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

1. Declaração do Problema

O artigo aborda uma barreira crítica para a implantação de redes autônomas 6G confiáveis (especificamente os Níveis 4 e 5 do TM Forum): o Viés de Negligência da Incerteza em agentes de Modelos de Linguagem (LLM).

• A Questão Central: Agentes alimentados por LLM que gerenciam o fatiamento de rede 6G frequentemente dependem de médias estatísticas simples (valores médios) para tomar decisões de alto risco. Esse viés cognitivo faz com que ignorem riscos de cauda (eventos extremos) e incerteza epistêmica (confiança em suas próprias previsões).
• A Consequência: Em cenários de comunicação ultraconfiável de baixa latência (URLLC), confiar na média leva a violações catastróficas de Acordos de Nível de Serviço (SLA) quando ocorrem picos raros de alta latência. Os agentes falham ao não considerar cenários de "pior caso", levando à instabilidade da rede e falhas de serviço.
• A Lacuna: Trabalhos existentes abordam vieses cognitivos ou otimização de risco separadamente, mas falham em integrar quantificação de incerteza e comunicação no ciclo de raciocínio agêntico, deixando os agentes "cegos" quanto à confiabilidade de seus próprios dados.

2. Metodologia

Os autores propõem um framework de negociação imparcial e consciente de risco que desloca o raciocínio do agente da lógica baseada em médias para uma lógica consciente do risco de cauda. O sistema envolve dois agentes concorrentes (fatias eMBB e URLLC) negociando largura de banda compartilhada e recursos de CPU de borda.

A. Arquitetura do Sistema

• Gêmeos Digitais (DTs): Cada agente utiliza um DT privado baseado em teoria das filas para simular estados de rede. O DT executa simulações de Monte Carlo vetorizadas para prever distribuições completas de latência ($L_{edge} + L_{RAN}$) em vez de estimativas de ponto único.
• Motor de Decisão Híbrido:
  • Componente LLM: Um modelo implantado localmente com 1 bilhão de parâmetros (otel-llm-1b-it) lida com definição de objetivos estratégicos (gerando uma única contraproposta ótima).
  • Componente Determinístico: Um algoritmo PID (Proporcional-Integral-Derivativo) 2D realiza uma busca local de alta granularidade para garantir matematicamente a viabilidade dos recursos (restrições de largura de banda e CPU) e a convergência.

B. Mecanismos Conscientes de Risco

O framework introduz dois conceitos matemáticos-chave para mitigar o viés:

1. Incerteza Aleatória (Risco Estatístico):

   • Em vez de usar a latência média ($\mu_L$), o agente calcula o Valor Condicional em Risco (CVaR) em um nível de confiança estrito ($\alpha = 0.99999$).
   • O CVaR representa a latência esperada nos piores $(1-\alpha)\%$ dos casos, focando efetivamente o agente na "cauda" da distribuição.
   • Uma Margem de Segurança Gananciosa é aplicada, definindo um alvo de segurança ($L_{gb}$) em 80% do SLA real para absorver flutuações extremas.

2. Incerteza Epistêmica (Confiança na Previsão):

   • O agente quantifica sua confiança na previsão do DT usando o Coeficiente de Variação (CV) da distribuição de latência.
   • Risco Ajustado à Incerteza ($\widehat{CVaR}_\alpha$): Se a confiança do DT for baixa (alta variância), o risco medido é artificialmente inflado. Isso força o agente a tratar previsões de baixa confiança como de alto risco, impedindo decisões baseadas em dados não confiáveis.

C. Protocolo de Negociação

• Negociação Multirround: Os agentes participam de um diálogo restrito e multirround para particionar recursos.
• Loop de Validação: Antes de propor, um agente valida sua proposta contra o $\widehat{CVaR}_\alpha$ e a Margem de Segurança. Se o risco for muito alto ou a confiança muito baixa, o agente recusa otimizar recursos adicionalmente, priorizando a segurança sobre economias de energia.

3. Contribuições Principais

1. Framework de Negociação Consciente de Risco: Uma abordagem inovadora que substitui o raciocínio baseado em médias por CVaR Ajustado à Incerteza, impondo uma margem de segurança estrita contra eventos de cauda.
2. Propagação de Incerteza Epistêmica: Um mecanismo onde os agentes quantificam e propagam explicitamente sua própria confiança na previsão, penalizando dinamicamente dados de baixa confiança para evitar decisões rígidas e inseguras.
3. Arquitetura Híbrida Implantável na Borda: Um design que combina um LLM de 1 bilhão de parâmetros de inferência rápida para estratégia com um controlador PID determinístico para viabilidade, garantindo execução subsegundo adequada para casos de uso de RIC (Controlador Inteligente de RAN) não em tempo real.
4. Validação Empírica: Simulação extensiva demonstrando que o método proposto elimina violações de SLA que afligem abordagens baseadas em médias, expondo transparentemente o trade-off entre confiabilidade e eficiência energética.

4. Resultados Experimentais

O framework foi validado em 200 tentativas independentes de negociação entre um agente eMBB (SLA de 50ms) e um agente URLLC (SLA de 10ms).

• Conformidade com SLA:
  • Agente Viesado (Baseado em Média): Falhou sistematicamente, causando 11 violações críticas de SLA para a fatia URLLC. Sua distribuição de latência estendeu-se além do limite de 10ms.
  • Agente Imparcial (Consciente de Risco): Alcançou 0 violações de SLA. Mantive com sucesso toda a distribuição de latência abaixo do limiar de 10ms.
• Redução da Latência de Cauda:
  • O agente consciente de risco reduziu a latência do percentil 99,999 (p99.999) em até 51,7% para eMBB e significativamente para URLLC (reduzindo de 7,4ms para 4,4ms).
• Trade-off Energia vs. Confiabilidade:
  • O agente viesado alcançou maiores economias de energia (26–30%), mas ao custo da segurança (operando perigosamente próximo aos limites de falha).
  • O agente consciente de risco alcançou menores economias de energia (2–15%), o que os autores argumentam ser o custo racional da confiabilidade, evitando a "falsa economia" da abordagem viesada.
• Desempenho de Inferência:
  • A execução do framework em uma única GPU NVIDIA RTX A4000 com o modelo de 1 bilhão de parâmetros resultou em tempos de inferência sub-1,5 segundos (média de ~1,29s para o agente consciente de risco), validando sua viabilidade para implantação na borda.

5. Significado

Este artigo fornece um passo fundamental em direção à autonomia 6G confiável. Demonstra que:

• Vieses cognitivos em IA não são apenas teóricos: Têm impactos quantificáveis e catastróficos no desempenho da rede (violações de SLA).
• Otimização baseada em médias é insuficiente para 6G: Serviços críticos como URLLC exigem raciocínio sobre a cauda das distribuições, não a média.
• A incerteza deve ser comunicada: Os agentes não devem apenas prever resultados, mas também quantificar sua confiança nessas previsões para evitar falhas em cascata em sistemas multiagente.
• Viabilidade: O raciocínio avançado de risco pode ser realizado localmente em hardware de borda sem depender de APIs de nuvem lentas e que comprometem a privacidade, tornando redes autônomas robustas uma realidade prática.