DOI: https://doi.org/10.1109/tmc.2026.3711510
تاريخ النشر: 2026-07-08
المؤلف: Maxime Elkael وآخرون
الموضوع الرئيسي: الشبكات المعرفة بالبرمجيات و5G
نظرة عامة
تتناول هذه القسم تطوير ALLSTaR (توليد جدولة مدفوعة بواسطة LLM واختبارها لتحديد النوايا في الشبكات اللاسلكية)، وهو إطار مصمم لتعزيز تطبيق الشبكات المعتمدة على النوايا (IBN) ضمن الشبكات اللاسلكية المفتوحة (O-RAN) وبيئات AI-RAN 6G. يعالج الإطار قيود طرق جدولة RAN الحالية، التي غالبًا ما تعتمد على تقسيم الشبكة بشكل خشن وتفتقر إلى الدقة اللازمة للتكيف مع ظروف المستخدم الفردية وأنماط الحركة. من خلال الاستفادة من نماذج اللغة الكبيرة (LLMs) والتعرف الضوئي على الحروف (OCR)، يقوم ALLSTaR بتفسير النوايا بلغة طبيعية ويولد تلقائيًا كود جدولة وظيفي من الأدبيات البحثية الحالية. يسمح ذلك بمطابقة ذكية لنوايا المشغلين مع خوارزميات الجدولة المناسبة، مما يسهل نشر واختبار هذه الجداول بشكل فوري كتطبيقات لامركزية (dApps) على منصة اختبار متوافقة مع 5G متعددة البائعين.
لقد مكنت تنفيذ ALLSTaR من إجراء أكبر مقارنة تجريبية على الهواء (OTA) لـ 18 خوارزمية جدولة، كاشفة عن اختلافات كبيرة بين الأداء النظري ونتائج النشر الفعلية. تظهر قدرة الإطار على تخصيص سلوك RAN ديناميكيًا بناءً على ظروف دقيقة – مثل حالة المخزن، وأنماط الحركة، وتصنيف الحركة – إمكانيته في تحسين تخصيص الموارد بشكل فعال دون الحاجة إلى إعادة تدريب واسعة لكل نية جديدة. بشكل عام، يمثل ALLSTaR تقدمًا كبيرًا في سد الفجوة بين إدارة الشبكات المعتمدة على النوايا والجدولة في الوقت الحقيقي، مما يمهد الطريق لعمليات RAN أكثر استجابة وكفاءة.
طرق
في هذا القسم، يصف المؤلفون الإطار التجريبي المستخدم لتنفيذ ALLSTaR، وهو نسخة معدلة من OpenAirInterface (OAI). يحددون اثنين من القيود الرئيسية في إطار OAI الأصلي: غياب تتبع تأخير رأس الخط (D-HoL) واستخدام متوسط متحرك مرجح أسي (EWMA) لحساب الإنتاجية، مما قد لا يعكس بدقة مقاييس الأداء. يقدم المؤلفون ملخصًا لمؤشرات جودة القناة (CQI) لمختلف معدات المستخدمين (UEs) في بيئات مختلفة، مع تسليط الضوء على الاختلافات في ظروف القناة.
يتكون التقييم من اختبارين رئيسيين: اختبار iPerf واختبار مولد حركة mgen. يقيم اختبار iPerf عدالة الجداول من خلال نقل حركة UDP عند معدل بت ثابت قدره 24 ميجابت في الثانية، متجاوزًا الحد الأقصى للإنتاجية الممكنة للخلايا (105-110 ميجابت في الثانية). يستخدم اختبار mgen نمط حركة متقطع ON/OFF لتقييم توزيع التأخير تحت ظروف متغيرة، مع متوسط إنتاجية ثابت يبلغ حوالي 11 ميجابت في الثانية عبر جميع UEs. يتم إجراء كلا الاختبارين على مدى 10 تكرارات تستمر 420 ثانية، تقيس الإنتاجية، ومعاملات العدالة (Gini وJain)، وتوزيع التأخير، ومعدل الجوع، الذي يُعرف بأنه مدة عدم تلقي UEs للبيانات لأكثر من 30 ثانية.
نقاش
يسلط النقاش حول الشبكات المعتمدة على النوايا (IBN) الضوء على الاهتمام المتزايد في التحكم في معلمات الشبكة من خلال نوايا محددة من قبل البشر على مستوى عالٍ، لا سيما في الشبكات السلكية التي تستخدم تقنيات راسخة مثل افتراضية وظائف الشبكة (NFV) والشبكات المعرفة بالبرمجيات (SDN). بينما تم إحراز تقدم كبير في البيئات السلكية، تأخرت الشبكات الخلوية تاريخيًا بسبب قفل البائعين وارتفاع تكاليف الدخول. بدأت التطورات الأخيرة، مثل واجهات O-RAN ALLIANCE المفتوحة، في سد هذه الفجوة، لا سيما مع تقديم واجهة E2، التي تسمح بالتحكم الدقيق في مؤشرات الأداء الرئيسية (KPIs). ركزت جهود البحث على تحسين تخصيص الموارد في شبكات 5G، لا سيما من خلال التقسيم، ولكن الحلول الحالية غالبًا ما تفتقر إلى الاستجابة في الوقت الحقيقي بسبب الطبيعة المجمعة لمخرجاتها.
تناقش الورقة أيضًا دمج نماذج اللغة الكبيرة (LLMs) في الاتصالات، مع التأكيد على إمكانياتها في التعلم بدون عينة وحل المشكلات بناءً على السياق دون الحاجة إلى إعادة تدريب واسعة. تشمل التطبيقات البارزة إطار LLM-xApp لتخصيص موارد الشريحة وتحسين الطاقة في شبكات O-RAN. يقترح المؤلفون بنية جديدة، ALLSTaR، التي تستخدم LLMs والتطبيقات اللامركزية (dApps) لتعزيز تخصيص الموارد في الوقت الحقيقي وقابلية البرمجة في الشبكات اللاسلكية (RANs). تهدف هذه المقاربة إلى تبسيط عملية الجدولة من خلال السماح للمشغلين بتحديد النوايا بلغة طبيعية، مما يلغي الحاجة إلى صياغات رياضية معقدة وإعادة تدريب الخوارزميات مع كل تغيير في النية. بشكل عام، يتميز المشهد الحالي لتخصيص موارد IBN بالتجزئة، ويسعى إطار ALLSTaR المقترح إلى توحيد وتعزيز هذه الجهود من خلال الاستخدام المبتكر لـ LLMs وdApps.
DOI: https://doi.org/10.1109/tmc.2026.3711510
Publication Date: 2026-07-08
Author(s): Maxime Elkael et al.
Primary Topic: Software-Defined Networks and 5G
Overview
The section outlines the development of ALLSTaR (Automated LLm-driven Scheduler generation and Testing for intent-based RAN), a framework designed to enhance the application of Intent-Based Networking (IBN) within Open Radio Access Networks (O-RAN) and AI-RAN 6G environments. The framework addresses the limitations of current RAN scheduling methods, which often rely on coarse-grained network slicing and lack the necessary granularity to adapt to individual user conditions and traffic patterns. By leveraging Large Language Models (LLMs) and Optical Character Recognition (OCR), ALLSTaR interprets natural language intents and automatically generates functional scheduler code from existing research literature. This allows for intelligent matching of operator intents to suitable scheduling algorithms, facilitating on-the-fly deployment and testing of these schedulers as O-RAN decentralized applications (dApps) on a multi-vendor 5G-compliant testbed.
The implementation of ALLSTaR has enabled the largest-scale Over-The-Air (OTA) experimental comparison of 18 scheduling algorithms, revealing significant discrepancies between theoretical performance and actual deployment outcomes. The framework’s ability to dynamically customize RAN behavior based on fine-grained conditions—such as buffer status, mobility patterns, and traffic classification—demonstrates its potential to optimize resource allocation effectively without necessitating extensive retraining for each new intent. Overall, ALLSTaR represents a significant advancement in bridging the gap between intent-based network management and real-time scheduling, paving the way for more responsive and efficient RAN operations.
Methods
In this section, the authors describe the experimental framework used to implement ALLSTaR, a modified version of the OpenAirInterface (OAI). They identify two key limitations in the original OAI framework: the absence of tracking for Head-of-Line Delay (D-HoL) and the use of an Exponentially Weighted Moving Average (EWMA) for throughput calculation, which may not accurately reflect performance metrics. The authors provide a summary of channel quality indicators (CQI) for various User Equipments (UEs) in different environments, highlighting the variations in channel conditions.
The evaluation consists of two primary tests: an iPerf test and a mgen traffic generator test. The iPerf test assesses the fairness of the schedulers by transmitting UDP traffic at a constant bitrate of 24 Mbps, exceeding the maximum achievable throughput of the cell (105-110 Mbps). The mgen test employs a bursty ON/OFF traffic pattern to evaluate delay distribution under variable conditions, with a consistent average throughput of approximately 11 Mbps across all UEs. Both tests are conducted over 10 iterations lasting 420 seconds, measuring throughput, fairness coefficients (Gini and Jain), delay distribution, and the starvation rate, defined as the duration UEs go without receiving data for more than 30 seconds.
Discussion
The discussion on intent-based networking (IBN) highlights the growing interest in controlling network parameters through high-level human-defined intents, particularly in wired networks utilizing established technologies like Network Function Virtualization (NFV) and Software-defined Networking (SDN). While significant advancements have been made in wired environments, cellular networks have historically lagged due to vendor lock-in and high entry costs. Recent developments, such as the O-RAN ALLIANCE’s open interfaces, have begun to bridge this gap, particularly with the introduction of the E2 interface, which allows for granular control over key performance indicators (KPIs). Research efforts have focused on optimizing resource allocation in 5G networks, particularly through slicing, but existing solutions often lack real-time responsiveness due to the aggregated nature of their outputs.
The paper also discusses the integration of large language models (LLMs) into telecommunications, emphasizing their potential for zero-shot learning and context-based problem-solving without extensive retraining. Notable applications include the LLM-xApp framework for slice resource allocation and energy optimization in O-RAN networks. The authors propose a novel architecture, ALLSTaR, which utilizes LLMs and decentralized applications (dApps) to enhance real-time resource allocation and programmability in radio access networks (RANs). This approach aims to streamline the scheduling process by allowing operators to specify intents in natural language, thus eliminating the need for complex mathematical formalizations and retraining of algorithms with each intent change. Overall, the current landscape of IBN resource allocation is characterized by fragmentation, and the proposed ALLSTaR framework seeks to unify and enhance these efforts through innovative use of LLMs and dApps.