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

यहाँ शोध पत्र "LLM-Based Agentic Negotiation for 6G: Addressing Uncertainty Neglect and Tail-Event Risk" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र विश्वसनीय 6G स्वायत्त नेटवर्क (विशेष रूप से TM Forum स्तर 4 और 5) की तैनाती में एक महत्वपूर्ण बाधा को संबोधित करता है: लार्ज लैंग्वेज मॉडल (LLM) एजेंटों में अनिश्चितता उपेक्षा पूर्वाग्रह (Uncertainty Neglect Bias)।

• मुख्य मुद्दा: 6G नेटवर्क स्लाइसिंग प्रबंधित करने वाले LLM-संचालित एजेंट अक्सर उच्च-जोखिम वाले निर्णय लेने के लिए सरल सांख्यिकीय औसत (माध्य मान/mean values) पर निर्भर करते हैं। यह संज्ञानात्मक पूर्वाग्रह उन्हें टेल-रिस्क (tail risks) (चरम घटनाओं) और एपिस्टेमिक अनिश्चितता (epistemic uncertainty) (अपने स्वयं के भविष्यवाणियों में आत्मविश्वास) को अनदेखा करने के लिए प्रेरित करता है।
• परिणाम: अल्ट्रा-रिलायबल लो-लेटेंसी कम्युनिकेशन (URLLC) परिदृश्यों में, माध्य (mean) पर निर्भर रहने से अत्यंत दुर्लभ, उच्च-विलंबता स्पाइक्स (high-latency spikes) के दौरान विनाशकारी सेवा स्तर समझौते (SLA) उल्लंघन होते हैं। एजेंट "सबसे खराब स्थिति" (worst-case) वाले परिदृश्यों को ध्यान में रखने में विफल रहते हैं, जिससे नेटवर्क अस्थिरता और सेवा विफलता होती है।
• अंतराल (Gap): मौजूदा कार्य संज्ञानात्मक पूर्वाग्रहों या जोखिम अनुकूलन को अलग-अलग से संबोधित करते हैं, लेकिन वे एजेंटिक रीजनिंग लूप में अनिश्चितता मात्रा निर्धारण (uncertainty quantification) और संचार को एकीकृत करने में विफल रहते हैं, जिससे एजेंट अपने स्वयं के डेटा की विश्वसनीयता के प्रति "अंधे" रह जाते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक पूर्वाग्रह-मुक्त, जोखिम-सचेत वार्ता (unbiased, risk-aware negotiation) ढांचा प्रस्तावित करते हैं जो एजेंट की तर्क प्रक्रिया को माध्य-आधारित तर्क से बदलकर टेल-रिस्क-सचेत तर्क में स्थानांतरित करता है। इस प्रणाली में दो प्रतिस्पर्धी एजेंट (eMBB और URLLC स्लाइस) साझा बैंडविड्थ और एज CPU संसाधनों के लिए बातचीत करते हैं।

A. सिस्टम आर्किटेक्चर

• डिजिटल ट्विन्स (DTs): प्रत्येक एजेंट कतार सिद्धांत (queuing theory) पर आधारित एक निजी DT का उपयोग करता है ताकि नेटवर्क अवस्थाओं का अनुकरण किया जा सके। DT एकल-बिंदु अनुमानों के बजाय पूर्ण विलंबता वितरण ($L_{edge} + L_{RAN}$) की भविष्यवाणी करने के लिए वेक्टरकृत मोंटे कार्लो सिमुलेशन चलाता है।
• हाइब्रिड निर्णय इंजन (Hybrid Decision Engine):
  • LLM घटक: एक स्थानीय रूप से तैनात, 1-बिलियन-पैरामीटर मॉडल (otel-llm-1b-it) रणनीतिक लक्ष्य-निर्धारण (एक एकल इष्टतम प्रति-प्रस्ताव उत्पन्न करना) को संभालता है।
  • डिटरमिनिस्टिक घटक: एक 2D प्रोपोर्शनल-इंटीग्रल-डेरिवेटिव (PID) एल्गोरिदम सूक्ष्म-स्तरीय स्थानीय खोज करता है ताकि गणितीय रूप से संसाधन व्यवहार्यता (बैंडविड्थ और CPU बाधाएं) और अभिसरण (convergence) की गारंटी दी जा सके।

B. जोखिम-सचेत तंत्र (Risk-Aware Mechanisms)

पूर्वाग्रह को कम करने के लिए ढांचा दो प्रमुख गणितीय अवधारणाओं को पेश करता है:

1. एलेटोरिक अनिश्चितता (Aleatoric Uncertainty - सांख्यिकीय जोखिम):

   • माध्य विलंबता ($\mu_L$) के बजाय, एजेंट एक सख्त विश्वास स्तर ($\alpha = 0.99999$) पर कंडीशनल वैल्यू-एट-रिस्क (CVaR) की गणना करता है।
   • CVaR सबसे खराब $(1-\alpha)\%$ मामलों में अपेक्षित विलंबता का प्रतिनिधित्व करता है, जो प्रभावी रूप से एजेंट को वितरण के "पूंछ" (tail) पर केंद्रित करता है।
   • एक ग्रीडी गार्डबैंड (Greedy Guardband) लागू किया जाता है, जो चरम उतार-चढ़ाव को सोखने के लिए वास्तविक SLA के 80% पर एक सुरक्षा लक्ष्य ($L_{gb}$) निर्धारित करता है।

2. एपिस्टेमिक अनिश्चितता (Epistemic Uncertainty - भविष्यवाणी विश्वास):

   • एजेंट विलंबता वितरण के विचरण गुणांक (Coefficient of Variation - CV) का उपयोग करके DT भविष्यवाणी में अपने विश्वास को मात्रात्मक रूप देता है।
   • अनिश्चितता-समायोजित जोखिम ($\widehat{CVaR}_\alpha$): यदि DT का विश्वास कम है (उच्च विचरण/variance), तो मापा गया जोखिम कृत्रिम रूप से बढ़ा दिया जाता है। यह एजेंट को कम-विश्वास वाली भविष्यवाणियों को उच्च-जोखिम के रूप में मानने के लिए मजबूर करता है, जिससे अविश्वसनीय डेटा के आधार पर निर्णय लेने से रोका जा जाता है।

C. वार्ता प्रोटोकॉल (Negotiation Protocol)

• बहु-चरण वार्ता (Multi-round Negotiation): एजेंट संसाधनों के विभाजन के लिए एक नियंत्रित, बहु-चरण संवाद में संलग्न होते हैं।
• सत्यापन लूप (Validation Loop): प्रस्ताव देने से पहले, एक एजेंट अपने प्रस्ताव को $\widehat{CVaR}_\alpha$ और गार्डबैंड के विरुद्ध सत्यापित करता है। यदि जोखिम बहुत अधिक है या विश्वास बहुत कम है, तो एजेंट संसाधनों को और अधिक अनुकूलित करने से इनकार कर देता है, और सुरक्षा को ऊर्जा बचत पर प्राथमिकता देता है।

3. मुख्य योगदान (Key Contributions)

1. जोखिम-सचेत वार्ता ढांचा: एक अभिनव दृष्टिकोण जो माध्य-आधारित तर्क को अनिश्चितता-समायोजित CVaR से बदल देता है, जो टेल-इवेंट्स के खिलाफ एक सख्त सुरक्षा बफर लागू करता है।
2. एपिस्टेमिक अनिश्चितता प्रसार: एक तंत्र जहाँ एजेंट अपनी भविष्यवाणियों के प्रति अपने विश्वास को स्पष्ट रूप से मात्रात्मक रूप देते हैं और प्रसारित करते हैं, जिससे कम-विश्वास वाले डेटा को गतिशील रूप से दंडित किया जाता है ताकि कठोर, असुरक्षित निर्णयों को रोका जा सके।
3. हाइब्रिड एज-डिप्लॉय करने योग्य आर्किटेक्चर: एक डिज़ाइन जो रणनीति के लिए तेज़-अनुमान लगाने वाले 1B-पैरामीटर LLM को एक डिटरमिनिस्टिक PID कंट्रोलर के साथ जोड़ता है, जो गैर-रियल-टाइम RIC (RAN Intelligent Controller) उपयोग के मामलों के लिए उपयुक्त सब-सेकंड निष्पादन सुनिश्चित करता है।
4. अनुभवजन्य सत्यापन (Empirical Validation): व्यापक सिमुलेशन यह प्रदर्शित करता है कि प्रस्तावित विधि उन SLA उल्लंघनों को समाप्त करती है जो माध्य-आधारित दृष्टिकोणों को प्रभावित करते हैं, जबकि विश्वसनीयता और ऊर्जा दक्षता के बीच के ट्रेड-ऑफ को पारदर्शी रूप से उजागर करती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

ढांचे को एक eMBB एजेंट (50ms SLA) और एक URLLC एजेंट (10ms SLA) के बीच 200 स्वतंत्र वार्ता परीक्षणों पर सत्यापित किया गया।

• SLA अनुपालन:
  • बायस्ड (माध्य-आधारित) एजेंट: व्यवस्थित रूप रूप से विफल रहा, जिससे URLLC स्लाइस के लिए 11 महत्वपूर्ण SLA उल्लंघन हुए। इसकी विलंबता वितरण 10ms की सीमा से आगे निकल गया।
  • अनबायस्ड (जोखिम-सचेत) एजेंट: 0 SLA उल्लंघन प्राप्त किए। इसने पूरी विलंबता वितरण को 10ms की सीमा के नीचे रखने में सफलता प्राप्त की।
• टेल लेटेंसी में कमी:
  • जोखिम-सचेत एजेंट ने eMBB के लिए p99.999वीं-प्रतिशत (p99.999th-percentile) विलंबता को 51.7% तक कम किया और URLLC के लिए भी महत्वपूर्ण रूप से (7.4ms से 4.4ms तक घटाकर) कम किया।
• ऊर्जा बनाम विश्वसनीयता ट्रेड-ऑफ:
  • बायस्ड एजेंट ने उच्च ऊर्जा बचत (26–30%) प्राप्त की, लेकिन सुरक्षा की कीमत पर (जोखिम भरे सीमाओं के करीब काम करके)।
  • रिस्क-अवेयर एजेंट ने कम ऊर्जा बचत (2–15%) प्राप्त की, जिसे लेखक विश्वसनीयता के एक तर्कसंगत लागत (rational cost) के रूप में तर्क देते हैं, जो बायस्ड दृष्टिकोण के "झूठी अर्थव्यवस्था" (false economy) से बचता है।
• अनुमान प्रदर्शन (Inference Performance):
  • एक सिंगल NVIDIA RTX A4000 GPU पर 1B-पैरामीटर मॉडल के साथ फ्रेमवर्क को चलाने पर सब-1.5-सेकंड का अनुमान समय (रिस्क-अवेयर एजेंट के लिए औसत ~1.29s) प्राप्त हुआ, जो एज डिप्लॉयमेंट के लिए इसकी व्यवहार्यता की पुष्टि करता है।

5. महत्व (Significance)

यह शोध पत्र विश्वसनीय 6G स्वायत्तता की ओर एक मौलिक कदम प्रदान करता है। यह प्रदर्शित करता है कि:

• AI में संज्ञानात्मक पूर्वाग्रह केवल सैद्धांतिक नहीं हैं: उनके मापने योग्य, विनाशकारी प्रभाव नेटवर्क प्रदर्शन (SLA उल्लंघन) पर होते हैं।
• माध्य-आधारित अनुकूलन 6G के लिए अपर्याप्त है: URLLC जैसे महत्वपूर्ण सेवाओं के लिए वितरण के 'औसत' के बजाय उसकी 'पूंछ' (tail) पर तर्क करने की आवश्यकता होती है।
• अनिश्चितता को संप्रेषित किया जाना चाहिए: एजेंटों को न केवल परिणामों की भविष्यवाणी करनी चाहिए, बल्कि यह भी मात्रात्मक रूप से बताना चाहिए कि उन्हें अपनी भविष्यवाणियों पर कितना विश्वास है, ताकि मल्टी-एजेंट सिस्टम में कैस्केडिंग विफलताओं को रोका जा सके।
• व्यवहार्यता: उन्नत जोखिम तर्क को धीमे, गोपनीयता-समझौता करने वाले क्लाउड API पर निर्भर हुए बिना, एज हार्डवेयर पर स्थानीय रूप से निष्पादित किया जा सकता है, जो मजबूत स्वायत्त नेटवर्क को एक व्यावहारिक वास्तविकता बनाता है।