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

Technische Samenvatting: LLM-gebaseerde Digital Twin Intelligentie voor Applicatiebewuste Netwerkselectie in 6G Heterogene Draadloze Netwerken

Probleemstelling
Toekomstige 6G heterogene draadloze netwerken (HWN's) moeten diverse radio-toegangstechnologieën (RAT's) en applicaties ondersteunen met variërende Quality-of-Service (QoS) vereisten. Traditionele netwerkselectiemechanismen (NS), die vertrouwen op instantane radiometingen en statische rangschikkingsregels (bijv. Multi-Attribute Decision Making of MADM), kennen aanzienlijke beperkingen. Deze omvatten het rank-reversal probleem (RRP), waarbij rangschikkingen inconsistent veranderen wanneer kandidaten worden toegevoegd of verwijderd; een onvermogen om hoogwaardige service-intentie autonoom te vertalen naar specifieke beslissingsgewichten; en een neiging om onnodige handovers (HO's) te triggeren door gevoeligheid voor instantane fluctuaties. Bestaande benaderingen falen vaak in het gezamenlijk vastleggen van de evoluerende draadloze staat, pakketniveau QoS-gedrag en de historische beslissingscontext die vereist is voor stabiele, applicatiebewuste selectie.

Methodologie
Het artikel stelt een framework voor dat NS verschuift van een instantane beslissingsmatrix-operatie naar een besluitvormingsproces dat geconditioneerd is op een evoluerende, cross-layer Digital Twin (DT) staat. Het framework bestaat uit vier lagen:

1. Physical-to-DT Constructie: Een locatie-specifieke 3D-scène wordt gegenereerd met behulp van OpenStreetMap en Blender. Geometrie-bewuste kanaalbeschrijvingen (kanaalversterking, delay spread, padenaantal) worden geëxtraheerd via Sionna ray-tracing (RT) op basis van de positie van de User Equipment (UE) en de RAT-implementatie.
2. Cross-Layer Synchronisatie: De geometrie-bewuste beschrijvingen worden in kaart gebracht naar pakketniveau QoS-indicatoren (vertraging, jitter, packet loss ratio, energie-efficiëntie en toegangskosten) met behulp van ns-3 pakketniveau emulatie. Dit creëert een unificerende beslissingsmatrix die de werkelijke service-niveau impact van elke kandidaat RAT reflecteert.
3. LLM-gebaseerde DT Intelligentie: Een Unified Intent Agent (UIA) vertaalt gebruikers- en servicevereisten naar gestructureerde beslissingsprioriteiten. Het framework gebruikt twee complementaire NS-takken:
   • MADM–LLM–NS: De LLM afleidt service-bewuste criteriumgewichten, die worden ingevoerd in een deterministische MADM-operator (SAW of TOPSIS). Om RRP te mitigeren, maakt deze tak gebruik van History-Aware Adaptive Normalization (HAAN), die normalisatie-referenties afleidt uit een DT-geheugen van eerdere beslissingen in plaats van enkel uit de instantane kandidaatsset alleen.
   • LLM–NS: De LLM voert directe listwise ranking van kandidaten uit. Deze tak maakt gebruik van Retrieval-Augmented In-Context Learning (RA–ICL) die wordt beperkt door het principe van de Onafhankelijkheid van Irrelevante Alternatieven (IIA). Het systeem haalt vergelijkbare historische DT-staten op om de ranking te sturen, waarbij de relatieve volgorde van behouden kandidaten wordt bewaard wanneer RAT's worden teruggetrokken (via projectie), terwijl aanpassing mogelijk blijft wanneer nieuwe RAT's worden ingevoegd.
4. Evaluatie en Geheugenupdate: De geselecteerde RAT wordt geëvalueerd tegen QoS-doelstellingen, en de beslissingscontext en uitkomst worden opgeslagen in het DT-geheugen voor toekomstig hergebruik, waardoor het systeem kan leren van eerdere stabiliteit en prestaties.

Belangrijkste Bijdragen

• DT-Gegronde Formulering: De auteurs formuleren NS als een besluitvormingstaak over een evoluerende cross-layer DT-staat die geometrie-bewuste kanaalbeschrijvingen, pakketniveau QoS, service-intentie en beslissingsgeheugen integreert, in plaats van te vertrouwen op geïsoleerde instantane matrices.
• Unified Intent Agent (UIA): Een mechanisme dat hoogwaardige service-/gebruikersintentie vertaalt naar gestructureerde, machine-leesbare beslissingsprioriteiten (gewichten en belangslabels) voor zowel de MADM als de directe LLM-ranking takken.
• Stabilisatiemechanismen: De introductie van HAAN om de gevoeligheid voor de kandidaatsset te verminderen in MADM-ranking, en RA–ICL om LLM-gebaseerde ranking te stabiliseren onder de evolutie van de kandidaatsset, specifiek gericht op het rank-reversal probleem.
• Uitgebreide Evaluatie: Het framework wordt geëvalueerd tegen representatieve MADM-baselines (TOPSIS-AHP, SAW-AHP) over vijf 3GPP-gealigneerde serviceprofielen, waarbij RRP-robuustheid, QoS-tevredenheid, onnodige VHO-ratio's en computationele complexiteit worden geanalyseerd.

Numerieke Resultaten

• Rank Reversal Robuustheid: De voorgestelde methoden reduceren RRP aanzienlijk vergeleken met AHP-baselines. SAW–LLM–NS bereikte 0% RRP over alle kandidaatsset-perturbaties. LLM–NS vertoonde 0% RRP voor het terugtrekken van kandidaten (door structurele projectie) en behield een lage RRP (18,5%–41,0%) voor invoegingen, wat een bewuste stabiliteits-adaptiviteit afweging reflecteert.
• QoS Tevredenheid: Voor het veeleisende VR/AR serviceprofiel verbeterden de LLM-gebaseerde schema's de betrouwbaarheidsgeoriënteerde selectie. LLM–NS bereikte de laagste Packet Loss Ratio (0,26%) vergeleken met 0,41% voor TOPSIS-AHP, terwijl competitieve delay en jitter werden behouden.
• Handover Stabiliteit: De MADM–LLM–NS takken reduceerden de onnodige VHO-ratio's aanzienlijk. SAW–LLM–NS verminderde onnodige handovers met 47,9% vergeleken met de SAW-AHP baseline, en TOPSIS–LLM–NS bereikte een reductie van 28,1% vergeleken met TOPSIS-AHP.
• Complexiteit: Het framework scheidt de kosten van de scenario-niveau DT-generatie van de per-epoch beslissingskosten. De LLM–NS tak is computationeel efficiënt wanneer er geheugen-hits optreden (hergebruik van eerdere rankings), hoewel het hogere kosten met zich meebrengt bij geheugen-misses die een nieuwe listwise ranking vereisen.

Significantie en Claims
De auteurs stellen dat de nieuwheid niet louter ligt in het combineren van DT's, MADM en LLM's, maar in het herformuleren van NS als een LLM-ondersteund, DT-gegrond besluitvormingsproces. De auteurs beweren dat door te opereren over een evoluerende DT-staat en gebruik te maken van beslissingsgeheugen, het framework de beperkingen van statische matrix-gebaseerde benaderingen overwint. Specifiek toont het werk aan dat:

1. Service-intentie autonoom kan worden vertaald naar adaptief selectiegedrag zonder handmatige configuratie van gewichten.
2. Beslissingsstabiliteit onder de evolutie van de kandidaatsset kan worden bereikt door geheugen-gestuurde normalisatie en retrieval-augmented redenering.
3. Het voorgestelde framework een praktisch pad biedt naar intentie-gestuurde netwerkbeheer in 6G, waarbij een balans wordt gevonden tussen service-bewuste QoS-tevredenheid en mobiliteitsstabiliteit, zonder te fungeren als een fysieke-laag voorspeller, maar eerder als een beslissingslaag intelligentie.

De auteurs positioneren dit werk als een stap richting autonoom, applicatiebewust netwerkbeheer, onderscheidend van eerdere studies die LLM's enkel als interfaces gebruiken of DT's uitsluitend voor simulatie.