A Survey of using Large Language Models for Generating Infrastructure as Code

基础设施即代码（IaC）是一种革命性的方法，在业界获得了显著的重视。IaC使用可读的机器代码来管理和提供IT基础设施，通过实现自动化、跨环境的一致性、可重现性、版本控制、减少错误和增强可伸缩性等功能。然而，IaC编排通常需要专业技能和大量的手动工作，是一项繁琐的工作。在当前的行业条件下，自动化IaC是必要的。在本调查中，我们研究了应用大型语言模型（LLM）解决这个问题的可行性。LLM是基于大型神经网络的模型，具有显著的语言处理能力，并且已经成功地被用于代码理解和生成任务，使它们成为自动生成IaC配置的有前途的选择。在本调查中，我们深入探讨了IaC的细节、在不同平台上使用IaC的情况、它们所面临的挑战、LLM在代码生成方面的应用以及LLM在IaC中的重要性，同时介绍了我们自己的实验。最后，我们总结了该领域的挑战，并强调未来研究的范围。

本文旨在探讨使用大型语言模型（LLMs）自动生成基础设施即代码（IaC）配置的可行性，以解决IaC编排的痛点，即需要专业技能和大量手动操作的问题。

利用大型神经网络模型的代码理解和生成能力，自动生成IaC配置，实现自动化、一致性、可重现性、版本控制和可扩展性等优势。

论文深入探讨了IaC的细节、不同平台上的使用、挑战，以及LLMs在代码生成方面的应用和重要性，并进行了实验验证。实验使用了多个数据集，并提供了开源代码。未来的研究方向包括提高LLMs的准确性和效率，以及在更广泛的IaC场景中的应用。

近期的相关研究包括：《Transformer-based Code Generation for Automated Program Repair》、《CodeBERT: A Pre-Trained Model for Programming and Natural Language Processing》、《Deep Code Comment Generation》等。