6G를 위한 에이전트 AI 강화 의도 기반 네트워킹

Agentic AI Empowered Intent-Based Networking for 6G

6세대(6G) 무선 네트워크로의 전환은 고수준의 운영 의도를 실행 가능한 네트워크 구성으로 변환할 수 있는 자율 오케스트레이션 메커니즘을 필요로 한다. 기존의 의도 기반 네트워킹(IBN) 접근 방식은 언어적 변형을 처리하는 데 어려움이 있는 규칙 기반 시스템이나, 해석 가능성이 부족하고 운영 제약 조건을 강제하지 못하는 엔드-투-엔드 신경망 모델에 의존해 왔다. 본 논문은 대규모 언어 모델(LLM) 기반 에이전트들이 반복적인 추론-행동(ReAct) 사이클을 통해 자연어 의도를 자율적으로 분해하고, 도메인별 전문가와 협의하며, 기술적으로 실현 가능한 네트워크 슬라이스 구성을 합성하는 계층적 다중 에이전트 프레임워크를 제안한다. 제안된 아키텍처는 구조화된 네트워크 상태 표현을 기반으로 하는 ReAct 스타일의 추론을 통해 무선 접속 네트워크(RAN) 및 코어 네트워크 에이전트라는 두 전문가 에이전트를 조정하는 오케스트레이터 에이전트를 사용한다. 다양한 벤치마크 시나리오에 걸친 실험적 평가는 제안된 시스템이 규칙 기반 시스템 및 직접적인 LLM 프롬프팅보다 우수한 성능을 보임을 나타내며, 이 아키텍처 원칙은 오픈 RAN(O-RAN) 배포에도 적용 가능하다. 또한 결과는 최신 LLM이 일반적인 통신 지식을 보유하고 있음에도 불구하고, 네트워크 자동화를 위해서는 상황 의존적 결정 임계값을 인코딩하기 위한 세밀한 프롬프트 엔지니어링이 필요함을 보여주며, 이는 차세대 무선 시스템을 위한 자율 오케스트레이션 기능을 발전시킨다.

The transition towards sixth-generation (6G) wireless networks necessitates autonomous orchestration mechanisms capable of translating high-level operational intents into executable network configurations. Existing approaches to Intent-Based Networking (IBN) rely upon either rule-based systems that struggle with linguistic variation or end-to-end neural models that lack interpretability and fail to enforce operational constraints. This paper presents a hierarchical multi-agent framework where Large Language Model (LLM) based agents autonomously decompose natural language intents, consult domain-specific specialists, and synthesise technically feasible network slice configurations through iterative reasoning-action (ReAct) cycles. The proposed architecture employs an orchestrator agent coordinating two specialist agents, i.e., Radio Access Network (RAN) and Core Network agents, via ReAct-style reasoning, grounded in structured network state representations. Experimental evaluation across diverse benchmark scenarios shows that the proposed system outperforms rule-based systems and direct LLM prompting, with architectural principles applicable to Open RAN (O-RAN) deployments. The results also demonstrate that whilst contemporary LLMs possess general telecommunications knowledge, network automation requires careful prompt engineering to encode context-dependent decision thresholds, advancing autonomous orchestration capabilities for next-generation wireless systems.