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

Sintesi Tecnica: Intelligenza basata su LLM per il Digital Twin nell'integrazione di una selezione di rete consapevole delle applicazioni in reti wireless eterogenee 6G

Problematica
Le future reti wireless eterogenee (HWN) 6G devono supportare diverse tecnologie di accesso radio (RAT) e applicazioni con requisiti di qualità del servizio (QoS) variabili. I meccanismi tradizionali di selezione della rete (NS), che si affidano a misurazioni radio istantanee e regole di classificazione statiche (ad esempio, Multi-Attribute Decision Making o MADM), presentano limitazioni significative. Queste includono il problema dell'inversione del rango (RRP), in cui le classifiche cambiano in modo incoerente quando vengono aggiunti o rimossi candidati; l'incapacità di tradurre autonomamente l'intento di alto livello del servizio in pesi decisionali specifici; e la tendenza a innescare handover (HO) non necessari a causa della sensibilità alle fluttuazioni istantanee. Gli approcci esistenti spesso non riescono a catturare congiuntamente lo stato wireless in evoluzione, il comportamento della QoS a livello di pacchetto e il contesto decisionale storico richiesto per una selezione stabile e consapevole delle applicazioni.

Metodologia
Il documento propone un framework che sposta la NS da un'operazione di matrice decisionale istantanea a un processo decisionale condizionato da uno stato di Digital Twin (DT) cross-layer in evoluzione. Il framework si compone di quattro livelli:

1. Costruzione Physical-to-DT: Una scena 3D specifica per il sito viene generata utilizzando OpenStreetMap e Blender. I descrittori del canale sensibili alla geometria (guadagno del canale, delay spread, numero di percorsi) vengono estratti tramite ray-tracing (RT) basato su Sionna in base alla posizione dell'utente (UE) e al deployment della RAT.
2. Sincronizzazione Cross-Layer: I descrittori geometrici vengono mappati in indicatori di QoS a livello di pacchetto (ritardo, jitter, packet loss ratio, efficienza energetica, costo di accesso) utilizzando l'emulazione a livello di pacchetto ns-3. Ciò crea una matrice decisionale unificata che riflette l'effettivo impto sul servizio di ogni candidata RAT.
3. Intelligenza del DT basata su LLM: Un Unified Intent Agent (UIA) traduce i requisiti dell'utente e del servizio in priorità decisionali strutturate. Il framework impiega due rami di NS complementari:
   • MADM–LLM–NS: L'LLM deriva i pesi dei criteri sensibili al servizio, che vengono poi inseriti in un operatore MADM deterministico (SAW o TOPSIS). Per mitigare l'RRP, questo ramo utilizza la History-Aware Adaptive Normalization (HAAN), che deriva riferimenti di normalizzazione da una memoria DT delle decisioni passate anziché dal solo set di candidati istantaneo.
   • LLM–NS: L'LLM esegue direttamente la classificazione (ranking) per liste di candidati. Questo ramo impiega il Retrieval-Augmented In-Context Learning (RA–ICL) vincolato dal principio di Indipendenza delle Alternative Irrilevanti (IIA). Esso recupera stati DT storici simili per guidare la classificazione, preservando l'ordine relativo dei candidati mantenuti (tramite proiezione) pur permettendo l'adattamento quando vengono inserite nuove RAT.
4. Valutazione e Aggiornamento della Memoria: La RAT selezionata viene valutata rispetto ai target di QoS, e il contesto decisionale e l'esito vengono memorizzati nella memoria del DT per il riutilizzo futuro, consentendo al sistema di apprendere dalla stabilità e dalle prestazioni passate.

Contributi Chiave

• Formulazione basata su DT: Gli autori formulano la NS come un compito decisionale su uno stato DT cross-layer in evoluzione che integra descrittori del canale sensibili alla geometria, QoS a livello di pacchetto, intento del servizio e memoria decisionale, piuttosto che affidarsi a matrici istantanee isolate.
• Unified Intent Agent (UIA): Un meccanismo che traduce l'intento di alto livello del servizio/utente in priorità decisionali strutturate e leggibili dalle macchine (pesi e etichette di importanza) per entrambi i rami di classificazione (MADM e ranking diretto LLM).
• Meccanismi di Stabilizzazione: L'introduzione di HAAN per ridurre la sensibilità del set di candidati nella classificazione MADM e di RA–ICL per stabilizzare la classifica basata su LLM sotto l'evoluzione del set di candidati, affrontando specificamente il problema dell'inversione del rango.
• Valutazione Comprensiva: Il framework è valutato contro basi di confronto MADM rappresentative (TOPSIS-AHP, SAW-AHP) attraverso cinque profili di servizio allineati allo standard 3GPP, analizzando la robustezza all'RRP, la soddisfazione della QoS, i tassi di VHO non necessari e la complessità computazionale.

Risultati Numerici

• Robustezza all'Inversione del Rango: I metodi proposti riducono significativamente l'RRP rispetto ai baseline AHP. SAW–LLM–NS ha ottenuto lo 0% di RRP in tutte le perturbazioni del set di candidati. LLM–NS ha mostrato lo 0% di RRP per i ritiri dei candidati (grazie alla proiezione strutturale) e ha mantenuto un basso RRP (18,5%–41,0%) per le inserzioni, riflettendo un deliberato compromesso tra stabilità e adattabilità.
• Soddisfazione della QoS: Per il profilo di servizio impegnativo VR/AR, gli schemi basati su LLM hanno migliorato la selezione orientata all'affidabilità. LLM–NS ha ottenuto il Packet Loss Ratio più basso (0,26%) rispetto allo 0,41% di TOPSIS-AHP, mantenendo al contempo ritardo e jitter competitivi.
• Stabilità dell'Handover: I rami MADM–LLM–NS hanno ridotto significativamente i tassi di VHO non necessari. SAW–LLM–NS ha ridotto gli handover non necessari del 47,9% rispetto al suo baseline SAW-AHP, e TOPSIS–LLM–NS ha ottenuto una riduzione del 28,1% rispetto a TOPSIS-AHP.
• Complessità: Il framework separa i costi di generazione del DT a livello di scenario dai costi decisionali per epoca. Il ramo LLM–NS è computazionalmente efficiente quando si verificano hit di memoria (riutilizzo delle classificazioni passate), sebbene comporti costi più elevati in caso di miss di memoria che richiedono una nuova classificazione per lista.

Significatività e Rivendicazioni
Il documento sostiene che la novità non risiede semplicemente nella combinazione di DT, MADM e LLM, ma nel riformulare la NS come un processo decisionale basato su DT e assistito da LLM. Gli autori affermano che, operando su uno stato DT in evoluzione e utilizzando la memoria decisionale, il framework supera i limiti degli approcci basati su matrici statiche. Nello specifico, il lavoro dimostra che:

1. L'intento del servizio può essere tradotto autonomamente in un comportamento di selezione adattivo senza configurazione manuale dei pesi.
2. La stabilità decisionale sotto l'evoluzione del set di candidati può essere raggiunta attraverso la normalizzazione guidata dalla memoria e il ragionamento aumentato dal recupero (retrieval-augmented reasoning).
3. Il framework proposto offre una via pratica verso il networking guidato dall'intento (intent-driven networking) in ambito 6G, bilanciando la soddisfazione della QoS consapevole del servizio con la stabilità della mobilità, senza agire come un predittore del livello fisico, bensì come un'intelligenza del livello decisionale.

Gli autori posizionano questo lavoro come un passo verso la gestione della rete autonoma e consapevole delle applicazioni, distinguendolo da studi precedenti che utilizzano gli LLM meramente come interfacce o i DT esclusivamente per la simulazione.