Riepilogo Tecnico: MAS-DecStream con Negoziazione del Contract Net assistita da LLM

Definizione del Problema

I sistemi di elaborazione di flussi (stream-processing) che operano su infrastrutture eterogenee mobile edge–cloud affrontano sfide significative dovute alla volatilità del carico di lavoro, alla contesa delle risorse e ai rigorosi requisiti di Qualità del Servizio (QoS). Lo scheduling decentralizzato è complicato dal fatto che i singoli cluster edge possiedono solo una visibilità parziale dello stato globale del sistema. Di conseguenza, le decisioni locali indipendenti portano spesso al sovraimpegno delle risorse, al ritardo nell'esecuzione di task ad alta priorità e a violazioni della QoS.

Sebbene approcci recenti utilizzino il Federated Learning (FL) e il Reinforcement Learning (RL) per migliorare l'adattabilità, essi spesso si affidano ad aggregazioni centralizzate o a policy apprese che oscurano il ragionamento dietro le decisioni di scheduling. I classici Sistemi Multi-Agente (MAS) che utilizzano il protocollo Contract Net (CNP) offrono un'interazione esplicita e decentralizzata, ma soffrono di una semantica dei messaggi rigida e predefinita, che fatica ad accomodare vincoli quantitativi eterogenei insieme ad avvisi qualitativi (ad esempio, avvisi di affidabilità o condizioni di privacy). Il problema centrale affrontato è come estendere la negoziazione decentralizzata per gestire contesti di runtime qualitativi e incerti senza sacrificare le garanzie rigide sulle risorse o introdurre costi di comunicazione proibitivi.

Metodologia

Il documento propone MAS-DecStream, un'architettura di scheduling ibrida che integra i Large Language Models (LLM) in un protocollo di negoziazione multi-round. Il sistema modella l'ambiente edge–cloud come un grafo di comunicazione in cui agenti rappresentativi osservano i cluster locali e negoziano le migrazioni dei task.

Architettura dell'Agente Ibrido

L'architettura separa il monitoraggio locale dal processo decisionale collaborativo:

1. Livello di Esecuzione: Monitora la telemetria di runtime, predice i carichi futuri prossimi e applica le decisioni di migrazione.
2. Livello Collaborativo: Orchestrato tramite LangGraph, ogni agente combina lo stato locale, la conoscenza del task e la memoria della negoziazione. Utilizza un LLM per l'interpretazione contestuale e la generazione di messaggi, facendo affidamento su strumenti deterministici per il recupero dello stato, la validazione dei requisiti e il calcolo dell'utilità.

LLM-MR-CNP (Multi-Round CNP assistito da LLM)

Il contributo principale è un'estensione del classico CNP a singolo stadio. A differenza del tradizionale CNP, che tipicamente segue un singolo ciclo di annuncio–proposta–assegnazione, l'LLM-MR-CNP introduce:

• Formulazione Semantica della CFP: L'iniziatore trasmette una Call for Proposal (CFP) arricchita con l'intento del task, la QoS e il contesto osservato, piuttosto che semplici campi numerici fissi.
• Divulgazione Progressiva del Contesto: Se le proposte iniziali sono ambigue o rimangono più candidati, l'iniziatore divulga ulteriori informazioni (ad esempio, previsioni di carico, avvisi di affidabilità) ai candidati non ancora risolti.
• Revisione Iterativa della Proposta: I rispondenti possono emettere proposte provvisorie e revisionarle o ritirarle sulla base del nuovo contesto divulgato.
• Validazione Deterministica: Mentre l'LLM interpreta il contesto e affina le proposte in linguaggio naturale, l'allocazione finale è strettamente vincolata da controlli di fattibilità deterministici (CPU, memoria, larghezza di banda, scadenze) e dalla massimizzazione dell'utilità.

Il protocollo termina quando rimane un singolo candidato fattibile, emerge un candidato migliore stabile o viene raggiunto un limite massimo di round.

Contributi Chiave

1. Protocollo LLM-MR-CNP: Un'estensione esplicita del classico CNP che introduce la generazione semantica della CFP, la divulgazione progressiva, la revisione iterativa delle proposte, la memoria di negoziazione specifica per il task e la terminazione limitata.
2. Architettura dell'Agente Ibrido: Un design in cui gli LLM gestiscono il contesto qualitativo e la generazione di messaggi, mentre gli strumenti deterministici impongono vincoli rigidi e classificazioni di utilità, garantendo sicurezza e fattibilità.
3. Valutazione Completa: Uno studio che distingue l'impatto del raffinamento multi-round dall'assistenza degli LLM, valutando la qualità dello scheduling, l'overhead di negoziazione e i trade-off tra accuratezza e costo attraverso vari modelli e strategie di prompting.

Risultati Sperimentali

Gli esperimenti sono stati condotti utilizzando carichi di lavoro derivati dall'Alibaba ASI Trace 2026, simulando 1.000 combinazioni task–cluster su diversi numeri di agenti (5, 10, 20) e richieste concorrenti.

Metriche di Performance

• Violazioni di Latenza: MAS-DecStream ha ridotto le violazioni di latenza al 3% (0,03), un miglioramento significativo rispetto al baseline multi-round basato su regole (0,37) e al baseline a singolo round (0,53).
• Sovraimpegno delle Risorse: Gli approcci multi-round (sia quelli basati su regole che quelli assistiti da LLM) hanno completamente eliminato il sovraimpegno delle risorse in tutte le configurazioni testate, mentre i metodi a singolo round non sono riusciti a prevenirlo.
• Risoluzione dei Conflitti: Con 20 agenti, il tasso di risoluzione dei conflitti ha raggiunto lo 0,91 per MAS-DecStream, rispetto allo 0,86 del baseline multi-round basato su regole.
• Utilità: MAS-DecStream ha migliorato l'utilità globale fino al 22% rispetto al baseline multi-round basato su regole.
• Costi: Questi guadagni sono accompagnati da un aumento dei costi di coordinamento. MAS-DecStream ha comportato circa tre volte il costo di collaborazione dei metodi a singolo round e ha introdotto un tempo medio di ragionamento LLM di 83,56 secondi per scenario.

Analisi di Modelli e Prompting

• Profondità di Negoziazione: La negoziazione multi-round ha migliorato significativamente l'accuratezza dell'offloading (da 0,71 a 0,88 per un LLM di grandi dimensioni), suggerendo che la struttura dell'interazione è importante quanto la capacità del modello.
• Strategie di Prompting: Le prestazioni dipendevano fortemente dal modello. Ad esempio, Gemini-3-Flash con un prompt ReAct+few-shot+CoT ha raggiunto un'accuratezza di offloading di 1,00, mentre altre configurazioni mostravano trade-off variabili tra accuratezza e consumo di token.
• Trade-off: Lo studio ha evidenziato un chiaro compromesso tra accuratezza e costo, dove le strategie di prompting più complesse (ad esempio, ReAct) aumentavano l'uso di token e la latenza senza garantire sempre risultati superiori rispetto a strategie più semplici come CoT+Few-shot.

Significato e Rivendicazioni

Il documento posiziona i propri risultati come una valutazione empirica iniziale piuttosto che una prova di superiorità generale rispetto agli scheduler stabiliti. Gli autori formulano le seguenti modeste affermazioni riguardo alla significatività del sistema:

1. Guadagno a Livello di Protocollo: Il principale guadagno di performance deriva dall'estensione del CNP per includere il raffinamento delle proposte multi-round. Questo processo iterativo riduce le violazioni ed elimina il sovraimpegno anche senza l'assistenza degli LLM.
2. Valore Contestuale degli LLM: L'assistenza degli LLM fornisce un valore incrementale specificamente per i contesti di runtime qualitativi e incerti (ad esempio, interpretare avvisi di affidabilità o previsioni ambigue) dove i sistemi basati su regole faticano.
3. Necessità dell'Approccio Ibrido: I risultati supportano una strategia di deployment adattiva in cui la negoziazione basata su regole gestisce le decisioni di routine, mentre l'IA agentica viene invocata selettivamente per decisioni di scheduling incerte, conflittuali o ad alto impatto.
4. La Sicurezza Prima di Tutto: L'architettura dimosta che le decisioni semantiche generate dagli LLM possono essere integrate in modo sicuro nelle infrastrutture critiche solo se accoppiate con una validazione deterministica per imporre garanzie rigide su risorse e QoS.

Gli autori riconoscono i limiti, inclusa la mancanza di un'ablazione causale per la componente LLM (poiché è accoppiata alla gestione del contesto qualitativo) e la dipendenza da carichi di lavoro derivati da tracce piuttosto che da deployment fisici. Il lavoro futuro è orientato alla valutazione dell'escalation selettiva dell'LLM e di topologie decentralizzate più ampie.