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

Resumo Técnico: Inteligência de Gêmeo Digital Baseada em LLM para Seleção de Rede Sensível à Aplicação em Redes Sem Fio Heterogêneas 6G

Definição do Problema
As futuras redes sem fio heterogêneas (HWNs) 6G devem suportar diversas tecnologias de acesso via rádio (RATs) e aplicações com requisitos variados de qualidade de serviço (QoS). Os mecanismos tradicionais de seleção de rede (NS), que dependem de medições de rádio instantâneas e regras de classificação estáticas (ex: Tomada de Decisão Multiatributo ou MADM), enfrentam limitações significativas. Estas incluem o problema da reversão de ranking (RRP), onde as classificações mudam de forma inconsistente quando candidatos são adicionados ou removidos; a incapacidade de traduzir autonomamente intenções de serviço de alto nível em pesos de decisão específicos; e uma tendência a disparar handovers (HOs) desnecessários devido à sensibilidade a flutuações instantâneas. As abordagens existentes frequentemente falham em capturar conjuntamente o estado evolutivo do wireless, o comportamento de QoS ao nível de pacote e o contexto histórico de decisão necessários para uma seleção estável e sensível à aplicação.

Metodologia
O artigo propõe um framework que desloca a NS de uma operação de matriz de decisão instantânea para um processo de decisão condicionado a um estado de Gêmeo Digital (DT) de camada cruzada em evolução. O framework consiste em quatro camadas:

1. Construção Físico-para-DT: Uma cena 3D específica do local é gerada usando OpenStreetMap e Blender. Descritores de canal geometricamente conscientes (ganho de canal, dispersão de atraso, contagem de trajetos) são extraídos usando ray-tracing (RT) baseado em Sionna, com base na posição do equipamento do usuário (UE) e no deployment da RAT.
2. Sincronização de Camada Cruzada: Os descritores geometricamente conscientes são mapeados para indicadores de QoS ao nível de pacote (atraso, jitter, taxa de perda de pacotes, eficiência energética e custo de acesso) usando emulação de pacotes ns-3. Isso cria uma matriz de decisão unificada que reflete o impacto real do serviço em cada candidata RAT.
3. Inteligência de DT Baseada em LLM: Um Agente de Intenção Unificada (UIA) traduz requisitos de usuário e de serviço em prioridades de decisão estruturadas. O framework emprega dois ramos complementares de NS:
   • MADM–LLM–NS: O LLM deriva pesos de critérios sensíveis ao serviço, que são alimentados em um operador MADM determinístico (SAW ou TOPSIS). Para mitigar o RRP, este ramo utiliza a Normalização Adaptativa Consciente de Histórico (HAAN), que deriva referências de normalização de uma memória de DT de decisões passadas, em vez de depender apenas do conjunto de candidatos instantâneo.
   • LLM–NS: O LLM realiza o ranking de lista direta dos candidatos. Este ramo emprega Aprendizado em Contexto com Recuperação (RA–ICL) restrito pelo princípio da Independência das Alternativas Irrelevantes (IIA). Ele recupera estados de DT históricos semelhantes para guiar o ranking, preservando a ordem relativa dos candidatos retidos quando as RATs são retiradas (via projeção), enquanto permite a adaptação quando novas RATs são inseridas.
4. Avaliação e Atualização de Memória: A RAT selecionada é avaliada contra alvos de QoS, e o contexto de decisão e o resultado são armazenados na memória do DT para reutilização futura, permitindo que o sistema aprenda com a estabilidade e o desempenho passados.

Principais Contribuições

• Formulação Baseada em DT: Os autores formulam a NS como uma tarefa de decisão sobre um estado de DT de camada cruzada em evolução que integra descritores de canal geometricamente conscientes, QoS ao nível de pacote, intenção de serviço e memória de decisão, em vez de depender de matrizes instantâneas isoladas.
• Agente de Intenção Unificada (UIA): Um mecanismo que traduz a intenção de alto nível de serviço/usuário em prioridades de decisão estruturadas e legíveis por máquina (pesos e rótulos de importância) para ambos os ramos de ranking (MADM e LLM direto).
• Mecanismos de Estabilização: A introdução da HAAN para reduzir a sensibilidade ao conjunto de candidatos no ranking MADM e do RA–ICL para estabilizar o ranking baseado em LLM sob a evolução do conjunto de candidatos, abordando especificamente o problema da reversão de ranking.
• Avaliação Abrangente: O framework é avaliado contra baselines representativos de MADM (TOPSIS-AHP, SAW-AHP) através de cinco perfis de serviço alinhados com o 3GPP, analisando robustez de RRP, satisfação de QoS, taxas de VHO desnecessárias e complexidade computacional.

Resultos Numéricos

• Robustez de Reversão de Rank: Os métodos propostos reduzem significamente o RRP em comparação com os baselines AHP. O SAW–LLM–NS alcançou 0% de RRP em todas as perturbações do conjunto de candidatos. O LLM–NS mostrou 0% de RRP para retiradas de candidatos (devido à projeção estrutural) e manteve um baixo RRP (18,5%–41,0%) para inserções, refletindo um trade-off deliberado entre estabilidade e adaptabilidade.
• Satisfação de QoS: Para o perfil de serviço exigente de VR/AR, os esquemas baseados em LLM melhoraram a seleção orientada à confiabilidade. O LLM–NS alcançou a menor Taxa de Perda de Pacotes (0,26%) comparado a 0,41% do TOPSIS-AHP, mantendo níveis competitivos de atraso e jitter.
• Estabilidade de Handover: Os ramos MADM–LLM–NS reduziram significativamente as taxas de VHO desnecessários. O SAW–LLM–NS reduziu handovers desnecessários em 47,9% em comparação com seu baseline SAW-AHP, e o TOPSIS–LLM–NS alcançou uma redução de 28,1% em relação ao TOPSIS-AHP.
• Complexidade: O framework separa os custos de geração de DT de nível de cenário dos custos de decisão por época. O ramo LLM–NS é computacionalmente eficiente quando ocorrem acertos de memória (reutilizando rankings passados), embora incorra em custos mais altos em casos de falha de memória que exigem novo ranking de lista.

Significância e Alegações
O artigo afirma que a novidade não reside meramente na combinação de DTs, MADM e LLMs, mas na reformulação da NS como um processo de decisão baseado em DT e assistido por LLM. Os autores afirmam que, ao operar sobre um estado de DT em evolução e utilizar memória de decisão, o framework supera as limitações das abordagens estáticas baseadas em matrizes. Especificamente, o trabalho demonstra que:

1. A intenção de serviço pode ser traduzida autonomamente em comportamento de seleção adaptativo sem configuração manual de pesos.
2. A estabilidade de decisão sob a evolução do conjunto de candidatos pode ser alcançada através de normalização impulsionada por memória e raciocínio com recuperação aumentada.
3. O framework proposto oferece um caminho prático para o networking orientado por intenção em 6G, equilibrando a satisfação de QoS sensível ao serviço com a estabilidade de mobilidade, sem atuar como um preditor de camada física, mas sim como uma inteligência de camada de decisão.

Os autores posicionam este trabalho como um passo em direção ao gerenciamento de rede autônomo e sensível à aplicação, distinguindo-o de estudos anteriores que utilizam LLMs meramente como interfaces ou DTs exclusivamente para simulação.