MAxLM: Multi-Agent Language Model-Based Scheduling and Resource Allocation in MU-MIMO-OFDMA-Enabled Wireless Networks

기술 요약: MU-MIMO-OFDMA 기반 무선 네트워크에서의 다중 에이전트 언어 모델 기반 스케줄링 및 자원 할당 (MAxLM)

문제 제기
joint Multi-User Multiple-Input Multiple-Output (MU-MIMO) 및 Orthogonal Frequency-Division Multiple Access (OFDMA) 가 활성화된 무선 지역망 (WLAN) 에서, 상향 링크 예약 액세스 (UL-SA) 를 위한 사용자 스케줄링 및 자원 할당 (SRA) 을 최적화하는 것은 복잡한 조합 최적화 문제입니다. 액세스 포인트 (AP) 는 처리량을 극대화하기 위해 시간, 주파수 (자원 단위 또는 RUs), 공간 (안테나) 전반에 걸쳐 여러 스테이션 (STAs) 을 동시에 스케줄링해야 합니다. 전통적인 최적화 방법은 AP 가 전송 전에 스케줄링 전략이 상향 링크 채널 조건 및 간섭에 미치는 영향을 완전히 평가할 수 없기 때문에, 공간적으로 호환 가능한 STA 그룹과 그 전력 분포를 결정하기 위해 계산 비용이 많이 드는 포괄적 탐색을 필요로 합니다. 딥러닝 및 다중 에이전트 강화 학습 (MARL) 이 제안되었으나, 이러한 방법들은 종종 실용적인 적용성이 부족하거나 계산 집약적인 최첨단 모델에 의존합니다.

방법론
저자들은 개방형으로 이용 가능한 사전 훈련된 소형~중형 언어 모델 (xLMs) 을 활용하여 분산형 SRA 를 수행하는 MAxLM 프레임워크를 제안합니다. 핵심 접근 방식은 AP 와 각 STA 간의 무선 채널을 다중 에이전트 시스템 내에서 독립적인 에이전트로 모델링하는 것입니다.

1. 다중 에이전트 프레임워크: AP 가 모든 사용자를 위해 단일 복잡한 결정을 내리는 대신, 각 "에이전트"(AP-STA 연결을 나타냄) 가 독립적으로 자신의 RU 할당을 결정합니다. 이는 AP 가 모든 가능한 MIMO 사용자 그룹 조합 중에서 선택해야 하는 중앙 집중식 접근 방식에 비해 행동 공간의 복잡성을 줄여줍니다.
2. 상태 표현: 각 에이전트의 상태는 다음을 포함합니다:
   • 채널 이득 ($\zeta$): 사용 가능한 RUs 에 걸친 채널 상태의 프로베니우스 노름.
   • 영향 인자 ($\eta$): 공간적 호환성의 척도로, 한 에이전트의 채널이 다른 에이전트들과 얼마나 상관관계가 없는지를 나타냅니다.
   • 피드백 ($F$): 파싱 성공 또는 오류에 관한 시스템 알림.
3. WiSER 플랫폼: 자율적 실행을 용이하게 하기 위해 저자들은 AI 지원 무선 시스템 공학 및 연구 (WiSER) 플랫폼을 도입합니다. 이 플랫폼의 워크플로는 다음과 같습니다:
   • 컨텍스트 관리자: 적응형 컨텍스트 관리 (ACM) 절차를 사용하여 xLM 을 위한 프롬프트를 구성합니다. 이는 원시 채널 데이터를 "에이전트는 M 개 중 가장 강력한 에이전트 중 하나입니다"와 같은 의미적 분석 및 수치 데이터로 변환하여 xLM 이 동적 환경을 이해하도록 보장합니다.
   • 스케줄러: 모든 에이전트에 대한 프롬프트를 비동기적으로 xLM 의 컨텍스트 창에 로드합니다.
   • 파서: xLM 의 자연어 또는 JSON 형식의 의도를 이진 RU 할당 행렬로 변환합니다.
   • 환경 관리자 및 자기 수정: 전송을 시뮬레이션하고 할당을 검증합니다. 핵심적으로, 이는 MIMO 공간 제약 (즉, 단일 RU 에 AP 안테수 수 $M$보다 많은 STA 를 할당하는 것) 을 위반하는 RU 할당을 취소하는 자기 수정 단계를 포함합니다.
4. 프롬프트 엔지니어링: 이 연구는 에이전트 속성에 대한 의미적 분석을 제공하는 프롬프트 템플릿 (템플릿 1) 과 원시 수치 배열을 제공하는 프롬프트 템플릿 (템플릿 2) 을 비교합니다. 결과는 의미적 프롬프트가 추론 오류를 현저히 줄인다는 것을 보여줍니다.

주요 기여

• xLM 을 통한 분산형 SRA: 이 논문은 계산 집약적인 최첨단 AI 모델에서 벗어나 조합 최적화 SRA 문제를 단순화하기 위해 소형/중형 언어 모델을 사용하는 다중 에이전트 프레임워크를 채택합니다.
• 적응형 컨텍스트 관리 (ACM): xLM 에 업데이트된 WLAN 환경 정보를 효과적으로 프롬프트하기 위해 개발된 절차로, UL-SA 발생 전에 효과적인 SRA 전략을 모델이 예측할 수 있도록 합니다.
• WiSER 플랫폼: 컨텍스트 관리, 비동기 스케줄링, 파싱, 자기 수정을 포함하여 xLM 기반 SRA 의 워크플로우를 조율하는 모듈식 플랫폼 ( [9] 에서 이용 가능) 을 소개합니다.
• 실증적 검증: 이 연구는 다양한 STA 수 (10 개 및 20 개) 와 AP 안테나 구성 (4 개 및 8 개 안테나) 에 걸쳐 MAxLM 의 성능을 평가했습니다.

결과
MAxLM 최적화 SRA 의 성능은 STAs 에 가장 강력한 채널 이득을 가진 RUs 를 할당하는 벤치마크 최적 채널 품질 (BCQ) scheme 에 대해 평가되었습니다.

• 프롬프트 효율성: 원시 수치 프롬프트 (템플릿 2) 에 비해 의미적 프롬프트 템플릿 (템플릿 1) 을 사용하면 할당 오류가 현저히 감소했습니다. 예를 들어, 4 개 안테나 AP 의 경우 Mistral-NeMo 모델에서 오류율이 약 43% (템플릿 2) 에서 1% 미만 (템플릿 1) 으로 감소했습니다.
• 처리량 향상:
  • 10 개 스테이션과 8 개 안테나 AP 가 있는 시나리오에서 Mistral-NeMo:12b 모델은 BCQ 벤치마크 대비 UL rate-sum 에서 10% 의 성능 향상을 달성했습니다.
  • 20 개 스테이션과 4 개 안테나 AP 가 있는 시나리오에서 Mistral-NeMo 는 벤치마크 대비 30% 의 성능 향상을 달성했습니다.
  • Gemma 모델은 높은 분산을 보였습니다. 일부 경우에는 향상을 달성했지만, MIMO 공간 제약을 자주 위반하여 할당을 취소하는 자기 수정 단계를 유발했고, 이로 인해 특정 전송 슬롯에서 rate-sum 이 0 이 되었습니다.
• 일관성: Mistral-NeMo 는 모든 테스트된 시나리오에서 일관된 성능을 보여주었으며, BCQ 벤치마크 및 기타 xLM(Llama, Gemma) 보다 우수한 성능을 발휘했습니다.

의의 및 주장
이 논문은 제안된 MAxLM 프레임워크가 생성형 AI 를 활용하여 joint MU-MIMO-OFDMA WLAN 의 복잡한 조합 SRA 문제를 성공적으로 해결한다고 주장합니다. 그 의의는 소형/중형 크기의 개방형 언어 모델이 구조화된 다중 에이전트 프레임워크와 적응형 프롬프팅의 지도 하에 복잡한 네트워크 자원 관리 작업을 효과적으로 수행할 수 있음을 입증하는 데 있습니다. 저자들은 이 기술이 맞춤형 딥 강화 학습 모델을 훈련시키는 계산 오버헤드 없이 기존 벤치마크 기술 (특히 BCQ) 보다 더 높은 상향 링크 처리량을 달성한다고 주장합니다. 이 연구는 WiSER 플랫폼을 동적 무선 환경에서 자율적이고 의도 기반의 네트워크 관리를 위한 실현 가능한 도구로 위치시킵니다.