Graph-Symbolic Policy Enforcement and Control (G-SPEC): A Neuro-Symbolic Framework for Safe Agentic AI in 5G Autonomous Networks

📄 arXiv: 2512.20275v1 📥 PDF

作者: Divya Vijay, Vignesh Ethiraj

分类: cs.AI, cs.NI

发布日期: 2025-12-23

备注: 15 pages, 3 figures, 3 tables

💡 一句话要点

提出G-SPEC神经符号框架，保障5G自治网络中LLM代理的安全策略执行。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 神经符号计算 5G/6G网络 自治网络 大型语言模型 网络知识图 策略执行 安全保障

📋 核心要点

  1. 现有5G/6G网络编排面临静态自动化和深度强化学习的局限，LLM代理引入了拓扑幻觉和策略违规等风险。
  2. G-SPEC框架结合神经符号方法，利用网络知识图和SHACL约束，对LLM代理的规划进行确定性验证，保障安全。
  3. 实验表明，G-SPEC在5G核心网中实现了零安全违规和94.1%的补救成功率，显著优于基线方法。

📝 摘要（中文）

随着网络向5G独立组网和6G演进，运营商面临的编排挑战超出了静态自动化和深度强化学习的局限。虽然大型语言模型（LLM）代理为意图驱动的网络提供了一条途径，但它们也引入了随机风险，包括拓扑幻觉和策略不合规。为了缓解这个问题，我们提出了图符号策略执行与控制（G-SPEC），这是一个神经符号框架，它使用确定性验证来约束概率规划。该架构依赖于一个治理三元组——一个电信适配代理（TSLAM-4B）、一个网络知识图（NKG）和SHACL约束。我们在一个模拟的450节点5G核心网上评估了G-SPEC，实现了零安全违规和94.1%的补救成功率，显著优于82.4%的基线。消融分析表明，NKG验证驱动了大部分安全收益（68%），其次是SHACL策略（24%）。在1万到10万个节点的拓扑上的可扩展性测试表明，验证延迟与子图大小k呈$O(k^{1.2})$关系。G-SPEC的处理开销为142ms，对于SMO层操作是可行的。

🔬 方法详解

问题定义：论文旨在解决5G/6G自治网络中，使用LLM代理进行网络编排时，由于LLM的随机性和不确定性，可能导致的拓扑幻觉和策略违规问题。现有方法，如静态自动化和深度强化学习，无法有效应对日益复杂的网络环境和意图驱动的需求，而直接使用LLM代理则存在安全风险。

核心思路：论文的核心思路是结合神经符号方法，利用LLM代理进行概率规划，同时使用网络知识图（NKG）和SHACL约束进行确定性验证，从而在保证网络灵活性的同时，确保安全性和策略合规性。通过这种方式，可以有效缓解LLM代理的随机性带来的风险。

技术框架：G-SPEC框架包含三个主要模块：电信适配代理（TSLAM-4B）、网络知识图（NKG）和SHACL约束。TSLAM-4B负责根据网络意图进行概率规划，生成网络配置方案。NKG存储网络拓扑和资源信息，用于验证配置方案的合理性。SHACL约束定义了网络策略和安全规则，用于验证配置方案的合规性。整个流程是：TSLAM-4B生成方案 -> NKG验证方案的拓扑合理性 -> SHACL验证方案的策略合规性 -> 执行通过验证的方案。

关键创新：G-SPEC的关键创新在于将神经方法（LLM代理）与符号方法（NKG和SHACL）相结合，形成一个神经符号框架。这种结合既利用了LLM的灵活性和泛化能力，又利用了符号方法的确定性和可验证性。与现有方法相比，G-SPEC能够更好地平衡网络性能和安全性。

关键设计：TSLAM-4B是一个针对电信领域进行适配的LLM，具体模型大小为4B参数。NKG使用图数据库存储网络拓扑和资源信息，并支持高效的图查询操作。SHACL约束使用W3C标准定义，可以灵活地表达各种网络策略和安全规则。实验中，作者使用了包含450个节点的5G核心网进行评估，并设计了多种网络策略和安全规则。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，G-SPEC在模拟的450节点5G核心网上实现了零安全违规和94.1%的补救成功率，显著优于82.4%的基线方法。消融分析表明，NKG验证贡献了68%的安全收益，SHACL策略贡献了24%。可扩展性测试表明，验证延迟与子图大小k呈$O(k^{1.2})$关系，处理开销为142ms，满足SMO层操作的需求。

🎯 应用场景

G-SPEC框架可应用于5G/6G自治网络的智能编排和管理，例如网络切片、资源分配、故障诊断和安全策略执行。该框架能够提高网络自动化水平，降低运维成本，并保障网络的安全性和可靠性。未来，G-SPEC可以扩展到其他领域，如云计算、物联网和工业控制系统。

📄 摘要（原文）

As networks evolve toward 5G Standalone and 6G, operators face orchestration challenges that exceed the limits of static automation and Deep Reinforcement Learning. Although Large Language Model (LLM) agents offer a path toward intent-based networking, they introduce stochastic risks, including topology hallucinations and policy non-compliance. To mitigate this, we propose Graph-Symbolic Policy Enforcement and Control (G-SPEC), a neuro-symbolic framework that constrains probabilistic planning with deterministic verification. The architecture relies on a Governance Triad - a telecom-adapted agent (TSLAM-4B), a Network Knowledge Graph (NKG), and SHACL constraints. We evaluated G-SPEC on a simulated 450-node 5G Core, achieving zero safety violations and a 94.1% remediation success rate, significantly outperforming the 82.4% baseline. Ablation analysis indicates that NKG validation drives the majority of safety gains (68%), followed by SHACL policies (24%). Scalability tests on topologies ranging from 10K to 100K nodes demonstrate that validation latency scales as $O(k^{1.2})$ where $k$ is subgraph size. With a processing overhead of 142ms, G-SPEC is viable for SMO-layer operations.