LLM Assisted Alpha Fairness for 6 GHz WiFi and NR_U Coexistence: An Agentic Orchestrator for Throughput, Energy, and SLA
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
- 现有6GHz频段Wi-Fi和NR-U共存方案难以在吞吐量、能耗和服务质量之间取得最佳平衡，缺乏灵活性和可解释性。
- 提出一种基于Agentic控制器的LLM辅助方法，分离策略制定和执行，利用LLM生成可解释的策略参数，优化资源分配。
- 实验结果表明，该方法在6GHz模拟环境中，显著提升了能源效率（最高降低35.3%），同时保持或提升了吞吐量。
📝 摘要（中文）
非授权6GHz频段正成为高容量接入的主要力量，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：公平性指标α、Wi-Fi/NR-U的每个信道占空比上限以及类别权重。然后，确定性优化器强制执行可行性并计算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，同时保持吞吐量与强大的规则基线相当。一个LLM在适度的吞吐量损失下将总能量降低了35.3%，而另一个LLM实现了最佳的整体权衡，最终的总比特数更高（+3.5%），比特/焦耳更高（+12.2%）。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频段上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，并且缺乏对策略的可解释性，难以进行审计和调试。
核心思路：论文的核心思路是将策略制定与执行分离。利用大型语言模型（LLM）作为策略制定者，根据网络状态生成可解释的策略参数（如公平性指标α、信道占空比上限、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，确保可行性和安全性。这种设计允许LLM学习复杂的网络行为模式，并生成更优的策略，同时保持策略的可解释性和可控性。
技术框架：整体框架包含以下几个主要模块：1) 遥测数据收集：收集每个信道的繁忙程度、LBT失败率，以及每个用户的CQI、积压、延迟、电池、优先级和功率模式等信息。2) LLM策略生成：LLM根据遥测数据，生成公平性指标α、信道占空比上限和类别权重等策略参数。3) 确定性优化：使用确定性优化器，根据LLM生成的策略参数，进行资源分配，同时考虑LBT损失和能量成本。4) 策略钳制与回退：如果LLM生成的策略不安全或格式错误，则将其钳制到安全范围内，并回退到预定义的规则基线。
关键创新：最重要的创新点在于将LLM引入到无线资源管理中，利用LLM强大的学习和推理能力，生成更优的策略参数。与传统的基于规则或简单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，并实现更高的吞吐量和更低的能耗。此外，LLM生成的策略具有可解释性，便于审计和调试。
关键设计：关键设计包括：1) LLM的Prompt设计：设计合适的Prompt，引导LLM生成有效的策略参数。2) 确定性优化器的目标函数设计：设计合适的目标函数，以最大化吞吐量并最小化能耗，同时满足服务质量要求。3) 策略钳制机制：设计有效的策略钳制机制，确保策略的安全性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，LLM辅助的Alpha公平性机制在6GHz模拟环境中表现出色。其中一个LLM在适度的吞吐量损失下将总能量降低了35.3%。另一个LLM实现了最佳的整体权衡，总比特数比基线高3.5%，比特/焦耳比基线高12.2%。这些结果表明，该方法能够在保证吞吐量的同时，显著提升能源效率。
🎯 应用场景
该研究成果可应用于各种无线通信场景，尤其是在高密度、异构网络环境中，例如企业无线网络、工业物联网和智能城市。通过LLM的智能策略制定，可以显著提升网络性能，降低能耗，并提供更好的用户体验。未来，该方法有望扩展到更复杂的无线网络管理任务中，例如网络切片、移动性管理和安全策略制定。
📄 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.