集成 LLM 的数字孪生体用于6G网络的分层资源分配
信号处理
2025-06-24 v1
摘要
下一代（NextG）无线网络预计需要智能、可扩展且具有上下文感知能力的无线电资源管理（RRM）来支持超稠密部署、多样化的服务需求和动态网络条件。数字孪生体（DTs）通过创建高保真虚拟副本来建模实时网络行为，为网络管理提供了强大的工具；而大语言模型（LLMs）通过其先进的泛化能力和上下文推理能力提升决策水平。本文提出了一种集成 LLM 的数字孪生网络优化框架（LLM-DTNet），该框架将多层数字孪生体架构与 LLM 驱动的编排相结合，实现对异构 NextG 网络中自适应、实时 RRM。我们介绍了 LLM-DTNet 的基本原理与设计考量，讨论了其在陆基和非陆基应用中实现主动、情境感知网络管理的有效性。此外，我们还阐述了包括可扩展数字孪生体建模、安全 LLM-数字孪生体集成、能源效率实现以及多模态数据处理在内的关键挑战，塑造了面向未来的 NextG 智能无线网络发展方向。
引用
@article{arxiv.2506.18293,
title = {LLM-Integrated Digital Twins for Hierarchical Resource Allocation in 6G Networks},
author = {Majumder Haider and Imtiaz Ahmed and Zoheb Hassan and Kamrul Hasan and H. Vincent Poor},
journal= {arXiv preprint arXiv:2506.18293},
year = {2025}
}