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.