Arguments en faveur de l'utilisation de grands modèles linguistiques pour automatiser la recherche en matière de mesure de l'Internet

Lorsqu’une perturbation majeure d’Internet survient, chaque minute compte. Les coupures de plusieurs câbles survenues en septembre 2025 en mer Rouge, qui ont sectionné 15 réseaux de câbles distincts et perturbé environ 25 % de l’ensemble du trafic de données entre l’Europe et l’Asie, nous rappellent de manière frappante l’ampleur de ce défi.

Lors de tels événements, les opérateurs de réseau et les chercheurs doivent identifier rapidement les chemins inactifs, évaluer les pertes de connectivité et mettre en place des processus pour évaluer les dégâts. Cependant, pour y parvenir, il est nécessaire d'intégrer plusieurs outils de mesure spécialisés, chacun disposant de ses propres formats de données et interfaces, et la mise en place de ces processus à partir de zéro nécessite une expertise dans ce domaine.

À l'Université de Californie à Irvine (UCI), mes collègues et moi-même nous efforçons de changer cette situation. Dans cet article, je vous présente ArachNet, le premier système à démontrer que des agents basés sur des modèles linguistiques de grande envergure (LLM) sont capables de générer de manière autonome des flux de travail de mesure d’Internet qui reproduisent les schémas de raisonnement des experts, en transformant une question formulée en langage naturel en une analyse complète et exécutable.

ArachNet : automatisation du processus de raisonnement

ArachNet constitue une première étape vers la démocratisation de l'intelligence réseau, en contribuant à :

• Permet aux nouveaux chercheurs de mener des analyses complexes sans avoir besoin d'une spécialisation approfondie dans chaque outil.
• Des chercheurs expérimentés, capables de gérer la complexité de l'intégration, ce qui leur permet de se concentrer sur des perspectives novatrices.
• Permettre aux opérateurs réseau de mettre rapidement en place des processus de diagnostic lors d'incidents critiques.

Le système aborde la mesure sur Internet comme un problème de composition. Notre principale constatation est que le développement d'un processus de mesure (figure 1) suit des schémas prévisibles : analyse du problème, conception de la solution, mise en œuvre et adaptation.

Nous mettons en œuvre ces phases par l'intermédiaire de quatre agents spécialisés, soutenus par le Registre :

1. Le Registre (Fondation) : La colonne vertébrale d’ArachNet est un catalogue soigneusement sélectionné répertoriant les capacités des outils de mesure. Plutôt que d’exposer le code brut aux agents (ce qui entraîne souvent des « hallucinations » ou des erreurs d’implémentation), le Registre fournit une « API de mesure » compacte. Chaque entrée précise les capacités d’un outil, les données d’entrée requises, les résultats attendus et les contraintes. Cela permet aux agents de comprendre ce qu’un outil est capable de faire sans être submergés par la manière dont il procède.
2. QueryMind (l'Architecte) : Cet agent décompose les requêtes en langage naturel en sous-problèmes structurés, mettant ainsi en évidence des complexités cachées, telles que la cartographie des infrastructures ou les corrélations temporelles, que les experts identifient instinctivement.
3. WorkflowScout (le concepteur) : cet agent explore le registre afin d'identifier les combinaisons d'outils optimales, en comparant les compromis en matière d'exigences de données, de complexité de calcul et de fiabilité, afin de produire une architecture de workflow de bout en bout cohérente.
4. SolutionWeaver (The Coder) : cet agent convertit l'architecture en code Python exécutable, assure la conversion de format entre des outils hétérogènes et intègre des contrôles de qualité automatisés, notamment la vérification de la cohérence, la validation des résultats et la quantification de l'incertitude, afin de garantir des résultats de qualité scientifique.
5. RegistryCurator (l'historien) : À mesure que les flux de travail efficaces s'accumulent, cet agent identifie les modèles réutilisables et les réintègre dans le registre, garantissant ainsi que les capacités d'ArachNet se développent de manière organique au fil du temps, sans intervention manuelle constante.

Par défaut, ArachNet fonctionne en mode « standard » pour des flux de travail entièrement automatisés. Pour les chercheurs qui souhaitent disposer d'un plus grand contrôle, un mode « expert » permet aux spécialistes du domaine de vérifier et d'affiner les résultats générés par les agents entre chaque étape.

Validation à travers des études de cas

Afin de valider ArachNet, nous avons développé un prototype utilisant des invites spécialisées inspirées du Sonnet n° 4 de Claude, puis nous l'avons évalué face à des scénarios de résilience Internet de difficulté croissante, en utilisant Nautilus et Xaminer, tous deux développés à l'UCI, comme références expertes.

Niveau 1 : Reproduire l'analyse d'un expert

Chargé d'évaluer l'impact au niveau national d'une défaillance de SeaMeWe-5, ArachNet a développé de manière indépendante un pipeline de traitement d'environ 250 lignes de code, en suivant scrupuleusement le flux de travail Xaminer sans aucune indication préalable concernant l'architecture.

Il est remarquable de constater qu'ArachNet a identifié le même nombre d'adresses IP concernées que le système expert, et ce dans plusieurs pays.

Bien que les pourcentages d'impact finaux aient légèrement varié, ArachNet ayant utilisé un indicateur basé sur les adresses IP plutôt que sur les liaisons, le système a réussi à mettre en œuvre les transformations de données fondamentales conçues par des experts humains : identification de la dépendance au câble, extraction des adresses IP, cartographie géographique et agrégation au niveau national, démontrant ainsi que les raisonnements complexes en matière de mesure peuvent être systématiquement automatisés.

Niveau 2 : Orchestration multi-frameworks

Lorsqu’on lui a demandé d’analyser les effets en cascade des pannes de câbles sous-marins entre l’Europe et l’Asie, ArachNet a orchestré l’intégration de quatre cadres couvrant les domaines de l’infrastructure, de la topologie et du temps. Elle a généré environ 525 lignes de code pour relier les schémas de câblage à l’analyse d’impact, en mettant en œuvre un filtrage géographique, en exploitant les graphes de dépendance des AS pour la modélisation de la propagation en cascade, et en intégrant les données BGP et traceroute pour l’analyse de l’évolution temporelle. Ce qui aurait normalement nécessité plusieurs jours de coordination manuelle a été automatiquement assemblé en un flux de travail homogène.

Niveau 3 : Analyse approfondie des causes profondes

Partant du simple constat qu'une augmentation soudaine de la latence avait été observée entre les sondes européennes et les destinations asiatiques depuis trois jours, ArachNet a mis en œuvre une enquête technique approfondie, comprenant la détection d'anomalies statistiques et l'évaluation des câbles suspects, le tout en environ 750 lignes de code. Bien que la vérification finale nécessite toujours une supervision humaine, le système a fourni une base analytique solide et un point de départ pour l’analyse, qui correspondent à la méthodologie et à la rigueur des spécialistes du domaine.

Perspectives d'avenir

Bien que nos études de cas démontrent une équivalence fonctionnelle avec les solutions proposées par des experts dans des scénarios spécifiques, un défi majeur reste à relever : celui de la vérification et de la validation des flux de travail générés pour des requêtes inédites, pour lesquelles il n'existe aucune référence établie par des experts.

Un autre défi consiste à déterminer comment le système doit traiter les résultats contradictoires fournis par différents outils de mesure.

L'émergence de protocoles de communication entre agents, tels que les protocoles MCP et A2A, offre également des perspectives prometteuses pour normaliser la manière dont les agents d'IA interagissent avec les outils de mesure. En permettant une interopérabilité transparente et « plug-and-play », ces protocoles pourraient permettre à ArachNet d’intégrer n’importe quel nouveau cadre de mesure sans que les développeurs aient à mettre à jour manuellement le registre, ce qui pourrait transformer ArachNet, passant d’une implémentation sur mesure à un écosystème hautement évolutif et fondé sur des normes.

En fin de compte, ArachNet démontre que les obstacles à la mesure d'Internet ne sont pas de nature fondamentale ; ils sont de nature compositionnelle. Le raisonnement utilisé par les experts est systématique, et un raisonnement systématique peut être automatisé.

1. Si vous souhaitez en savoir plus sur ArachNet, je vous invite à consulter notre article présenté lors de la conférence HotNets'25. Les consignes et les études de cas d'ArachNet sont disponibles en open source. Restez à l'écoute sur mon site web (lien ci-dessous) pour les prochaines mises à jour concernant ArachNet.

Alagappan Ramanathan est doctorant à l’Université de Californie à Irvine et boursier 2023 chercheur au programme Pulse de l’Internet Society.