面向 AI-RAN 中的 AI 服务与 RAN 功能的高效致时分层智能资源共享
分布式、并行与集群计算
2026-05-11 v1 网络与互联网体系结构
系统与控制
系统与控制
摘要
AI-RAN 将 AI 服务和无线接入网络 (RAN) 功能统一部署在网络边缘的 GPU 加速基础设施上。然而，在实时 RAN 功能与高度异构的 AI 服务之间进行计算共享，需在时间尺度不匹配的情况下协调调度决策， Placement 调整可能需要跨节点迁移服务，造成不可忽略的中断。本文提出一种用于 AI-RAN 计算共享的分层智能框架 (HAF)，该框架将基于大语言模型 (LLM) 的智能体用于慢时尺度的 AI 服务和 RAN 功能部署，同时结合基于截止时间的闭式凸算法用于快速时尺度的 GPU/CPU 分配。该 LLM 智能体进一步配备了预测性评论家，以筛选在引起服务中断大于预期服务水平目标 (SLO) 获益时的迁移。实验结果表明，HAF 实现了 90.0% 的整体 SLO 实现率，相较于最强基线提升了 20.5%，AI 服务请求实现率从 51% 提升至 85.3%。进一步的评估表明，HAF 在不同负载条件下均保持优势，而评论家在多个开源 LLM 智能体上均能持续提升 SLO 实现率。
引用
@article{arxiv.2605.07547,
title = {Deadline-Driven Hierarchical Agentic Resource Sharing for AI Services and RAN Functions in AI-RAN},
author = {Haiyuan Li and Yulei Wu and Dimitra Simeonidou},
journal= {arXiv preprint arXiv:2605.07547},
year = {2026}
}