X-RIC: An Agentic RAN-Intelligent Controller Benchmark for Enhancing Reinforcement Learning

이 논문은 통신망 제어에서 강화학습의 샘플 비효율 문제를 에이전틱 추론과 자동 행동 복제 결합으로 풀었다.

이 논문은 한마디로 O-RAN 무선망 제어기에 에이전틱 추론을 더해 강화학습 제어의 비용과 안정성을 개선한 연구다. 저자들은 X-RIC 틀에서 빠른 강화학습 제어와 느린 전신 언어 모델 추론을 닫힌 고리로 묶었다. BARX라는 평가 틀로 지연, 규격 준수, 결정성, 정책 효과를 재어 배치 준비도를 확인했다. SLA 인식 네트워크 슬라이싱 시뮬레이션과 실제 테스트베드에서 큰 비용 절감을 보였다.

핵심 요약

• O-RAN 아키텍처에 에이전틱 인공지능을 통합한 eXplainable RIC, 즉 X-RIC 틀을 제안했다.
• BARX 평가 틀이 지연, 규격 준수, 결정성, 정책 효과의 네 축으로 폐쇄 고리 제어 속 에이전틱 추론 후보를 평가했다.
• 전신 언어 모델 TLM은 LLaMA3-8B에 256차원 RAN 상태 인코더를 얹어 망 텔레메트리를 이해하게 만들었다.
• SLA 인식 네트워크 슬라이싱에서 운영 비용 89% 감소, 수렴 75% 가속, 학습 단계 50% 감소, 분산 46% 감소를 달성했다.
• 미세조정하지 않은 LLM 정책은 환각으로 자원 제약을 어겨 비용을 90.3% 늘렸다고 보고했다.
• OpenAirInterface 실제 테스트베드에서 X-RIC500이 eMBB 17 Mbps, URLLC 5 ms 마진을 유지했다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.