基于LLM的NWDAF:迈向AI原生6G网络智能的一步
摘要
本文提出了一个与Free5GC兼容的开源NWDAF,该框架集成了LLM接口,支持自然语言交互和基于意图的网络管理,旨在迈向AI原生6G网络。
查看缓存全文
缓存时间: 2026/06/18 11:56
论文页面 - LLM赋能NWDAF:迈向AI原生的6G网络智能
来源:https://huggingface.co/papers/2606.11877
摘要
一款与Free5GC兼容的开源网络数据分析功能,集成了大语言模型接口,支持自然语言交互与意图驱动的网络管理。
网络数据分析功能(NWDAF)是第五代(5G)网络实现零接触网络管理的核心,通过支持实时分析和闭环自动化发挥关键作用。尽管角色关键,但开源NWDAF的实现范围广度和可访问性仍十分有限。本文开发了一款与开源核心网络Free5GC兼容的开源NWDAF,通过订阅网络功能(NF)来收集网络数据,并集成一个大语言模型(LLM)接口,支持人类操作员进行自然语言交互。该接口处理用户意图,利用语义嵌入模型对其进行编码,并映射至七种预定义意图类别之一,从而触发分析查询或事件订阅命令。该架构抽象了传统接口的复杂性,使非专业用户能够轻松管理网络分析和订阅。系统支持接入与移动性管理功能(AMF)和会话管理功能(SMF)的事件订阅、实时监控以及通过Prometheus进行的分析检索,所有功能均可通过对话界面访问。通过将AI驱动的意图识别与标准化网络分析相结合,我们的实现增强了操作员的可用性,并为迈向AI原生的6G网络奠定了基础。本研究中生成的源代码和数据集可在GitHub仓库(https://github.com/HenokDanielbfg/testbed)获取。
查看arXiv页面(https://arxiv.org/abs/2606.11877)查看PDF(https://arxiv.org/pdf/2606.11877)GitHub(https://github.com/HenokDanielbfg/testbed)添加到收藏(https://huggingface.co/login?next=%2Fpapers%2F2606.11877)
在你的agent中获取本文:
hf papers read 2606.11877
没有最新的CLI?curl -LsSf https://hf.co/cli/install.sh | bash
引用本文的模型0
尚无模型关联本文
请在模型README.md中引用 arxiv.org/abs/2606.11877 以从本页链接。
引用本文的数据集0
尚无数据集关联本文
请在数据集README.md中引用 arxiv.org/abs/2606.11877 以从本页链接。
引用本文的Spaces0
尚无Space关联本文
请在Space README.md中引用 arxiv.org/abs/2606.11877 以从本页链接。
包含本文的收藏集0
尚无收藏集包含本文
请将本文添加到一个收藏集(https://huggingface.co/new-collection)以从本页链接。
相似文章
从人工引导到自主:面向空间NPU的端到端LLM部署的智能体技能系统
本文提出了一种两阶段方法论,用于在空间NPU上进行端到端大语言模型(LLM)部署,从人工引导开发逐步过渡到自主智能体技能系统。该系统在参考模型上实现了预填充阶段2.2倍、解码阶段4.0倍的加速,并以极少的人工引导在AMD XDNA 2 NPU上自主部署了另外八个LLM。
迈向弹性与自主网络:AI原生6G的BlueSky愿景
本文提出了一个面向AI原生6G网络的愿景框架,主张采用统一的基础模型和协作式多智能体系统,以实现超越碎片化5G方案的自主、弹性网络管理。
利用移动NPU的高效端侧扩散大语言模型推理
本文提出了llada.cpp,一种NPU感知推理框架,用于在智能手机上加速扩散大语言模型(dLLM)。它引入了三种技术——Multi-Block Speculative Decoding、Dual-Path Progressive Revision和Swap-Optimized Memory Runtime——以使dLLM推理与移动NPU特性对齐,实现了相比CPU基线17-42倍的延迟降低。
大语言模型与本地AI硬件的推理引擎(2026版)
本文提供了一份全面的指南,针对2026年本地AI硬件上的大语言模型推理引擎,解释了如何根据硬件策略、工作负载和服务模型进行选择,并涵盖了诸如llama.cpp、MLX、ExLlamaV2/3、vLLM、SGLang、TensorRT-LLM和NVIDIA Dynamo等引擎。
缓解基于LLM的智能体中的锚定偏差以实现节能6G自治网络
本文提出了一种随机锚定策略,用于缓解基于LLM的智能体中的锚定偏差,以实现节能的6G自治网络,使用轻量级1B参数模型实现了高达25%的节能。