NEOL：大型语言模型的多尺度适配在网络能源优化中的应用

《IEEE Networking Letters》：NEOL: Multiscale Adaptation of Large Language Models for Network Energy Optimization

无线移动网络能源节约策略研究通过主动预测方法，结合边缘云计算和数字孪生技术，利用LLMs处理跨时区数据创建未来网络资源预测窗口，实现动态资源优化与双阈值监控。

　　

摘要：

近年来，节能和可持续系统发展已成为全球关注的焦点。在此背景下，无线移动网络中高效节能策略的探索受到了广泛的研究关注。由于基站需要高功率的射频信号以实现广泛的覆盖范围，因此它们成为移动网络系统中能耗最高的组件之一。本研究采用主动预测网络使用模式的方法，探讨了电信领域的节能途径。边缘云资源可以用于基于观测到的网络关键性能指标进行人工智能模型训练。通过动态网络边缘处理以及数字孪生模型处理，可以为人工智能推理引擎提供动态的输入环境。此外，研究发现，具备处理不同时间尺度数据能力的大型语言模型（LLMs）可用于生成未来网络资源使用情况的预测窗口。实验结果表明，这种预测窗口结合网络使用的双重阈值监控机制，可以实现动态的网络资源优化。