보안 및 에너지 효율적인 무선 에이전트 기반 인공지능 네트워크

Secure and Energy-Efficient Wireless Agentic AI Networks

본 논문에서는 사용자들의 추론 작업에 대한 서비스 품질(QoS)을 제공하면서 동시에 개인 정보 및 추론 결과의 기밀성을 보장하는 보안 무선 에이전트 기반 인공지능 네트워크를 제안합니다. 이 네트워크는 하나의 중앙 제어 AI 에이전트와 여러 개의 다른 AI 에이전트로 구성됩니다. 중앙 제어 AI 에이전트는 협력적인 추론에 참여할 AI 에이전트를 동적으로 할당하며, 선택되지 않은 AI 에이전트는 우호적인 방해 전파원으로 작용하여 도청자의 가로채기 성능을 저하시킵니다. AI 에이전트의 서비스 지속 시간을 늘리기 위해, 지연 시간 및 추론 정확도 제약 조건 하에서 AI 에이전트 선택, 기지국(BS) 빔포밍 및 AI 에이전트 전송 전력을 동시에 최적화하는 에너지 최소화 문제를 정의합니다. 제안된 문제를 해결하기 위해, ASC 및 LAW라는 두 가지 자원 할당 방식을 제안합니다. ASC는 제안된 교차 방향 곱셈법(ADMM) 기반 알고리즘, 반정부정(SDR) 이완 및 연속적 볼록 근사(SCA)를 사용하여 각 하위 문제를 반복적으로 최적화합니다. 반면, LAW는 에이전트 기반 워크플로우 내에서 제안된 대규모 언어 모델(LLM) 최적화기를 사용하여 각 하위 문제를 해결합니다. 실험 결과는 제안된 솔루션이 다른 기준 방식에 비해 네트워크 에너지 소비를 최대 59.1%까지 줄일 수 있음을 보여줍니다. 또한, 제안된 방식은 Qwen 기반의 실제 에이전트 기반 AI 시스템을 사용하여 검증되었으며, 다양한 공개 벤치마크에서 만족스러운 추론 정확도를 보였습니다.

In this paper, we introduce a secure wireless agentic AI network comprising one supervisor AI agent and multiple other AI agents to provision quality of service (QoS) for users' reasoning tasks while ensuring confidentiality of private knowledge and reasoning outcomes. Specifically, the supervisor AI agent can dynamically assign other AI agents to participate in cooperative reasoning, while the unselected AI agents act as friendly jammers to degrade the eavesdropper's interception performance. To extend the service duration of AI agents, an energy minimization problem is formulated that jointly optimizes AI agent selection, base station (BS) beamforming, and AI agent transmission power, subject to latency and reasoning accuracy constraints. To address the formulated problem, we propose two resource allocation schemes, ASC and LAW, which first decompose it into three sub-problems. Specifically, ASC optimizes each sub-problem iteratively using the proposed alternating direction method of multipliers (ADMM)-based algorithm, semi-definite relaxation (SDR), and successive convex approximation (SCA), while LAW tackles each sub-problem using the proposed large language model (LLM) optimizer within an agentic workflow. The experimental results show that the proposed solutions can reduce network energy consumption by up to 59.1% compared to other benchmark schemes. Furthermore, the proposed schemes are validated using a practical agentic AI system based on Qwen, demonstrating satisfactory reasoning accuracy across various public benchmarks.