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

Resumo Técnico: MAxLM: Agendamento e Alocação de Recursos Baseados em Modelo de Linguagem Multi-Agente em Redes Sem Fio Habilitadas para MU-MIMO-OFDMA

Declaração do Problema
Em Redes de Área Local Sem Fio (WLANs) habilitadas para Acesso Múltiplo por Divisão de Frequência Ortogonal (OFDMA) e Múltiplo-Usuário com Múltiplas Entradas e Múltiplas Saídas (MU-MIMO) conjuntos, otimizar o Agendamento de Usuários e a Alocação de Recursos (SRA) para Acesso Agendado de Enlace Ascendente (UL-SA) é um problema combinatório complexo. O Ponto de Acesso (AP) deve agendar simultaneamente múltiplas estações (STAs) ao longo do tempo, frequência (Unidades de Recursos ou RUs) e espaço (antenas) para maximizar a vazão. Métodos de otimização tradicionais exigem buscas exaustivas computacionalmente caras para determinar grupos de STAs espacialmente compatíveis e suas distribuições de potência, particularmente porque o AP não pode avaliar totalmente o impacto de sua estratégia de agendamento nas condições do canal de enlace ascendente e na interferência antes da transmissão. Embora Aprendizado Profundo e Aprendizado por Reforço Multi-Agente (MARL) tenham sido propostos, eles frequentemente carecem de aplicabilidade prática ou dependem de modelos de fronteira computacionalmente intensivos.

Metodologia
Os autores propõem o MAxLM, um framework que aproveita Modelos de Linguagem (xLMs) pequenos a médios, pré-treinados e de acesso aberto, para realizar SRA descentralizada. A abordagem central envolve modelar o canal sem fio entre o AP e cada STA como um agente independente dentro de um sistema Multi-Agente.

1. Framework Multi-Agente: Em vez de o AP tomar uma única decisão complexa para todos os usuários, cada "agente" (representando uma conexão AP-STA) determina independentemente suas atribuições de RU. Isso reduz a complexidade do espaço de ações em comparação com uma abordagem centralizada onde o AP deve selecionar entre todas as combinações possíveis de grupos de usuários MIMO.
2. Representação do Estado: O estado de cada agente inclui:
   • Ganhos de Canal ($\zeta$): A norma de Frobenius dos estados do canal sobre as RUs disponíveis.
   • Fatores de Impacto ($\eta$): Uma medida de compatibilidade espacial, indicando quão não correlacionado é o canal de um agente com os demais.
   • Feedback ($F$): Notificações do sistema sobre sucesso ou erros de análise sintática.
3. Plataforma WiSER: Para facilitar a execução autônoma, os autores introduzem a plataforma Engenharia e Pesquisa de Sistemas Sem Fio Assistida por IA (WiSER). Seu fluxo de trabalho inclui:
   • Gerenciador de Contexto: Utiliza um procedimento de Gerenciamento de Contexto Adaptativo (ACM) para construir prompts para o xLM. Traduz dados brutos do canal em análises semânticas (por exemplo, "O agente é um dos M agentes mais fortes") e dados numéricos, garantindo que o xLM compreenda o ambiente dinâmico.
   • Agendador: Carrega assincronamente prompts para todos os agentes na janela de contexto do xLM.
   • Analisador (Parser): Converte a intenção em linguagem natural ou formatada em JSON do xLM em matrizes binárias de atribuição de RU.
   • Gerenciador de Ambiente e Auto-correção: Simula a transmissão e valida as atribuições. Crucialmente, inclui uma etapa de auto-correção que revoga qualquer atribuição de RU que viole a restrição espacial MIMO (ou seja, atribuir mais STAs a uma única RU do que o número de antenas do AP, $M$).
4. Engenharia de Prompt: O estudo compara dois modelos de prompt: um fornecendo análise semântica dos atributos do agente (Modelo 1) e outro fornecendo arrays numéricos brutos (Modelo 2). Os resultados indicam que prompts semânticos reduzem significativamente os erros de inferência.

Principais Contribuições

• SRA Descentralizada via xLM: O artigo adota um framework multi-agente usando Modelos de Linguagem pequenos/médios para simplificar o problema de otimização combinatória de SRA, afastando-se de modelos de IA de fronteira computacionalmente intensivos.
• Gerenciamento de Contexto Adaptativo (ACM): Um procedimento desenvolvido para promptar efetivamente o xLM com informações ambientais atualizadas da WLAN, permitindo que o modelo antecipe estratégias eficazes de SRA antes que o UL-SA ocorra.
• Plataforma WiSER: A introdução de uma plataforma modular (disponível em [9]) que orquestra o fluxo de trabalho de SRA baseada em xLM, incluindo gerenciamento de contexto, agendamento assíncrono, análise sintática e auto-correção.
• Validação Empírica: O estudo avalia o desempenho do MAxLM em variados números de STAs (10 e 20) e configurações de antenas do AP (4 e 8 antenas).

Resultados
O desempenho do SRA otimizado pelo MAxLM foi avaliado contra um benchmark Melhor Qualidade de Canal (BCQ), que atribui RUs às STAs com os ganhos de canal mais fortes.

• Eficiência de Prompt: O uso de modelos de prompt semânticos (Modelo 1) reduziu significativamente os erros de atribuição em comparação com prompts numéricos brutos (Modelo 2). Por exemplo, com um AP de 4 antenas, as taxas de erro caíram de ~43% (Modelo 2) para <1% (Modelo 1) para o modelo Mistral-NeMo.
• Ganhos de Vazão:
  • Em cenários com 10 estações e um AP de 8 antenas, o modelo Mistral-NeMo:12b alcançou um ganho de desempenho de 10% na soma de taxas de enlace ascendente sobre o benchmark BCQ.
  • Em cenários com 20 estações e um AP de 4 antenas, o Mistral-NeMo alcançou um ganho de desempenho de 30% sobre o benchmark.
  • O modelo Gemma mostrou alta variância; embora tenha alcançado ganhos em alguns casos, frequentemente violou restrições espaciais MIMO, levando a etapas de auto-correção que revogaram atribuições e resultaram em somas de taxas zero para slots de transmissão específicos.
• Consistência: O Mistral-NeMo demonstrou desempenho consistente em todos os cenários testados, superando tanto o benchmark BCQ quanto outros xLMs (Llama, Gemma).

Significado e Alegações
O artigo alega que o framework MAxLM proposto aborda com sucesso a complexidade da SRA combinatória em WLANs conjuntas MU-MIMO-OFDMA ao aproveitar a IA generativa. O significado reside em demonstrar que Modelos de Linguagem pequenos/médios, de acesso aberto, podem realizar efetivamente tarefas complexas de gerenciamento de recursos de rede quando guiados por um framework multi-agente estruturado e prompting adaptativo. Os autores afirmam que sua técnica alcança maior vazão de enlace ascendente do que técnicas de benchmark tradicionais (especificamente BCQ) sem a sobrecarga computacional de treinar modelos personalizados de aprendizado por reforço profundo. O trabalho posiciona a plataforma WiSER como uma ferramenta viável para gerenciamento de rede autônomo e baseado em intenção em ambientes sem fio dinâmicos.