面向工业物联网中QoE感知网络切片管理的LLM赋能的智能体人工智能
网络与互联网体系结构
2025-12-25 v1
摘要
工业物联网（IIoT）要求网络提供超低延迟、高可靠性和成本效益，而传统的优化方法和基于深度强化学习（DRL）的方法在动态和异构工作负载下难以满足这些要求。为弥补这一差距，大语言模型（LLM）赋能的智能体人工智能已成为一种有前景的范式，它集成了推理、规划和自适应能力，以实现QoE感知的网络管理。在本文中，我们探讨了将智能体人工智能集成到面向IIoT的QoE感知网络切片中。我们首先回顾了网络切片管理架构、IIoT应用的QoE指标，以及动态管理异构网络切片的挑战，同时强调了采用智能体人工智能的动机和优势。然后，我们展示了基于智能体人工智能的切片管理工作流，说明了AI智能体从处理切片请求到构建切片实例并进行动态调整的完整生命周期。此外，我们提出了一种用于切片管理的LLM赋能的智能体人工智能方法，该方法集成了用于语义意图推断的检索增强生成（RAG）模块、用于切片配置的基于DRL的编排器，以及用于持续学习和自适应的增量记忆机制。通过一个关于异构切片管理的案例研究，我们证明所提出的方法在平衡延迟、可靠性和成本方面显著优于其他基线，并在切片可用率上实现了高达19%的提升。
引用
@article{arxiv.2512.20997,
title = {LLM-Empowered Agentic AI for QoE-Aware Network Slicing Management in Industrial IoT},
author = {Xudong Wang and Lei Feng and Ruichen Zhang and Fanqin Zhou and Hongyang Du and Wenjing Li and Dusit Niyato and Abbas Jamalipour and Ping Zhang},
journal= {arXiv preprint arXiv:2512.20997},
year = {2025}
}
备注
8 pages, 5 figures