LLM-Based Digital Twin Intelligence for Application-Aware Network Selection in 6G Heterogeneous Wireless Networks

Resumen Técnico: Inteligencia de Gemelo Digital Basada en LLM para la Selección de Redes Sensible a las Aplicaciones en Redes Inalámbricas Heterogéneas 6G

Planteamiento del Problema
Las futuras redes inalámbricas heterogéneas (HWN) de 6G deben soportar diversas tecnologías de acceso por radio (RAT) y aplicaciones con requisitos de calidad de servicio (QoS) variables. Los mecanismos tradicionales de selección de red (NS), que dependen de mediciones de radio instantáneas y reglas de clasificación estáticas (por ejemplo, Toma de Decisiones Multicriterio o MADM), enfrentan limitaciones significativas. Estas incluyen el problema de la reversión de rango (RRP), donde las clasificaciones cambian de forma inconsistente cuando se añaden o eliminan candidatos; la incapacidad de traducir autónomamente la intención de servicio de alto nivel en pesos de decisión específicos; y una tendencia a provocar traspasos (HOs) innecesarios debido a la sensibilidad ante fluctuaciones instantáneas. Los enfoques existentes a menudo fallan al no capturar conjuntamente el estado inalámbrico evolutivo, el comportamiento de QoS a nivel de paquete y el contexto de decisión histórico requerido para una selección estable y sensible a la aplicación.

Metodología
El artículo propone un marco que desplaza la NS de una operación de matriz de decisión instantánea hacia un proceso de decisión condicionado por un estado de Gemelo Digital (DT) de capa cruzada en evolución. El marco consta de cuatro capas:

1. Construcción de Físico-a-DT: Se genera una escena 3D específica del sitio utilizando OpenStreetMap y Blender. Se extraen descriptores de canal conscientes de la geometría (ganancia de canal, dispersión de retardo, conteo de trayectorias) mediante el trazado de rayos (RT) de Sionna basado en la posición del equipo de usuario (UE) y el despliegue de la RAT.
2. Sincronización de Capa Cruzada: Los descriptores conscientes de la geometría se mapean a indicadores de QoS a nivel de paquete (retardo, jitter, tasa de pérdida de paquetes, eficiencia energética y costo de acceso) utilizando la emulación a nivel de paquete de ns-3. Esto crea una matriz de decisión unificada que refleja el impacto real del servicio en cada candidata RAT.
3. Inteligencia de DT Basada en LLM: Un Agente de Intención Unificada (UIA) traduce los requisitos del usuario y del servicio en prioridades de decisión estructuradas. El marco emplea dos ramas de NS complementarias:
   • MADM–LLM–NS: El LLM deriva los pesos de los criterios sensibles al servicio, los cuales se introducen en un operador MADM determinista (SAW o TOPSIS). Para mitigar el RRP, esta rama utiliza una Normalización Adaptativa Consciente de la Historia (HAAN), que deriva referencias de normalización a partir de una memoria de DT de decisiones pasadas en lugar de depender únicamente del conjunto de candidatos instantáneo.
   • LLM–NS: El LLM realiza una clasificación de lista directa de los candidatos. Esta rama emplea Aprendizaje en Contexto Aumentado por Recuperación (RA–ICL) restringido por el principio de Independencia de las Alternativas Irrelevantes (IIA). Recupera estados de DT históricos similares para guiar la clasificación, preservando el orden relativo de los candidatos retenidos cuando las RAT son retiradas (mediante proyección) mientras permite la adaptación cuando se insertan nuevas RAT.
4. Evaluación y Actualización de Memoria: La RAT seleccionada se evalúa frente a los objetivos de QoS, y el contexto de decisión y el resultado se almacenan en la memoria del DT para su uso futuro, permitiendo que el sistema aprenda de la estabilidad y el rendimiento pasados.

Contribuciones Clave

• Formulación Basada en DT: Los autores formulan la NS como una tarea de decisión sobre un estado de DT de capa cruzada evolutivo que integra descriptores de canal conscientes de la geometría, QoS a nivel de paquete, intención de servicio y memoria de decisión, en lugar de depender de matrices instantáneas aisladas.
• Agente de Intención Unificada (UIA): Un mecanismo que traduce la intención de alto nivel del servicio/usuario en prioridades de decisión estructuradas (pesos y etiquetas de importancia) para ambas ramas de clasificación (MADM y clasificación directa por LLM).
• Mecanismos de Estabilización: La introducción de HAAN para reducir la sensibilidad del conjunto de candidatos en la clasificación MADM y de RA–ICL para estabilizar la clasificación basada en LLM bajo la evolución del conjunto de candidatos, abordando específicamente el problema de la reversión de rango.
• Evaluación Exhaustiva: El marco se evalúa contra líneas base representativas de MADM (TOPSIS-AHP, SAW-AHP) a través de cinco perfiles de servicio alineados con 3GPP, analizando la robustez del RRP, la satisfacción de QoS, las tasas de VHO innecesarias y la complejidad computacional.

Resultos Numéricos

• Robustez de la Reversión de Rango: Los métodos propuestos reducen significativamente el RRP en comparación con las líneas base de AHP. SAW–LLM–NS logró un 0% de RRP en todas las perturbaciones del conjunto de candidatos. LLM–NS mostró un 0% de RRP para la retirada de candidatos (debido a la proyección estructural) y mantuvo un RRP bajo (18.5%–41.0%) para las inserciones, reflejando un compromiso deliberado entre estabilidad y adaptabilidad.
• Satisfacción de QoS: Para el perfil de servicio exigente de VR/AR, los esquemas basados en LLM mejoraron la selección orientada a la fiabilidad. LLM–NS logró la Tasa de Pérdida de Paquetes más baja (0.26%) en comparación con el 0.41% de TOPSIS-AHP, manteniendo al mismo tiempo niveles competitivos de retardo y jitter.
• Estabilidad de Traspaso (Handover): Las ramas MADM–LLM–NS redujeron significativamente las tasas de VHO innecesarias. SAW–LLM–NS redujo los traspasos innecesarios en un 47.9% en comparación con su línea base SAW-AHP, y TOPSIS–LLM–NS logró una reducción del 28.1% en comparación con TOPSIS-AHP.
• Complejidad: El marco separa los costos de generación de DT a nivel de escenario de los costos de decisión por época. La rama LLM–NS es computacionalmente eficiente cuando ocurren aciertos de memoria (reutilizando clasificaciones pasadas), aunque incurre en mayores costos en caso de fallos de memoria que requieran una nueva clasificación de lista.

Significancia y Reivindicaciones
El artículo sostiene que la novedad no reside meramente en la combinación de DTs, MADM y LLMs, sino en la reformulación de la NS como un proceso de decisión basado en DT y asistido por LLM. Los autores afirman que, al operar sobre un estado de DT evolutivo y utilizar la memoria de decisión, el marco supera las limitaciones de los enfoques estáticos basados en matrices. Específicamente, el trabajo demuestra que:

1. La intención de servicio puede traducirse autónomamente en un comportamiento de selección adaptativo sin configuración manual de pesos.
2. La estabilidad de la decisión bajo la evolución del conjunto de candidatos puede lograrse mediante la normalización impulsada por la memoria y el razonamiento aumentado por recuperación.
3. El marco propuesto ofrece un camino práctico hacia la redes basadas en la intención en 6G, equilibrando la satisfacción de QoS sensible al servicio con la estabilidad de la movilidad, sin actuar como un predictor de la capa física, sino como una inteligencia de la capa de decisión.

Los autores posicionan este trabajo como un paso hacia la gestión de redes autónoma y sensible a las aplicaciones, distinguiéndolo de estudios previos que utilizan los LLM meramente como interfaces o los DT únicamente para simulación.