resultados contradictorios procedentes de diferentes instrumentos de medición.

La aparición de protocolos de comunicación entre agentes, como los protocolos MCP y A2A, también ofrece interesantes oportunidades para estandarizar la forma en que los agentes de IA interactúan con las herramientas de medición. Al permitir una interoperabilidad fluida y de tipo «plug-and-play», estos protocolos podrían permitir que ArachNet integre cualquier nuevo marco de medición sin que los desarrolladores tengan que actualizar manualmente el Registro, lo que podría transformar ArachNet de una implementación personalizada a un ecosistema altamente escalable y basado en estándares.

En definitiva, ArachNet demuestra que los obstáculos para la medición de Internet no son de carácter fundamental, sino que se deben a la propia estructura del sistema. El razonamiento que aplican los expertos es sistemático, y el razonamiento sistemático puede automatizarse.

1. Si desea obtener más información sobre ArachNet, le invitamos a leer nuestro artículo presentado en HotNets'25. Las indicaciones y los casos prácticos de ArachNet son de código abierto. Le recomendamos que visite mi página web (enlace más abajo) para mantenerse al día de las futuras actualizaciones sobre ArachNet.

Alagappan Ramanathan es doctorando en la Universidad de California, Irvine, y becario de investigación de Internet Society Pulse para el año 2023 becario de investigación de Internet Society Pulse.