PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27337v1eess.SY

LLM으로 진화하는 검사 가능한 O-RAN 슬라이싱 xApp

Evolving Inspectable O-RAN Slicing xApps with LLMs

오픈 RAN(O-RAN) 슬라이싱 xApp은 채널 조건과 트래픽 수요 변화에 맞춰 자원 할당을 조정하면서 서비스 수준 협약(SLA)을 충족해야 한다. 심층 강화학습은 적응형 정책을 만들 수 있지만, 할당 규칙은 신경망 파라미터에 인코딩된 채로 남는다. 우리의 목표는 이러한 적응성을 유지하면서 컨트롤러의 의사결정 논리를 운영자가 직접 검사하고 편집할 수 있게 하는 것이다. 우리는 대규모 언어 모델(LLM)을 사용해 슬라이싱 컨트롤러를 최적화 이후에도 의사결정 논리가 읽기 쉽고 편집 가능한 컴팩트한 Python 프로그램으로 진화시킨다. LLM은 오프라인으로 후보를 제안하고 수정하며, 보정된 시뮬레이터가 이를 채점하고, 선택된 의사결정 모듈은 O-RAN 제어 경로에서 변경 없이 실행된다. NSF POWDER 5G 테스트베드에서, 진화된 컨트롤러는 지속적인 채널 페이드 하에서 처리량 목표 달성이 불가능해진 보장 슬라이스(guaranteed slice)에서 자원을 해제하여, best-effort 처리량을 158.2 Mbps에서 228.6 Mbps로 개선했으며, 이는 최상의 정적 할당 대비 44.5% 향상이다. 컨트롤러가 읽을 수 있는 소스 코드이므로, 방정식으로부터 동작을 예측할 수 있고, 코드를 읽어 결함을 진단할 수 있으며, 한 줄 편집으로 보정 오류를 수정할 수 있다. 한 사례에서는 SLA 미달을 79.9%에서 2.2%로 줄였고, 다른 사례에서는 적합도(fitness)를 두 배 이상 높였다. 동일 테스트베드에 보정된 4-슬라이스 trace 기반 시뮬레이션에서, 진화적 탐색은 동일한 제안 예산에서 독립적 프롬프팅보다 더 높은 평균 평가 점수를 달성했으며, held-out trace에서의 평균 정규화 이득은 프롬프팅만 16.3%, 처음부터의 진화 32.1%, 시작 프로그램으로부터의 진화 51.0%였다.

arXiv:2504.18902v3cs.NI

순서 인식 서비스 기능 체인 분할을 위한 트랜스포머 기반 액터-크리틱 강화학습

Transformer-Empowered Actor-Critic Reinforcement Learning for Sequence-Aware Service Function Chain Partitioning

전례 없는 데이터 전송 속도, 초저지연, 유비쿼터스 연결성을 특징으로 하는 6G 네트워크 시대가 도래함에 따라, 가상화 네트워크 기능(VNF)의 효과적인 관리가 필수적이다. VNF는 유연하고 확장 가능한 서비스 프로비저닝을 가능하게 하는 기존 하드웨어 장치의 소프트웨어 기반 대응물이다. VNF의 순서 있는 시퀀스로 구성된 서비스 기능 체인(SFC)은 복잡한 네트워크 서비스를 제공하는 데 핵심적인 역할을 한다. 그러나 SFC를 여러 세그먼트로 분할하여 서로 다른 네트워크 도메인이나 인프라 위치에 배포하는 것은, 도메인 특성의 잠재적 이질성과 서비스 품질(QoS) 제약, 그리고 네트워크 상태에 대한 제한적인 가시성으로 인해 상당한 어려움을 수반한다. 기존의 최적화 방법은 확장성이 제한적이며, 기존 데이터 기반 접근법은 효율성과 SFC 내 VNF 상호 의존성 포착 간의 균형을 맞추는 데 어려움을 겪는다. 이러한 한계를 극복하기 위해, 우리는 순서 인식 SFC 분할을 위해 특별히 설계된 트랜스포머 기반 액터-크리틱 프레임워크를 제안한다. 셀프-어텐션 메커니즘을 활용함으로써, 본 접근법은 VNF 간의 복잡한 상호 의존성을 효과적으로 모델링하여 조율된 병렬 의사결정 과정을 촉진한다. 또한, 학습 안정성과 수렴을 향상시키기 위해 $ε$-LoPe 탐험 전략과 Asymptotic Return 정규화를 도입한다. 종합적인 시뮬레이션 결과는 제안된 방법론이 장기 서비스 수용률, 자원 활용도, 확장성 측면에서 기존 최신 솔루션을 능가하는 동시에 빠른 추론을 달성함을 보여준다.

arXiv:2606.26123v1cs.NI

6G SD-RAN에서 동적 VR 슬라이스 관리를 위한 프라이버시 인식 에이전트 협업

Privacy-Aware Agent Collaboration for Dynamic VR Slice Management in 6G SD-RAN

6G SD-RAN에서 VR 슬라이스 동적 자원 관리를 위해 이동성 예측과 정보 병목(information bottleneck) 인코더를 결합한 프라이버시 인식 다중 에이전트 강화학습(MARL) 프레임워크를 제안하여, 협력 에이전트가 사용자 데이터 프라이버시를 보호하면서 end-to-end VR 링크 전반의 자원 분배와 처리량을 최적화한다. 시뮬레이션에서 기존 방법 대비 처리량이 최대 34% 향상되고 자원 사용은 28% 감소하며 프라이버시 유출은 85% 줄어든다.

arXiv:2606.18272v1cs.NI

에너지 효율적인 6G 자율 네트워크를 위한 LLM 기반 에이전트의 앵커링 바이어스 완화

Mitigating Anchoring Bias in LLM-Based Agents for Energy-Efficient 6G Autonomous Networks

6G 제로 터치 네트워크 슬라이싱을 위한 LLM 에이전트 리소스 협상에서 초기 휴리스틱 제안에 고착되는 앵커링 바이어스(anchoring bias)로 과잉 프로비저닝이 발생하는 문제를, 절단 3-매개변수 Weibull 분포 기반 무작위 앵커링과 CVaR(Conditional Value at Risk)을 쓰는 버스트 인식 디지털 트윈(DT)으로 완화하는 프레임워크를 제안한다. 경량 1B 모델(otel-llm-1b-it) 실험에서 SLA 꼬리 지연을 유지하며 시스템 에너지를 최대 25% 절감하고, 평균 0.95초 추론으로 O-RAN non-RT RIC 운영 시간 척도와 호환됨을 확인했다.