LLM Assisted Alpha Fairness for 6 GHz WiFi and NR_U Coexistence: An Agentic Orchestrator for Throughput, Energy, and SLA

📄 arXiv: 2510.17814v1 📥 PDF

作者: Qun Wang, Yingzhou Lu, Guiran Liu, Binrong Zhu, Yang Liu

分类: eess.SY, cs.AI

发布日期: 2025-09-26

💡 一句话要点

提出LLM辅助的Alpha公平性机制，优化6GHz Wi-Fi/NR-U共存场景下的吞吐量、能耗和服务质量。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: LLM 无线资源管理 6GHz Wi-Fi NR-U 共存 Alpha公平性 能源效率

📋 核心要点

  1. 现有6GHz频段Wi-Fi/NR-U共存方案难以在吞吐量、能耗和服务质量之间取得良好平衡，且缺乏可解释性。
  2. 提出一种agentic控制器，利用LLM生成可解释的策略参数（如公平性指数），指导资源分配，实现多目标优化。
  3. 实验表明，LLM辅助策略在保持吞吐量竞争力的同时，显著提高了能源效率，最高降低总能量35.3%。

📝 摘要（中文）

非授权6GHz频段正成为高容量接入的主要手段，Wi-Fi和5G NR-U在先听后讲（LBT）规则下竞争相同的信道。在这种模式下运行需要权衡吞吐量、能耗和服务级别目标，同时保持安全性和可审计性。本文提出了一种agentic控制器，将{策略}与{执行}分离。在每个调度周期开始时，agent总结遥测数据（每个信道的繁忙程度和基线LBT失败率；每个用户的CQI、积压、延迟、电池、优先级和功率模式），并调用大型语言模型（LLM）来提出一小组可解释的旋钮：公平性指数α、Wi-Fi/NR-U的每个信道占空比上限和类别权重。然后，确定性优化器强制执行可行性，并计算一个α-公平分配，该分配内部化LBT损失和能量成本；格式错误或不安全的策略将被钳制并回退到规则基线。在具有两个160MHz信道和混合Wi-Fi/NR-U用户的6GHz模拟器中，LLM辅助策略始终提高能源效率，同时保持与强大的规则基线竞争的吞吐量。一个LLM在适度的吞吐量损失下将总能量降低35.3%，而另一个LLM实现了最佳的整体权衡，最终的总比特数（+3.5%）和比特/焦耳（+12.2%）高于基线。我们发布了代码、每个周期的日志和绘图实用程序，以重现所有图形和数字，说明透明的策略级别LLM指导如何安全地改善无线共存。

🔬 方法详解

问题定义：论文旨在解决6GHz频段下Wi-Fi和NR-U共存时，如何在满足服务质量（SLA）要求的前提下，最大化吞吐量并最小化能耗的问题。现有方法通常依赖于固定的规则或简单的优化算法，难以适应动态变化的网络环境，并且缺乏对不同用户需求的差异化处理，导致资源利用率不高，能耗较大。此外，现有策略的可解释性较差，难以进行安全审计和优化。

核心思路：论文的核心思路是将策略生成与策略执行分离。利用大型语言模型（LLM）的强大推理能力，根据网络状态和用户需求，生成一组可解释的策略参数，如公平性指数α、信道占空比上限和类别权重。然后，使用确定性优化器，根据这些参数进行资源分配，实现吞吐量、能耗和服务质量之间的平衡。这种方法既能充分利用LLM的智能，又能保证策略的可控性和安全性。

技术框架：整体框架包含两个主要模块：策略生成模块和策略执行模块。策略生成模块负责收集网络遥测数据（信道繁忙程度、LBT失败率、用户CQI、积压、延迟、电池、优先级、功率模式等），并将这些数据输入LLM。LLM根据这些数据，生成一组策略参数。策略执行模块接收LLM生成的策略参数，并使用确定性优化器计算α-公平分配，同时考虑LBT损失和能量成本。如果LLM生成的策略不安全或格式错误，则回退到预定义的规则基线。

关键创新：论文的关键创新在于将LLM引入无线资源管理领域，利用LLM生成可解释的策略参数，从而实现更智能、更灵活的资源分配。与传统的基于规则或优化算法的方法相比，该方法能够更好地适应动态变化的网络环境，并根据用户需求进行差异化处理。此外，LLM生成的策略具有良好的可解释性，便于进行安全审计和优化。

关键设计：关键设计包括：1) 使用LLM生成策略参数，而非直接生成资源分配方案，保证了策略的可解释性和可控性；2) 使用确定性优化器执行策略，保证了资源分配的公平性和效率；3) 设计了安全机制，防止LLM生成不安全的策略，保证了系统的稳定性；4) 定义了合适的遥测数据，为LLM提供了充分的信息，使其能够生成有效的策略。

📊 实验亮点

实验结果表明，LLM辅助策略在6GHz模拟器中表现出色。其中一个LLM在适度吞吐量损失下，总能量降低了35.3%。另一个LLM实现了最佳的整体权衡，总比特数提高了3.5%，比特/焦耳提高了12.2%，均优于基线策略。这些结果验证了LLM辅助策略在提高能源效率和网络性能方面的有效性。

🎯 应用场景

该研究成果可应用于各种无线通信场景，尤其适用于高密度、异构网络环境，如企业无线网络、工业物联网、智能城市等。通过LLM辅助的资源管理，可以显著提高网络性能、降低能耗，并为用户提供更好的服务体验。未来，该技术有望扩展到其他无线通信协议和频段，实现更智能、更高效的无线资源管理。

📄 摘要（原文）

Unlicensed 6GHz is becoming a primary workhorse for high-capacity access, with Wi-Fi and 5G NR-U competing for the same channels under listen-before-talk (LBT) rules. Operating in this regime requires decisions that jointly trade throughput, energy, and service-level objectives while remaining safe and auditable. We present an agentic controller that separates {policy} from {execution}. At the start of each scheduling epoch the agent summarizes telemetry (per-channel busy and baseline LBT failure; per-user CQI, backlog, latency, battery, priority, and power mode) and invokes a large language model (LLM) to propose a small set of interpretable knobs: a fairness index α, per-channel duty-cycle caps for Wi-Fi/NR-U, and class weights. A deterministic optimizer then enforces feasibility and computes an α-fair allocation that internalizes LBT losses and energy cost; malformed or unsafe policies are clamped and fall back to a rule baseline. In a 6GHz simulator with two 160MHz channels and mixed Wi-Fi/NR-U users, LLM-assisted policies consistently improve energy efficiency while keeping throughput competitive with a strong rule baseline. One LLM lowers total energy by 35.3% at modest throughput loss, and another attains the best overall trade-off, finishing with higher total bits (+3.5%) and higher bits/J (+12.2%) than the baseline. We release code, per-epoch logs, and plotting utilities to reproduce all figures and numbers, illustrating how transparent, policy-level LLM guidance can safely improve wireless coexistence.