《Mathematics》:LLM-Assisted Initial Population Generation for Multi-Objective Joint Service Placement and Traffic Routing in 6G Networks
编辑推荐:
在超越5G的即将到来的6G网络中,预计将出现性能要求日益严苛的服务,这需要动态且灵活的服务放置与流量路由。此外,为全球覆盖而集成非地面网络引入了持续变化的网络拓扑和条件,使得网络优化变得更具挑战性。为应对这些挑战,AI原生网络(AI-native networ
在超越5G的即将到来的6G网络中,预计将出现性能要求日益严苛的服务,这需要动态且灵活的服务放置与流量路由。此外,为全球覆盖而集成非地面网络引入了持续变化的网络拓扑和条件,使得网络优化变得更具挑战性。为应对这些挑战,AI原生网络(AI-native networking)通过实现自主网络优化而引起了广泛关注。然而,基于AI的方法通常需要昂贵的训练过程,而大多数网络优化问题仍为NP-hard,难以在多项式时间内获得最优解。遗传算法(Genetic Algorithm, GA)是最广泛采用的元启发式方法之一,通过根据适应度值进化初始种群来高效搜索大规模解空间。由于GA的收敛速度和优化性能取决于初始种群的质量和多样性,生成有效的初始解至关重要。然而,传统方法通常依赖随机初始化,这往往限制了解空间的探索。为克服这一局限,本文提出了一种LLM辅助的初始种群生成方法,用于在动态网络条件下联合优化服务放置与流量路由。该方法利用上下文学习(In-Context Learning, ICL)生成信息丰富且不同的初始解,随后由GA进行进化,以改善进化搜索的起始点和收敛行为。
该研究发表于《Mathematics》。针对6G网络中动态环境下多目标联合服务放置与流量路由问题,论文提出一种LLM辅助的初始种群生成方法。随着5G向6G演进,服务性能要求日益严苛,非地面网络集成导致网络拓扑持续变化,网络优化问题多为NP-hard(非确定性多项式困难),基于AI的方法需要昂贵训练,而遗传算法等元启发式方法虽能高效搜索,但其收敛速度和优化性能严重依赖初始种群质量,传统随机初始化限制解空间探索。为此,研究人员提出LLM辅助的智能遗传算法(LLM-assisted Intelligent Genetic Algorithm, LIGA),利用大语言模型(Large Language Model, LLM)结合上下文学习(In-Context Learning, ICL)生成高质量且多样的初始解,无需模型微调,以改善进化搜索的起始点和收敛行为。
在方法上,LIGA以遗传算法(Genetic Algorithm, GA)为底层优化器,每条染色体编码单个请求的服务放置与流量路由联合解,采用广度优先搜索(Breadth-First Search, BFS)筛选候选目的计算节点。LLM通过单样本上下文学习(single-shot ICL)生成初始路径,提示中包含压缩后的本地网络拓扑、链路/节点属性以及由基于图神经网络(Graph Neural Network, GNN)的质量预测模型筛选的示范样本。生成路径经可行性检查后注入初始种群,随后以锦标赛选择、交叉和变异进行进化。评估采用SNDlib和Internet Topology Zoo的多个拓扑,并与Dijkstra、代价感知受限最短路径(Cost-aware Constrained Shortest Path, CSP)、传统遗传算法(Conventional Genetic Algorithm, CGA)和嵌入辅助遗传算法(Embedding-Assisted Genetic Algorithm, EAGA)对比。
研究结果方面,5.1 实验设置:在New York、Nobel-EU、Pioro40上进行LLM初选,在GEANT、Cost266、Janos-US-CA、Germany50上评估,请求数20至80,GA参数固定。5.2 LLM选择:比较三种轻量LLM,Gemma 3 4B综合排名最优。5.3 性能分析:LIGA的成功率与CGA、EAGA相当,优于Dijkstra;总运营成本与CGA、EAGA接近;配对比较中,LIGA在多数拓扑和负载下成本低于CGA,且在收敛时间上优于CGA,而EAGA收敛时间始终较长。5.4 可扩展性与运行时分析:在更大规模Interoute和Cogentco拓扑上,LIGA保持最高成功率,但LLM推理占端到端时间超过99%。5.5 讨论:LLM仅用于初始化可避免进化阶段反复调用,但推理延迟是主要瓶颈,表明当前实现适合非实时规划场景。
讨论部分指出,LIGA的设计原则是让LLM作为初始化助手而非替代优化器,辅助初始化能改善收敛,但不会直接降低端到端时间,且未与强化学习(Reinforcement Learning, RL)方法比较。结论部分翻译为:在动态环境中提供具有严格性能要求的网络服务将是5G和未来6G网络的主要挑战之一。高效的网络服务放置和流量路由技术对于在满足多样化服务需求的同时最小化网络运营成本至关重要。为此,本文提出了LIGA,用于联合优化网络服务放置和流量路由。为克服遗传算法性能高度依赖初始种群质量的局限,该框架引入结合上下文学习(ICL)的大语言模型(LLM)来生成候选初始