🤖 AI

LLM-Based Agentic Negotiation for 6G: Addressing Uncertainty Neglect and Tail-Event Risk

Dieser Beitrag schlägt ein risikobewusstes, auf LLMs basierendes agentisches Verhandlungsframework für 6G-Netze vor, das Digital Twins und den Conditional Value-at-Risk (CVaR) nutzt, um den Verzerrungseffekt der Vernachlässigung von Unsicherheiten zu überwinden, wodurch SLA-Verletzungen und Risiken von Extremereignissen bei der Ressourcenallokation beseitigt werden, während gleichzeitig machbare Inferenzgeschwindigkeiten gewahrt bleiben.

Ursprüngliche Autoren: Hatim Chergui, Farhad Rezazadeh, Mehdi Bennis, Merouane Debbah, Christos Verikoukis

Veröffentlicht 2026-05-04

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Hatim Chergui, Farhad Rezazadeh, Mehdi Bennis, Merouane Debbah, Christos Verikoukis

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich das zukünftige Internet (genannt 6G) als ein riesiges, belebtes Autobahnsystem vor, auf dem verschiedene Fahrzeugtypen gleichzeitig fahren müssen. Einige sind schwere LKWs, die enorme Datenmengen transportieren (wie das Streamen von Filmen), andere sind winzige, superschnelle Rennwagen, die unbedingt sofort ankommen müssen (wie autonome Fahrzeuge oder Fernoperationen).

Um den Verkehrsfluss aufrechtzuerhalten, benötigt die Autobahn eine intelligente Verkehrssteuerung. In diesem Papier schlagen die Autoren vor, KI-Agenten (intelligente Computerprogramme) zu verwenden, um auszuhandeln, wer wie viel Straßenraum und Rechenleistung erhält.

Es gibt jedoch ein großes Problem: Diese KI-Agenten sind anfällig für eine bestimmte Art von „kognitiver Blindheit".

Das Problem: Die „Durchschnitts"-Falle

Das Papier argumentiert, dass aktuelle KI-Agenten unter Vernachlässigung von Unsicherheit leiden. Stellen Sie sich das wie einen Wettervorhersager vor, der nur die durchschnittliche Temperatur für die nächste Woche betrachtet.

Der verzerrte Agent: „Die Durchschnittstemperatur beträgt 21 °C, also ist es ein perfekter Tag für ein Picknick!"
Die Realität: Der Durchschnitt verschleiert die Tatsache, dass es am Dienstag einen massiven Blizzard geben wird, der das Picknick absagt.

In der 6G-Welt ist der „Blizzard" ein plötzlicher, extremer Anstieg des Netzwerkverkehrs (ein „Tail-Event"). Wenn der KI-Agent nur den durchschnittlichen Verkehr plant, weist er genau genug Ressourcen zu, um das Überleben zu sichern. Doch wenn dieser seltene, massive Anstieg eintritt, bricht das Netzwerk zusammen, und die „Rennwagen" (kritische Dienste) verpassen ihre Fristen.

Die Lösung: Der „paranoide" Planer

Die Autoren schlagen ein neues, „unverzerrtes" Framework vor, das den KI-Agenten zwingt, aufhören, auf Durchschnitte zu schauen, und stattdessen Schlimmstszenarien zu betrachten. Sie verwenden drei Hauptwerkzeuge, um dies zu beheben:

1. Der Digitale Zwilling (die Glaskugel)

Anstatt zu raten, nutzt der KI-Agent einen Digitalen Zwilling. Stellen Sie sich eine perfekte, virtuelle Kopie des gesamten Autobahnsystems vor, die in einem Simulator läuft. Bevor eine Entscheidung getroffen wird, führt der KI-Agent in diesem Zwilling Tausende von Simulationen durch, um jedes mögliche Ergebnis zu sehen, einschließlich der seltenen, chaotischen.

2. CVaR (das „Schlimmstfall"-Sicherheitsnetz)

Das Papier führt ein mathematisches Konzept namens Conditional Value-at-Risk (CVaR) ein.

Alter Weg: „Wie hoch ist die durchschnittliche Verzögerung?"
Neuer Weg: „Wenn wir uns im schlimmsten 0,001 % aller Staus befinden, wie schlimm wird die Verzögerung sein?"
Der KI-Agent ist nun so programmiert, dass er sicherstellt, dass selbst in diesen Schlimmstszenarien die „Rennwagen" pünktlich ankommen. Er baut ein massives Sicherheitspuffer auf, genau wie ein Pilot, der auch dann für einen Sturm plant, wenn die Vorhersage Sonnenschein meldet.

3. Vertrauensprüfung (der „Ich bin mir nicht sicher"-Knopf)

Manchmal ist die Glaskugel des KI-Agenten (der Digitale Zwilling) unscharf, weil er nicht genügend Daten hat. Das neue Framework zwingt den KI-Agenten, einzugestehen: „Ich bin mir bei dieser Vorhersage nicht zu 100 % sicher."

Wenn der KI-Agent unsicher ist, geht er automatisch davon aus, dass die Situation schlimmer ist als sie aussieht, und fordert mehr Ressourcen zur Sicherheit an.
Dies verhindert, dass der KI-Agent riskante Wetten auf wackeligen Daten basiert.

Das Experiment: LKWs gegen Rennwagen

Die Autoren testeten dies in einer Simulation mit zwei Agenten:

Der eMBB-Agent: Repräsentiert die „LKWs" (Video-Streaming). Sie können einige Verzögerungen verkraften.
Der URLLC-Agent: Repräsentiert die „Rennwagen" (kritische Daten). Sie haben eine strikte Frist von 10 Millisekunden.

Die Ergebnisse:

Der verzerrte Agent (Alter Weg): Er versuchte, Energie zu sparen, indem er das absolute Minimum an Ressourcen zuwies. Auf dem Papier sah es gut aus, aber bei 200 Versagen scheiterte er 11 Mal, wodurch die „Rennwagen" ihre Fristen verpassten. Es war eine falsche Sparsamkeit: wenig Energie sparen, aber das Risiko eines Absturzes eingehen.
Der unverzerrte Agent (Neuer Weg): Er wies etwas mehr Ressourcen zu, um ein Sicherheitspuffer aufzubauen.
- Ergebnis: Null Ausfälle. Die „Rennwagen" kamen immer pünktlich an.
- Der Preis: Er sparte etwas weniger Energie (etwa 2–15 % weniger als der verzerrte Agent), aber die Autoren argumentieren, dass dies ein rationales Trade-off ist. Man zahlt ein wenig mehr für Sicherheit, anstatt das Risiko eines katastrophalen Versagens einzugehen.

Geschwindigkeit und Machbarkeit

Man könnte befürchten, dass all diese komplexen „Was-wäre-wenn"-Simulationen zu langsam wären. Die Autoren bewiesen das Gegenteil. Sie führten ihr System auf einer einzigen, Standard-Grafikkarte (einer NVIDIA RTX A4000) mit einem kleinen, effizienten KI-Modell aus.

Das System traf Entscheidungen in unter 1,5 Sekunden.
Dies beweist, dass diese „paranoide", ultra-sichere Planung schnell genug abläuft, um in Echtzeit-6G-Netzwerken eingesetzt zu werden, ohne langsame, teure Cloud-Computer zu benötigen.

Das Fazit

Das Papier kommt zu dem Schluss, dass KI-Agenten aufhören müssen, „optimistische Optimierer" zu sein, die nur auf Durchschnitte schauen, damit 6G wirklich vertrauenswürdig ist. Stattdessen müssen sie zu „risikobewussten Wächtern" werden, die für Schlimmstfall-Stürme planen, zugeben, wenn sie unsicher sind, und die Sicherheit über das Herauspressen jedes letzten Tropfens Energieeffizienz stellen.

1. Problemstellung

Das Papier adressiert eine kritische Hürde für den Einsatz vertrauenswürdiger autonomer 6G-Netzwerke (insbesondere TM Forum Level 4 und 5): den Verzerrungseffekt der Vernachlässigung von Unsicherheit (Uncertainty Neglect Bias) bei Agenten auf Basis von Large Language Models (LLMs).

Das Kernproblem: Von LLMs betriebene Agenten, die 6G-Netz-Slicing verwalten, verlassen sich häufig auf einfache statistische Mittelwerte (Mittelwerte), um hochriskante Entscheidungen zu treffen. Diese kognitive Verzerrung führt dazu, dass sie Tail-Risiken (extreme Ereignisse) und epistemische Unsicherheit (Vertrauen in die eigenen Vorhersagen) ignorieren.
Die Konsequenz: In Szenarien für ultra-zuverlässige Kommunikation mit geringer Latenz (URLLC) führt die reliance auf den Mittelwert zu katastrophalen Verstößen gegen Service Level Agreements (SLA), wenn seltene, hochlatente Spitzen auftreten. Die Agenten berücksichtigen keine „Worst-Case"-Szenarien, was zu Netzwerkinstabilität und Dienstausfällen führt.
Die Lücke: Bestehende Arbeiten behandeln kognitive Verzerrungen oder Risikooptimierung getrennt, scheitern jedoch daran, Unsicherheitsquantifizierung und Kommunikation in den agentischen Denkzyklus zu integrieren, wodurch Agenten gegenüber der Zuverlässigkeit ihrer eigenen Daten „blind" bleiben.

2. Methodik

Die Autoren schlagen ein unverzerrtes, risikobewusstes Verhandlungsframework vor, das das agentische Denken von einer mittelwertbasierten Logik zu einer Tail-Risiko-bewussten Logik verschiebt. Das System umfasst zwei konkurrierende Agenten (eMBB- und URLLC-Slices), die um gemeinsame Bandbreite und Edge-CPU-Ressourcen verhandeln.

A. Systemarchitektur

Digitale Zwillinge (DTs): Jeder Agent nutzt einen privaten DT auf Basis der Warteschlangentheorie, um Netzwerkzustände zu simulieren. Der DT führt vektorisierte Monte-Carlo-Simulationen durch, um vollständige Latenzverteilungen ( $L_{edge} + L_{RAN}$ ) vorherzusagen, anstatt Einzelwert-Schätzungen.
Hybride Entscheidungsengine:
- LLM-Komponente: Ein lokal bereitgestelltes, 1-Milliarden-Parameter-Modell (otel-llm-1b-it) übernimmt die strategische Zielsetzung (Generierung eines einzigen optimalen Gegenangebots).
- Deterministische Komponente: Ein 2D-Proportional-Integral-Derivative (PID)-Algorithmus führt eine fein abgestimmte lokale Suche durch, um mathematisch die Machbarkeit der Ressourcen (Bandbreiten- und CPU-Einschränkungen) sowie die Konvergenz zu garantieren.

B. Risikobewusste Mechanismen

Das Framework führt zwei Schlüsselkonzepte der Mathematik ein, um Verzerrungen zu mindern:

Aleatorische Unsicherheit (Statistisches Risiko):
- Anstatt die mittlere Latenz ( $\mu_L$ ) zu verwenden, berechnet der Agent den Conditional Value-at-Risk (CVaR) auf einem strengen Konfidenzniveau ( $\alpha = 0.99999$ ).
- CVaR repräsentiert die erwartete Latenz in den schlechtesten $(1-\alpha)\%$ der Fälle und lenkt den Fokus des Agenten effektiv auf den „Tail" der Verteilung.
- Ein Greedy Guardband wird angewendet, indem ein Sicherheitsziel ( $L_{gb}$ ) auf 80 % des tatsächlichen SLA gesetzt wird, um extreme Schwankungen abzufangen.
Epistemische Unsicherheit (Vorhersagevertrauen):
- Der Agent quantifiziert sein Vertrauen in die DT-Vorhersage mittels des Variationskoeffizienten (CV) der Latenzverteilung.
- Unsicherheitsangepasstes Risiko ( $\widehat{CVaR}_\alpha$ ): Wenn das Vertrauen des DT gering ist (hohe Varianz), wird das gemessene Risiko künstlich aufgebläht. Dies zwingt den Agenten, Vorhersagen mit geringem Vertrauen als hohes Risiko zu behandeln und verhindert Entscheidungen auf Basis unzuverlässiger Daten.

C. Verhandlungsprotokoll

Mehrrunden-Verhandlung: Agenten führen einen eingeschränkten, mehrstufigen Dialog durch, um Ressourcen aufzuteilen.
Validierungsschleife: Bevor ein Agent ein Angebot unterbreitet, validiert er dieses gegen den $\widehat{CVaR}_\alpha$ und den Guardband. Wenn das Risiko zu hoch oder das Vertrauen zu gering ist, verweigert der Agent weitere Ressourcenoptimierung und priorisiert die Sicherheit vor Energieeinsparungen.

3. Hauptbeiträge

Risikobewusstes Verhandlungsframework: Ein neuartiger Ansatz, der mittelwertbasiertes Denken durch Unsicherheitsangepassten CVaR ersetzt und einen strengen Sicherheitspuffer gegen Tail-Ereignisse erzwingt.
Propagation epistemischer Unsicherheit: Ein Mechanismus, bei dem Agenten ihr eigenes Vorhersagevertrauen explizit quantifizieren und weitergeben, Daten mit geringem Vertrauen dynamisch bestrafen und so starre, unsichere Entscheidungen verhindern.
Hybride, Edge-einsatzfähige Architektur: Ein Design, das einen schnell inferierenden 1-Milliarden-Parameter-LLM für die Strategie mit einem deterministischen PID-Regler für die Machbarkeit kombiniert und so eine Ausführung unter einer Sekunde gewährleistet, die für Use Cases des nicht-echtzeitfähigen RIC (RAN Intelligent Controller) geeignet ist.
Empirische Validierung: Umfassende Simulationen zeigen, dass die vorgeschlagene Methode SLA-Verstöße eliminiert, die mittelwertbasierte Ansätze plagen, und gleichzeitig den Trade-off zwischen Zuverlässigkeit und Energieeffizienz transparent aufzeigt.

4. Experimentelle Ergebnisse

Das Framework wurde über 200 unabhängige Verhandlungsdurchläufe zwischen einem eMBB-Agenten (50 ms SLA) und einem URLLC-Agenten (10 ms SLA) validiert.

SLA-Einhaltung:
- Verzerrter (mittelwertbasierter) Agent: Versagte systematisch und verursachte 11 kritische SLA-Verstöße für den URLLC-Slice. Seine Latenzverteilung erstreckte sich über das 10-ms-Limit hinaus.
- Unverzerrter (risikobewusster) Agent: Erzielte 0 SLA-Verstöße. Er hielt die gesamte Latenzverteilung erfolgreich unterhalb der 10-ms-Schwelle.
Reduktion der Tail-Latenz:
- Der risikobewusste Agent reduzierte die 99,999-Perzentil-Latenz (p99.999) um bis zu 51,7 % für eMBB und signifikant für URLLC (Reduktion von 7,4 ms auf 4,4 ms).
Trade-off zwischen Energie und Zuverlässigkeit:
- Der verzerrte Agent erzielte höhere Energieeinsparungen (26–30 %), jedoch auf Kosten der Sicherheit (Gefahrenzone nahe an den Fehlergrenzen).
- Der risikobewusste Agent erzielte geringere Energieeinsparungen (2–15 %), was die Autoren als den rationalen Preis der Zuverlässigkeit betrachten, um die „falsche Ökonomie" des verzerrten Ansatzes zu vermeiden.
Inferenzleistung:
- Die Ausführung des Frameworks auf einer einzelnen NVIDIA RTX A4000 GPU mit dem 1-Milliarden-Parameter-Modell ergab Inferenzzeiten unter 1,5 Sekunden (Mittelwert ~1,29 s für den risikobewussten Agenten), was die Machbarkeit für den Edge-Einsatz validiert.

5. Bedeutung

Dieses Papier liefert einen grundlegenden Schritt hin zu vertrauenswürdiger 6G-Autonomie. Es zeigt auf, dass:

Kognitive Verzerrungen in KI nicht nur theoretisch sind: Sie haben quantifizierbare, katastrophale Auswirkungen auf die Netzwerkleistung (SLA-Verstöße).
Mittelwertbasierte Optimierung für 6G unzureichend ist: Kritische Dienste wie URLLC erfordern eine reasoning über den Tail von Verteilungen, nicht über den Durchschnitt.
Unsicherheit kommuniziert werden muss: Agenten müssen nicht nur Ergebnisse vorhersagen, sondern auch ihr Vertrauen in diese Vorhersagen quantifizieren, um kaskadierende Ausfälle in Multi-Agenten-Systemen zu verhindern.
Machbarkeit: Fortgeschrittene Risiko-Reasoning kann lokal auf Edge-Hardware durchgeführt werden, ohne sich auf langsame, datenschutzgefährdende Cloud-APIs zu verlassen, was robuste autonome Netzwerke zu einer praktischen Realität macht.