Agentic AI-RAN: Enabling Intent-Driven, Explainable and Self-Evolving Open RAN Intelligence

Dieser Artikel stellt ein Agentic-AI-Framework für Open RAN vor, das durch Planungs-, Reflexions- und Selbstmanagement-Fähigkeiten die Betriebsicherheit, Erklärbarkeit und Effizienz von Netzwerkslices und Ressourcenmanagement im Vergleich zu konventionellen ML-Ansätzen signifikant verbessert.

Das Wesentliche

🚦 Der intelligente Verkehrsleiter für das Mobilfunknetz

Stell dir vor, das heutige Mobilfunknetz (Open RAN) ist wie eine riesige, chaotische Stadt mit unzähligen Straßen, Ampeln und Baustellen. Früher wurden diese Straßen von starren, automatischen Ampeln gesteuert. Das funktionierte okay, aber wenn plötzlich ein riesiger Umzug (ein Datenstau) oder ein Notfall (ein medizinischer Notruf) kam, reagierten die alten Ampeln zu langsam oder gar nicht richtig.

Die Forscher in diesem Papier schlagen eine neue Lösung vor: Agentic AI-RAN.

Das klingt kompliziert, ist aber im Grunde wie der Unterschied zwischen einem einfachen Roboter und einem klugen Verkehrsleiter.

1. Der alte Weg: Der starre Roboter (Klassische KI)

Bisher waren die KI-Systeme im Netz wie Roboter, die nur auf einen Knopf drücken konnten.

• Das Problem: Wenn der Roboter sah, dass es staut, drückte er einfach auf "Mehr Bandbreite". Er wusste nicht, warum es staut, er konnte nicht planen und er hatte kein Gedächtnis für vergangene Staus.
• Die Folge: Oft wurden Entscheidungen getroffen, die einen anderen Teil des Netzes ruinierten, weil der Roboter nur das hier und jetzt sah. Er war wie ein Autofahrer, der nur auf die rote Ampel direkt vor sich schaut, aber nicht weiß, dass hinter ihm eine Baustelle ist.

2. Der neue Weg: Der kluge Verkehrsleiter (Agentic AI)

Die neuen "Agenten" sind wie erfahrene Verkehrsleiter, die eine Stoppuhr, ein Notizbuch und einen Plan haben. Sie arbeiten in drei Schritten, die wie ein Kreislauf funktionieren:

• Planen (Der Kopf): Bevor der Verkehrsleiter etwas tut, denkt er nach. "Wenn ich hier die Ampel grün schalte, wird dort hinten ein Stau entstehen. Ich sollte erst die Baustelle klären." Er nutzt ein Digitaler Zwilling (eine Art virtuelles Modell der Stadt), um das Ergebnis vorherzusagen, bevor er wirklich eingreift.
• Handeln (Die Hände): Er führt kleine, sichere Schritte aus. Nicht alles auf einmal, sondern Schritt für Schritt.
• Beobachten & Nachdenken (Das Gedächtnis): Er schaut sofort hin: "Hat das funktioniert? Ist der Stau weg?" Wenn nein, macht er einen Schritt zurück (Rückgängig machen) und versucht es anders. Er schreibt sich das Ergebnis in sein Notizbuch, damit er beim nächsten Mal nicht denselben Fehler macht.

3. Die drei wichtigsten Werkzeuge des Leiters

Der Artikel beschreibt drei besondere Fähigkeiten, die diesen Leitern helfen:

• Fähigkeiten als Werkzeuge (Skills): Stell dir vor, der Verkehrsleiter hat einen Werkzeugkasten. "Ampel umschalten", "Baustelle verlegen", "Notfallspur öffnen". Er wählt die richtigen Werkzeuge aus und kombiniert sie zu einem Plan, statt nur einen einzigen Knopf zu drücken.
• Das Gedächtnis (Memory): Er erinnert sich: "Letzten Dienstag um 18 Uhr gab es hier einen Stau wegen eines Konzerts." Er nutzt dieses Wissen, um heute schon vorherzusagen, was passieren wird.
• Die Sicherheitsbremse (Self-Management Gates): Das ist das Wichtigste! Bevor der Leiter etwas tut, prüft er: "Ist das sicher? Habe ich genug Zeit? Verletze ich dabei jemanden?" Wenn die Antwort "Nein" ist, macht er nichts oder macht es langsamer. Das verhindert, dass das ganze Netz zusammenbricht.

4. Wer macht was? (Die Arbeitsteilung)

Das Netz ist in verschiedene Ebenen unterteilt, und der neue Ansatz teilt die Arbeit clever auf:

• Der Chef (Non-RT RIC / SMO): Das ist der langsame, aber sehr kluge Manager. Er nutzt eine KI-Sprachmaschine (LLM), wie ChatGPT. Er liest die Wünsche der Kunden ("Wir brauchen mehr Kapazität für das Krankenhaus") und erstellt langfristige Pläne. Er denkt in Minuten oder Stunden.
• Der Vorarbeiter (Near-RT RIC): Dieser arbeitet schnell (in Sekundenbruchteilen). Er nimmt die Pläne des Chefs und setzt sie um. Er hat aber auch eine eigene Sicherheitsbremse, um sofort zu reagieren, wenn etwas schiefgeht.
• Die Arbeiter (dApps): Diese sitzen direkt an den Sendemasten und führen die winzigen, schnellen Anpassungen durch.

5. Das Ergebnis: Warum ist das besser?

In den Simulationen der Forscher hat sich gezeigt:

• Weniger Chaos: Das Netz läuft stabiler.
• Bessere Qualität: Notrufe und Videostreams hängen seltener.
• Effizienz: Es wird weniger Energie und weniger Ressourcen verschwendet (die Forscher sagten, es spart durchschnittlich 8,83 % an Ressourcen).
• Nachvollziehbarkeit: Wenn etwas schiefgeht, kann man genau nachlesen: "Der Verkehrsleiter hat X getan, weil Y passiert ist." Das ist für Sicherheitsbehörden und Kunden super wichtig.

Zusammenfassung in einem Satz

Statt starrer Roboter, die blindlings auf Probleme reagieren, schafft dieses Papier ein intelligentes Team aus Planern, Ausführenden und Sicherheitsprüfern, das das Mobilfunknetz wie ein erfahrener Dirigent leitet: Es hört zu, plant voraus, nutzt sein Gedächtnis und hält immer die Sicherheit im Blick.

Technische Zusammenfassung

1. Problemstellung

Die Entwicklung hin zu Open Radio Access Networks (O-RAN) ermöglicht eine vendor-neutrale und flexible Verwaltung von Funkzugangsnetzen durch die Disaggregation von Funktionen und standardisierte Schnittstellen (z. B. A1, E2). Trotz dieser Fortschritte bestehen erhebliche Herausforderungen bei der sicheren, auditierbaren und effizienten Steuerung von Multi-Tenant- und Multi-Objective-Netzen:

• Begrenzte Intelligenz bestehender Ansätze: Herkömmliche Lösungen nutzen oft monolithische Black-Box-Modelle (z. B. Reinforcement Learning/RL oder Multi-Agent RL/MARL), die auf starre Aufgaben spezialisiert sind. Sie fehlen oft an expliziter Zielsetzung, Wiederverwendbarkeit von Fähigkeiten (Skills), Gedächtnis (Memory) und Selbstregulierung.
• Koordinationsprobleme: Die wachsende Anzahl von xApps und rApps in heterogenen Netzen führt zu Koordinationsproblemen, Konflikten und Schwierigkeiten im Lebenszyklus-Management.
• Mangelnde Erklärbarkeit und Sicherheit: Bestehende ML/RL-Ansätze bieten oft nur begrenzte Unterstützung für explizite Ziele, Sicherheitsgarantien (Guardrails) und Auditierbarkeit, was in Multi-Tenant-Umgebungen kritisch ist.
• Lücke zwischen Planung und Ausführung: Es fehlt an einem Framework, das langfristige Planung (Non-RT) mit kurzfristiger, zeitkritischer Ausführung (Near-RT/RT) verbindet, ohne die strengen Latenzanforderungen von O-RAN zu verletzen.

2. Methodik: Das Agentic AI-RAN Framework

Der Artikel schlägt ein Agentic AI-RAN-Perspektive vor, bei der O-RAN-Steuerungseinheiten als zielorientierte Agenten modelliert werden, die über einen „Plan-Act-Observe-Reflect"-Zyklus agieren. Das Framework integriert sich nahtlos in die bestehende O-RAN-Architektur (Non-RT RIC, Near-RT RIC, CU/DU), ohne eine neue Kontrollebene zu schaffen.

Kernkomponenten und Primitive:

• Plan-Act-Observe-Reflect (PAOR): Ein zeitbewusster Kontrollzyklus. Der Agent empfängt Kontext und Ziele, plant eine Sequenz von „Skills" (O-RAN-fähigen Aktionen), führt sie aus, beobachtet die Ergebnisse und reflektiert, bevor der nächste Schritt erfolgt.
• Skills als Werkzeugnutzung (Tool Use): Aktionen werden als strukturierte Objekte („Skills") definiert, die Vorbedingungen, erwartete Effekte, Kosten und Rollback-Optionen haben. Dies ermöglicht sichere, schrittweise Eingriffe über standardisierte Schnittstellen (A1, E2).
• Gedächtnis und Evidenz (Memory & Evidence):
  • Kurzfristig: Near-RT nutzt Kontext für schnelle Entscheidungen.
  • Langfristig: Non-RT speichert episodische Daten und wiederverwendbares Wissen.
  • Evidenz: Jede Entscheidung wird protokolliert, um Auditierbarkeit und Nachvollziehbarkeit zu gewährleisten, ohne sensible Kundendaten preiszugeben.
• Selbstmanagement und Gating: Ein „Gate"-Mechanismus prüft vor jeder Ausführung, ob Risiken (SLA-Verletzung), Unsicherheit, Budgets (CPU, Bandbreite) und Konsistenz eingehalten werden. Bei Verletzung werden Schritte verkleinert, verzögert oder zurückgerollt.
• LLM-Integration (Non-RT): Large Language Models (LLMs) werden gezielt im Non-RT RIC eingesetzt, um Absichten (Intents) in maschinenprüfbare Ziele zu übersetzen, langfristige Strategien zu planen und Digital Twins als Beweisquelle zu nutzen. Aufgrund der Latenzanforderungen findet keine LLM-Verarbeitung im Near-RT oder RT-Bereich statt.

Aufgabenlandschaft:
Das Framework adressiert drei Hauptbereiche:

1. Lebenszyklus von Network Slices: Von Design und Zulassung bis hin zu elastischer Skalierung und Fehlerbehebung.
2. Radio Resource Management (RRM): Geschlossene Regelkreise für Ressourcenallokation, Leistungssteuerung und Handover.
3. Sicherheit, Datenschutz und Compliance: Diese Aspekte sind als explizite Constraints in den Entscheidungsprozess integriert (Policy-as-Code).

3. Wichtige Beiträge

• Paradigmenwechsel: Der Artikel definiert O-RAN-Steuerungseinheiten nicht als statische ML-Modelle, sondern als zielgetriebene Agenten, die Planung, Werkzeugnutzung, Gedächtnis und Selbstverwaltung kombinieren.
• Strukturierte Primitive: Einführung einer kompakten Menge agenter Primitive (Plan-Act-Observe-Reflect, Skills, Memory, Gating), die mit O-RAN-Standards kompatibel sind.
• Vergleich mit bestehenden Ansätzen: Eine detaillierte Gegenüberstellung zeigt, dass Agentic AI im Gegensatz zu traditionellem RL/MARL explizite Sicherheitsgarantien, bessere Daten-Effizienz durch Wiederverwendung von Erfahrungen und höhere Auditierbarkeit bietet.
• Architektonische Trennung: Klare Trennung zwischen semantischer Planung (Non-RT/LLM) und zeitkritischer Ausführung (Near-RT/RT), was die Vorteile von LLMs nutzt, ohne Echtzeitanforderungen zu verletzen.

4. Ergebnisse der Simulation

Die Autoren führten Simulationen in einer multi-cell O-RAN-Umgebung (6 O-RUs, 12 Zellen, 20 aktive UE) durch und verglichen den vollständigen Agentic-Agenten mit abgeleiteten Varianten (Ablationen) und einem konventionellen Deep-Q-Learning (DQL) Baseline.

Schlüsselergebnisse:

• Leistungsoptimierung: Der vollständige Agentic-Controller erzielte die geringste SLA-Verletzung und die niedrigste p99-Latenz im Vergleich zu allen anderen Varianten.
• Ressourceneffizienz: Durch die Kombination aus Planung, Gedächtnis und Gating konnte der Ressourcenverbrauch um durchschnittlich 8,83 % über drei klassische Netz-Slices (eMBB, URLLC, mMTC) reduziert werden.
• Einfluss von LLMs: Der Einsatz eines LLM im Non-RT RIC verbesserte die SLA-Erfüllungsrate (Admission Accuracy) signifikant (z. B. +8,3 % bei URLLC) und reduzierte die Latenz, indem er ressourceneffizientere, slice-übergreifende Entscheidungen traf.
• Rolle der Primitive:
  • Das Entfernen von Gating führte zu einem starken Anstieg von SLA-Verletzungen.
  • Das Entfernen von Planung oder Gedächtnis verschlechterte die Latenz und Stabilität.
  • Aktives KPM-Sampling (Telemetrie) erhöhte zwar den Overhead, war jedoch entscheidend für die SLA-Einhaltung.
• Trade-off: Der Agentic-Ansatz verlagert den Kostenfokus von reinen QoS-Verlusten hin zu einem höheren, aber transparenten und auditierbaren Steuerungs-Overhead.

5. Bedeutung und Ausblick

Dieser Artikel bietet einen wegweisenden Ansatz für die nächste Generation intelligenter O-RAN-Netze.

• Sicherheit und Vertrauen: Durch die Integration von „Guardrails" und „Evidence" wird die Black-Box-Natur von KI in kritischen Infrastrukturen durchbrochen, was für regulatorische Anforderungen und Multi-Tenant-Szenarien essenziell ist.
• Skalierbarkeit: Das Framework ermöglicht es, komplexe, sich ändernde Netzwerkanforderungen (Intent-Driven) ohne ständiges Neutraining von Modellen zu bewältigen.
• Zukunftsperspektiven: Die Autoren sehen Potenzial in der Integration von reichhaltigeren RL-Komponenten, der Validierung in realistischeren Digital-Twin-Umgebungen und der Standardisierung von Schnittstellen für Skills-Kataloge und Policy-as-Code.

Zusammenfassend demonstriert das Paper, dass Agentic AI-RAN nicht nur die Leistung (SLA, Latenz, Ressourcen) verbessert, sondern auch die Erklärbarkeit, Sicherheit und Selbstregulierung in Open RAN-Netzen fundamental stärkt.