Agentenbasierte KI stärkt Intent‑Based‑Networking für 6G

Der Übergang zu 6G erfordert autonome Orchestrierungssysteme, die hochrangige Betriebsintentionen in konkrete Netzwerkkonfigurationen übersetzen können. Aktuelle Ansätze im Intent‑Based‑Networking (IBN) stützen sich entweder auf regelbasierte Systeme, die mit sprachlicher Variation kämpfen, oder auf end‑to‑end neuronale Modelle, die weder interpretierbar noch in der Lage sind, betriebliche Einschränkungen durchzusetzen.

In diesem Beitrag wird ein hierarchisches Multi‑Agenten‑Framework vorgestellt, bei dem große Sprachmodelle (LLM) eigenständig natürliche Sprachintentionen zerlegen, fachkundige Spezialagenten konsultieren und durch iterative ReAct‑Zyklen technisch umsetzbare Netzwerkschnittkonfigurationen erzeugen. Der Orchestrator koordiniert dabei zwei Spezialagenten – einen für das Radio Access Network (RAN) und einen für das Core Network – und nutzt ReAct‑basierte Logik, die auf strukturierten Netzwerkzustandsdarstellungen beruht.

Experimentelle Tests in einer Vielzahl von Benchmark‑Szenarien zeigen, dass das vorgeschlagene System sowohl regelbasierte Ansätze als auch direkte LLM‑Prompting‑Methoden übertrifft. Die zugrunde liegenden Prinzipien lassen sich zudem problemlos in Open‑RAN‑Deployments übertragen.

Die Ergebnisse verdeutlichen, dass moderne LLMs zwar über generelles Telekommunikationswissen verfügen, jedoch für die Netzwerkautomatisierung eine sorgfältige Prompt‑Engineering‑Strategie erforderlich ist, um kontextabhängige Entscheidungs­schwellen einzubetten. Damit wird die autonome Orchestrierung von Netzwerken für zukünftige drahtlose Systeme nachhaltig vorangetrieben.