面向战场场物联网任务编排的策略感知边缘LLM-RAG框架
网络与互联网体系结构
2026-04-13 v1
摘要
大型语言模型（LLM）为意图驱动的自主网络-物理系统提供了有前景的接口，但其直接用于任务关键的网络-战场场物联网（IoBT）环境会引发显著的安全、可靠性和政策合规性问题。本文提出了策略感知大型语言模型检索增强生成（Policy-Aware Large Language Model Retrieval-Augmented Generation, PA-LLM-RAG）框架，用于IoBT任务控制的边缘部署LLM编排，该框架集成了检索增强推理和独立命令验证。 proposed PA-LLM-RAG框架结合一个轻量级检索模块以操作政策和遥测数据为决策依据，配合本地托管的LLM进行任务规划，以及用于在执行前验证用户生成命令的次级JudgeLLM。为评估PA-LLM-RAG，我们使用RoboDK实现了一个模拟IoBT环境，并在控制任务场景复杂度递增的情况下测试了四个开源LLM，包括基线操作、威胁检测、覆盖恢复、多事件协调和政策违规请求。实验结果表明，该框架有效检测政策违规命令，同时保持适用于边缘部署的低延迟响应。Gemma-2B实现了最高的整体可靠性，延迟为4.17秒，成功率为100%。我们的发现凸显了推理容量与响应速度之间模型间的明确权衡，并表明将确定性安全措施与JudgeLLM验证相结合显著提高了LLM驱动IoBT编排中的可靠性。
引用
@article{arxiv.2604.09493,
title = {Policy-Aware Edge LLM-RAG Framework for Internet of Battlefield Things Mission Orchestration},
author = {Om Solanki and Lopamudra Praharaj and Deepti Gupta and Maanak Gupta},
journal= {arXiv preprint arXiv:2604.09493},
year = {2026}
}
备注
10 pages, 5 figures, Accepted at AIS 2026