6G网络中面向联邦人工智能与大语言模型的隐私感知认知优化框架

《Scientific Reports》：Enhancing network science with large language models and federated artificial intelligence

　　

摘要

第六代（6G）网络需要智能且具备隐私保护能力的解决方案，以应对流量复杂性、资源分配及安全挑战。尽管大语言模型（LLMs）提供了先进的推理能力，联邦人工智能（FAI）实现了无需直接共享原始数据的分布式学习，但二者在大规模网络科学中的联合应用仍十分有限。关键问题包括非独立同分布（non-IID）数据、决策延迟以及集中式模型鲁棒性有限。为应对这些挑战，本工作提出了 FALCON-6G（6G 网络中面向联邦人工智能和大语言模型的认知优化），这是一个用于分布式异常检测、流量预测和自适应资源管理的新颖框架。在包含 50 个参与客户端和 200 个全局通信轮次的联邦学习设置下，针对两个 Open RAN 数据集和四个入侵检测数据集进行的实验表明，与 FedAvg 相比，FALCON-6G 的吞吐量预测精度平均相对提升 22.7%，决策延迟降低 17.6%；同时，入侵检测 F1 分数相对提升最高达 23.9%，通信开销减少 34.0%。这些结果展示了 FALCON-6G 在隐私感知型 6G 网络优化方面的潜力。当前的评估主要基于基准数据集，而在实时大规模 6G/O-RAN 环境中的验证仍是未来工作的重要方向。