Dec, 2023

LLM-Twin: 基于 Mini-Giant 模型推动的超越 5G 的数字孪生网络框架与安全语义通信和计算

PDF
TL;DR提出了一种大型语言模型（LLM）驱动的数字孪生网络框架（LLM-Twin），通过远程合作方案实现了 LLM 在数字孪生网络中的高效部署，并为数字孪生网络设计了语义级高效和安全的通信模型，经过数值实验和案例研究验证了 LLM-Twin 的可行性，这是第一个提出 LLM 驱动的语义级数字孪生网络框架。
5g networksdigital twins networkscommunication efficiencymultimodal data processingsemantic-level digital twin networking framework
发现论文，激发创造
  • 通过垂直和水平学习将无线网络映射到数字现实

    VH-Twin 是一个基于时间序列数据驱动的框架，通过竖直同构和水平同构阶段，以及基于地理和无线特性的网络区域的周期性聚类机制，有效地将无线网络映射到数字现实中。通过使用实际的无线网络流量数据，在细胞无线网络中进行综合实验，验证了 VH-Twin 构建、部署和维护网络数字孪生的有效性。参数分析还提供了在规模上在孪生效率和模型准确性之间取得平衡的见解。

    Apr, 2024

  • 大型语言模型用于动态数字孪生中的可解释决策

    利用大型语言模型为动态数据驱动型数字孪生提供可解释性平台，利用领域专业知识库生成系统决策的自然语言解释。以智能农业为案例进行了研究。

    May, 2024

  • 在零触碰网络中利用大型语言模型提高基于 DRL 的抗干扰策略

    本文探讨了将大型语言模型（LLMs）融入 Zero Touch Networks（ZTNs）的可能性，凸显了它们提升网络透明度和改善用户交互的潜力。通过对基于深度强化学习（DRL）的反干扰技术的综合案例研究，我们展示了 LLMs 如何将复杂的网络操作转化为直观易懂的报告。此外，我们还着重讨论了将 LLMs 与 ZTNs 融合的技术和伦理复杂性，包括数据隐私、透明度和偏见减少。展望未来，在 LLMs 和 ZTNs 交叉领域我们认为有新兴的研究方向，倡导在自动化网络领域持续创新和跨学科协同合作。

    Aug, 2023

  • 大型语言模型（LLMs）辅助城市环境下的无线网络部署

    利用大型语言模型（LLMs）为六代（6G）无线通信技术引入一种基于强化学习的新框架，该框架在都市环境中通过训练 RL 代理并结合卷积神经网络（CNNs）利用 LLMs 的优势以及减轻其限制，在优化区域覆盖范围的网络部署中表现出色。

    May, 2024

  • 数字孪生赋能 6G 网络：边缘关联的低延迟联邦学习与区块链

    本文介绍了数字孪生无线网络（DTWN），并在其中运行了一种基于区块链的联邦学习框架，以协作式计算提高系统的可靠性和安全性并提高数据隐私，并通过多智能体强化学习找到了最优解。

    Nov, 2020

  • 数字孪生因果语义通信：一种可推广的模仿学习方法

    本文提出了一种基于因果语义通信的数字孪生系统 (DT) 框架，通过利用人工智能等技术来实现连接智能服务，从而处理基于 DT 的大量网络数据，实现网络决策并较好地实现语义可靠性。

    Apr, 2023

  • AI 与数字孪生的相互作用：构建数据驱动和模型驱动方法之间的桥梁

    数字孪生网络在网络编排、资源管理和人工智能模型训练及智能推理等方面具有重要作用，是实现 6G 网络的关键技术之一。本文探讨数字孪生网络与人工智能相互促进的机制，并为探索数字孪生网络与人工智能的未来研究方向提供参考。

    Sep, 2022

  • 电信领域的大型语言模型（LLM）：原则、关键技术和机遇的全面调研

    大型语言模型 (LLMs) 在最近因其出色的理解和推理能力而受到了广泛关注，取得了许多领域的巨大进展。LLM 技术的进步也为电信领域的许多任务自动化提供了有希望的机会。本工作旨在提供 LLM-enabled 电信网络的全面概述，介绍了 LLM 的基本原理、关键技术和电信应用，并给出了未来发展方向。

    May, 2024

  • 大型语言模型在电信行业的应用：下一个重大趋势？

    介绍引导性人工智能在电信领域中，为无线网络提供新机遇与应用的可能性，借助大型语言模型技术，实现具有人工智能的无线通信新领域的发展。

    Jun, 2023

  • 工业网络的数字孪生本地化人工智能驱动服务架构

    互联需求的剧增导致物联网（IoT）传感器过量。为了满足大规模网络的管理需求，如准确的监测和学习能力，数字孪生是关键驱动因素。然而，由于物联网网络的连续连接要求，目前对数字孪生的实施尝试仍然不足。为了应对这些挑战，我们提出了一种数字孪生本地 AI 驱动的服务架构，以支持物联网网络概念。在提出的数字孪生本地架构中，我们实现了基于 TCP 的数据流水线和基于强化学习的学习模型。我们将该架构应用于物联网网络的一个广泛概念，即车联网。我们测量了我们提出的架构的效率，并注意到由于基于 TCP 的数据流水线而节约了约 30％的处理时间。此外，我们通过应用多种学习速率组合来测试学习模型的性能，并强调最成功的模型。

    Nov, 2023