面向 6G 的基于 LLM 的代理协商：解决不确定性忽视与尾事件风险
网络与互联网体系结构
2026-05-04 v2 人工智能
多智能体系统
摘要
第六代（6G）智能体自主网络的可信度的一个关键障碍是不确定性忽视偏差；即大语言模型（LLM）驱动的智能体倾向于基于简单平均值做出高风险决策，同时忽略极端事件的尾部风险。本文提出了一个无偏见、风险感知的框架，用于智能体协商，旨在确保 6G 网络切片中的资源分配稳健。具体而言，智能体利用数字孪生（Digital Twins, DTs）预测完整的延迟分布，然后使用极值理论中的条件价值-at-risk（Conditional Value-at-Risk, CVaR）进行评估。这种方法从根本上将智能体的目标从对均值进行推理，转变为对尾部进行推理，从而在最坏情况情景下建立统计上稳健的缓冲。此外，我们的框架通过要求智能体量化其 DT 预测的认识不确定性——即其自身预测的置信度——并将其传递给决策，以防止基于不可靠数据的行动。我们在 6G 互联切片协商场景中验证了该框架，涉及 eMBB 和 URLLC 智能体之间的 200 次试验。结果表明，偏见的基于均值的方法在严格的 URLLC SLA 违反了 11 次，系统性失败。我们所提的无偏见、CVaR 感知智能体成功地消除了此偏差，完全消除了 SLA 违规，并将 99.999 百分位数延迟降低了最高 51.7%。我们表明这种可靠性来自理性且可量化的能源节省成本，暴露了偏见方法的虚假经济。关键的是，使用 otel-llm-1b-it 模型在单块 NVIDIA RTX A4000 GPU 上实现的推理时间不到 1.5 秒，验证了其在非实时 RIC 用例中的可行性。
关键词
引用
@article{arxiv.2511.19175,
title = {LLM-Based Agentic Negotiation for 6G: Addressing Uncertainty Neglect and Tail-Event Risk},
author = {Hatim Chergui and Farhad Rezazadeh and Mehdi Bennis and Merouane Debbah and Christos Verikoukis},
journal= {arXiv preprint arXiv:2511.19175},
year = {2026}
}