基于大语言模型的网络数据分析功能：迈向AI原生6G网络智能的一步 LLM-Enabled NWDAF: A Step Toward AI-Native 6G Network Intelligence
开源NWDAF集成LLM自然语言接口，实现5G/6G网络分析的对话式管理
前置知识
NWDAF (Network Data Analytics Function)
3GPP在Release 15引入的网络数据分析功能，是5G核心网中的关键组件。它作为独立的服务化架构(SBA)网络功能，负责从多个网络功能(NF)收集数据、进行实时分析和预测，并将分析结果反馈给其他NF，支持闭环自动化和零接触网络管理。NWDAF通过事件订阅机制从AMF、SMF等NF获取网络数据，是5G网络智能化的核心引擎。
本文的核心贡献就是构建了一个开源NWDAF实现，并对其进行了LLM扩展。如果不理解NWDAF在5G架构中的位置、作用机制和事件订阅流程，就无法理解本文的技术方案和创新价值。
服务化架构 (Service-Based Architecture, SBA)
5G核心网采用的模块化、服务导向架构，取代了4G时代的点对点紧耦合设计。在SBA中，每个网络功能(NF)作为独立的微服务运行，通过标准化的服务化接口(SBI，通常为RESTful API)暴露能力。NF之间采用生产者-消费者模式，通过NRF(网络仓库功能)进行动态服务发现和通信。这种设计支持水平扩展、负载均衡和故障转移，为网络切片和云原生部署提供了基础。
Free5GC正是基于SBA架构实现的，本文的NWDAF也是作为SBA中的一个NF集成到核心网中。理解SBA对于理解NWDAF如何注册、发现、订阅其他NF服务至关重要。
检索增强生成 (Retrieval-Augmented Generation, RAG)
一种将信息检索与大语言模型生成相结合的技术范式。在用户查询时，系统首先从预定义的意图库中检索相关的已知意图（通常使用嵌入模型计算语义相似度），然后将检索结果和原始查询一起输入LLM进行生成。这种方法相比纯生成式方法减少了幻觉问题，因为模型只需要从预定义的、经过验证的意图集合中进行选择，而不是完全从零生成响应。
本文的LLM接口采用RAG范式进行意图分类和匹配，这是与直接使用GPT进行分类的关键区别，也是达到98.43%高准确率的重要原因。
意图驱动网络 (Intent-Based Networking, IBN)
一种网络管理范式，允许运维人员使用声明式的高级目标而非具体的执行步骤来控制网络。运维人员可以表达确保此应用低延迟或监控X区域的注册失败等意图，系统会自动将这些高层意图转换为可部署的配置和操作。IBN通过意图翻译系统将自然语言或高层策略转化为底层的API调用和配置命令，降低了网络操作的复杂度和专业技能门槛。
本文的LLM接口本质上就是IBN在5G核心网中的一个实现，将运维人员的自然语言请求转换为NWDAF的API调用或Prometheus查询。理解IBN有助于把握本文工作在更广阔的技术趋势中的定位。
研究动机
尽管3GPP在Release 15就引入了NWDAF作为5G网络智能化的核心组件，支持实时分析和闭环自动化，但开源NWDAF实现仍然非常有限且功能单一。现有的开源5G核心网项目（如Free5GC、Open5GS等）大多缺乏完整可用的NWDAF实现，已有的NWDAF实现主要局限于简单的指标暴露，缺少面向运维人员的用户友好接口。具体来说，Free5GC上有一个NWDAF实现，但它仅使用了MNIST数据集进行模型训练演示，没有与其他NF进行实时数据集成的实际功能。运维人员需要通过命令行接口或API调用来管理网络分析和订阅，这要求他们具备深厚的领域知识和编程能力，大大降低了NWDAF的可访问性。
本文的目标是本文的具体目标是构建一个完整的、生产级的开源NWDAF实现，并将其与Free5GC核心网集成，支持AMF和SMF事件订阅和实时通知处理。更重要的是，要在NWDAF上集成一个基于大语言模型的自然语言接口，使运维人员能够使用日常语言进行网络分析查询和订阅管理，而不需要掌握复杂的API语法。该接口应该能够理解运维人员的意图，将其分类并路由到相应的系统功能（如Prometheus查询或REST API调用），然后将结果以自然语言的形式返回。同时，系统需要能够预测关键网络事件（如UE下一次切换到哪个小区），为网络优化提供前瞻性指导。
与已有工作不同的是，本文的独特切入角度在于将大语言模型直接集成到NWDAF中，创建了一个端到端的意图驱动网络管理框架，而不是仅仅提供底层数据分析能力。与现有的NWDAF实现相比，本文不仅实现了完整的事件订阅和通知机制，还创新性地采用了RAG范式进行意图识别，而不是直接使用生成式LLM进行分类。与现有的IBN在5G中的研究相比，本文提供了完整的开源实现和实际测试床验证，包括基于真实模拟数据的性能评估和意图分类准确率测试。此外，本文还实现了一个自定义的基于活动的移动模型，用于生成更真实的UE行为模式，从而测试NWDAF在动态网络环境下的表现。
核心方法
本文的方法整体思路是构建一个三层架构：底层是5G核心网（Free5GC），中间层是增强的NWDAF，顶层是LLM自然语言接口。NWDAF作为中间层，一方面通过事件订阅机制从AMF和SMF收集实时网络数据，另一方面通过Prometheus暴露分析指标供查询。LLM接口作为顶层，接收运维人员的自然语言查询，使用RAG范式进行意图识别和分类，然后根据意图类型调用相应的功能（如查询Prometheus或管理订阅）。系统还包含一个预测模型层，用于分析历史和实时数据，预测关键网络事件。整个系统遵循服务化架构(SBA)设计原则，各组件通过RESTful API通信，支持动态扩展和故障转移。
核心创新点在于将RAG（检索增强生成）范式应用于网络运维意图识别，而不是直接使用生成式LLM进行分类。系统维护一个预定义的意图库，每个意图都有明确的类别标签（如AMF Subscribe、SMF Unsubscribe、Active UEs等）。当运维人员输入查询时，系统使用嵌入模型将查询和意图库中的意图都转换为向量表示，然后计算余弦相似度，选择最匹配的意图及其类别。这种方法的本质区别在于，它确保系统只能从经过验证的意图集合中进行选择，避免了生成式方法可能产生的幻觉问题。实验证明，这种方法比直接使用GPT-4o或GPT-4o-mini进行分类的准确率高得多（98.43% vs 89.5%和55.1%）。
方法步骤详情
方法步骤包括：(1) NWDAF注册与服务发现：NWDAF启动时向NRF注册，广播其分析服务能力，然后从可配置的YAML文件中读取需要订阅的事件列表，通过consumer模块向相应的NF发送订阅请求。(2) 事件通知处理：当AMF或SMF发生订阅的事件（如UE注册、去注册、切换、会话建立等）时，这些NF通过HTTP回调将事件报告发送到NWDAF，NWDAF解析、格式化并存储这些事件，同时将其转换为Prometheus指标。(3) 意图识别与分类：运维人员输入自然语言查询，系统使用嵌入模型（text-embedding-ada-002或all-MiniLM-L6-v2）生成查询向量，与预定义意图库中的向量计算余弦相似度，选择最匹配的意图及其类别。(4) 功能路由与执行：根据识别出的意图类别，系统路由到相应的功能。如果是分析查询，则构造PromQL语句并提交到Prometheus服务器；如果是订阅管理，则发送POST请求到NWDAF的REST端点。(5) 自然语言响应生成：将从Prometheus或NWDAF API获取的结构化数据（JSON格式）与系统提示、原始查询一起输入LLM，生成自然语言响应返回给运维人员。(6) 预测模型训练与推理：使用历史数据训练预测模型（如Gradient Boosting），预测关键网络事件（如UE下一次切换到哪个小区）。
技术新颖性
技术新颖性体现在三个方面：第一，首次将RAG范式应用于5G网络运维意图识别，相比生成式方法显著提高了分类准确率并减少了幻觉问题。第二，实现了完整的开源NWDAF与Free5GC的集成，支持AMF/SMF事件订阅和实时通知处理，这是首个功能完整的开源NWDAF实现。第三，构建了端到端的测试床，包括基于活动的移动模型和全面的性能评估，为NWDAF研究提供了可复现的实验平台。此外，本文还首次对LLM在网络分析领域的应用进行了系统性评估，包括意图分类和查询回答两个方面，为后续研究提供了基准。
实验结果
核心发现包括六个方面：第一，NWDAF的事件订阅和通知机制运行高效，AMF和SMF在约10毫秒内确认成功的订阅请求，NWDAF在事件发生后约109毫秒内接收并处理事件通知。第二，NWDAF的资源占用极低，仅使用0.06%的CPU资源和0.17%的系统内存（约27MB RAM），证明了其在资源受限环境中的可行性。第三，意图分类实验中，text-embedding-ada-002模型达到了最高的98.43%准确率，all-MiniLM-L6-v2模型达到96.86%，而GPT-4o和GPT-4o-mini分别为89.5%和55.1%。这证明了RAG范式相比生成式方法的优越性。第四，手势预测模型评估中，Gradient Boosting模型达到了80.65%的最高准确率，Random Forest为80.24%，Decision Tree为80.11%，K-Nearest Neighbors为79.03%，表明收集的数据具有可预测的模式。第五，UE活动分析显示出明显的时间趋势，高峰活动期出现在上午11点左右和下午14点到17点之间，最长的连续活动会话为9000秒（2.5小时）。第六，LLM查询回答评估显示，系统能够正确提取和呈现网络数据，但有时会产生不必要的填充文本或缺乏精确的数值。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 意图分类 | 准确率 | 98.43% (text-embedding-ada-002) | 89.5% (GPT-4o) | 提升9.93个百分点 |
| 意图分类 | 准确率 | 96.86% (all-MiniLM-L6-v2) | 55.1% (GPT-4o-mini) | 提升41.76个百分点 |
| 手势预测 | 准确率 | 80.65% (Gradient Boosting) | 79.03% (K-Nearest Neighbors) | 提升1.62个百分点 |
| NWDAF性能 | 订阅确认延迟 | ~10 ms | 无公开基线 | 首个开源实现 |
| NWDAF性能 | 事件处理延迟 | ~109 ms | 无公开基线 | 首个开源实现 |
| NWDAF性能 | CPU占用率 | 0.06% | 无公开基线 | 资源高效 |
局限与改进
局限性包括以下几个方面：作者承认当前的移动模型虽然能够模拟人类行为，但仍然是受控的，可能无法完全反映真实世界的复杂性。他们指出，更真实的移动模型可以被其他人集成，以进一步测试框架。此外，LLM接口目前仅支持七种预定义的意图类别，可能无法处理所有可能的运维请求。从我们自己的观察来看，LLM查询回答评估显示系统有时会产生不必要的填充文本（如This handover pattern indicates how the device moves），降低了响应的简洁性。在某些情况下，系统返回的是模糊的描述（如very high count）而不是精确的数值，这可能影响运维决策的准确性。此外，实验环境仅使用了4个虚拟gNodeB和4个UE，规模相对较小，可能无法反映大规模网络的性能特征。实验持续时间为两周，时间跨度较短，可能无法捕捉长期趋势和季节性变化。
独立分析的弱点
独立分析的弱点包括四个方面：第一，意图分类依赖于预定义的意图库，这意味着系统无法处理超出预定义范围的新意图，扩展性有限。改进方向是实现动态意图学习，允许系统从新的查询中学习新的意图类别，或者使用更强大的LLM进行意图解析，而不仅仅是分类。第二，当前系统仅支持AMF和SMF事件订阅，无法覆盖其他重要的网络功能（如UPF、PCF等）。改进方向是扩展订阅机制，支持更多NF的事件类型。第三，预测模型目前仅预测UE下一次切换到哪个小区，预测范围有限。改进方向是开发更多的预测模型，如预测网络流量峰值、识别异常行为、预测资源需求等。第四，LLM查询回答有时缺乏精确性或包含不必要的填充文本。改进方向是优化提示工程，明确要求LLM提供简洁、精确的响应，或者使用后处理模块过滤和格式化LLM输出。
未来方向
未来研究方向包括作者提出的和基于成果可延伸的：作者提出增强LLM接口以支持更高级的自动化和策略执行，允许系统在需要时自主从相关NF请求补充数据，以实现更动态和上下文感知的响应。他们还建议降低LLM使用成本，例如通过使用专门的小型语言模型或模型压缩技术（如量化和剪枝）。此外，作者提出基于用户意图生成和调用新的NWDAF服务函数，架起人类友好命令和底层网络控制任务之间的桥梁。基于当前成果，未来的研究方向可以包括：扩展移动模型以支持更多样化的用户行为模式，如紧急情况下的行为、群体行为等；集成更多的预测模型和分析功能，如网络切片优化、资源调度、故障预测等；开发可视化界面，使运维人员能够更直观地查看网络状态和分析结果；进行大规模测试，评估系统在大规模网络环境下的性能和可扩展性；研究多模态交互，支持语音、图像等多种输入方式；探索联邦学习在NWDAF中的应用，保护数据隐私的同时实现跨网络的知识共享。
复现评估
复现评估如下：作者在论文中明确声明，源代码和生成的数据集在GitHub仓库（https://github.com/HenokDanielbfg/testbed）中公开提供，这是复现性的重要保障。实验环境使用开源软件构建，包括Free5GC（5G核心网）、UERANSIM（RAN和UE模拟器）和Prometheus（监控和分析），所有这些工具都是开源且可免费获取的。实验使用虚拟环境，不需要昂贵的硬件资源，NWDAF的资源占用极低（仅27MB RAM），这意味着可以在普通的开发机器上运行。实验配置包括4个虚拟gNodeB和4个UE，配置参数在论文中有详细描述（如覆盖半径为120单位，信号强度阈值为-120 dBm）。移动模型的算法和参数在论文中有完整的数学描述。意图分类实验使用700个测试提示（100个提示×7个类别）和1000个意图提示用于匹配，数据集的构建方法在论文中有详细说明。然而，论文没有提供具体的硬件配置（如CPU型号、内存大小、存储配置），也没有明确说明实验的运行时间分布（如每天运行多少小时），这些信息可能影响复现的精确性。总体而言，复现难度中等，主要挑战在于搭建完整的5G测试床环境，但开源代码和详细文档大大降低了难度。
论文图表