面向AI网络管理的责任补偿问题：一种智能审计系统方法
人工智能
2025-02-11 v1 网络与互联网体系结构
摘要
现有的网络范式通过采用基于人工智能（AI）的网络管理工具，实现了更低的停机时间以及更高的用户体验质量（QoE）。这些AI管理系统允许对网络条件的自动响应，降低了运营商的运营成本，并提升了整体性能。尽管采用基于AI的管理工具可提升网络整体性能，但也带来了诸如消除人类监督、隐私侵犯、算法偏见和模型不准确等挑战。此外，那些未能解决这些挑战的AI代理应对整个网络而非对其本身负责。为此提出一种框架，包括深度强化学习（DRL）模型和机器学习（ML）模型，用于识别并为涉及网络条件任何决策中所涉及的AI管理代理分配数值化的责任，从而影响最终用户。为该框架进行训练，我们创建了一个用于训练的模拟网络环境。DRL模型在测试中达到了96%的准确率，用于识别AI管理代理；而使用梯度下降的ML模型在测试中达到了83%的准确率，用于学习网络条件。
引用
@article{arxiv.2502.05608,
title = {Closing the Responsibility Gap in AI-based Network Management: An Intelligent Audit System Approach},
author = {Emanuel Figetakis and Ahmed Refaey Hussein},
journal= {arXiv preprint arXiv:2502.05608},
year = {2025}
}