Intent translation for computing continuum management through knowledge-graph-enabled agentic reasoning

Abstract

Das Computing Continuum ermöglicht die Bereitstellung von Anwendungen über das gesamte Spektrum der Infrastruktur hinweg, von den kleinsten Knoten bis hin zu groß angelegten Cloud-Ressourcen und von Computing- bis hin zu Netzwerkkomponenten, und bietet damit ein hohes Maß an Flexibilität. Diese Flexibilität bringt jedoch auch erhebliche Herausforderungen mit sich: Infrastrukturen umfassen oft mehrere Domänen, Anbieter und Eigentümer, was die Verwaltung komplex und die Koordination schwierig macht.Das ursprünglich im Netzwerkbereich entwickelte Intent-Based Management wurde kürzlich als Möglichkeit untersucht, die Verwaltungsherausforderungen des gesamten Computing Continuum zu bewältigen. Die Kernidee besteht darin, Details der Low-Level-Konfiguration zu abstrahieren und eine automatische Anpassung zu ermöglichen, um die von den Anwendungsbesitzern definierten Ziele auf Service- oder Ressourcenebene zu erreichen. Auf diese Weise können sich Dienstanbieter auf die Festlegung des gewünschten Anwendungsverhaltens konzentrieren und die komplexen Konfigurationsaufgaben an automatisierte Mechanismen delegieren. Multi-Domain-Management-Tools zielen darauf ab, die Ziele auf Unternehmensebene zu optimieren, indem sie das Ressourcenmanagement domänenübergreifend koordinieren und im Laufe der Zeit lernen, global optimale Lösungen zu liefern. Eine zentrale Herausforderung besteht jedoch weiterhin darin, wie in natürlicher Sprache ausgedrückte Absichten in umsetzbare Lernziele übersetzt werden können, die von diesen Tools genutzt werden können. Diese Arbeit schließt diese Lücke, indem ein Framework vorgeschlagen wird, das benutzerdefinierte, anwendungsbezogene Ziele in eine Reinforcement-Learning- (RL)-Umgebung übersetzt. Jüngste Fortschritte im Bereich der Large Language Models (LLMs) – insbesondere ihre Stärken im Sprachverständnis und in der Code-Generierung – eröffnen neue Möglichkeiten für eine solche Übersetzung. Unser Ansatz nutzt eine Multi-Agenten-LLM-Architektur, in der spezialisierte Agenten gemeinsam verschiedene Phasen des Übersetzungsprozesses bearbeiten. Um die Übersetzung an die Zielinfrastruktur anzupassen, integrieren wir Wissen aus einem domänenspezifischen Knowledge Graph, der die dynamischen Eigenschaften des Computing Continuum sowie Abhängigkeiten zwischen seinen Ressourcen erfasst. Das Ergebnis ist eine RL-Umgebung, deren Belohnungsfunktion die Geschäftsintention des Nutzers widerspiegelt und deren Aktionsraum die Anpassungsoptionen darstellt, die den Ressourcenmanagement-Tools zur Verfügung stehen. Auf diese Weise erzeugt unser Framework selbstlernende Umgebungen, die sich sowohl an dynamische Infrastrukturen als auch an sich entwickelnde Benutzerzieleanpassen können. Wir evaluieren das Framework anhand von simulierten sowie realen Infrastrukturszenarien und zeigen, dass die generierten Umgebungen erfolgreich lernen können, übergeordnete Geschäftsziele zu erfüllen.

The Computing Continuum enables applications to be deployed across the full spectrum of infrastructure, from the smallest nodes to large-scale cloud resources, and from computing to networking components, offering a high degree of flexibility. However, this flexibility also introduces significant challenges: infrastructures often involve multiple domains, vendors, and owners, making management complex and coordination difficult.Originally developed in the networking domain, Intent-Based Management has recently been investigated as a way to address the management challenges of the entire Computing Continuum. Its core idea is to abstract low-level configuration details and enable automatic adaptation to meet service- or resource-level objectives defined by application owners. In this way, service providers can focus on specifying the desired application behavior while delegating the complex configuration tasks to automated mechanisms. Multi-domain management tools aim to optimize business-level objectives by coordinating resource management across domains and by learning over time to deliver globally optimal solutions. However, a key challenge remains in how intents expressed in natural language can be translated into actionable learning objectives usable by these tools. This thesis addresses that gap by proposing a framework that translates user-defined application-level goals into a Reinforcement Learning (RL) environment. Recent advances in Large Language Models (LLMs), particularly their strengths in natural language understanding and code generation, open new opportunities for such translation. Our approach leverages a multi-agent LLM architecture, where specialized agents collaboratively handle different stages of the translation workflow. To align the translation with the target infrastructure, we integrate knowledge from a domain-specific Knowledge Graph, which captures the dynamic characteristics of the Computing Continuum and dependencies between its resources. The output is an RL environment whose reward function reflects the user’s business intent and whose action space represents the adaptation options available to resource management tools. In this way, our framework generates self-learning environments capable of aligning with both dynamic infrastructures and evolving user intents. We evaluate the framework using simulated and emulated infrastructure setups, demonstrating that the generated environments can successfully learn to fulfill high-level business objectives.