AI原生无线接入网协议:基于大语言模型的无线资源控制层仿真

新闻

作者：微信文章

LLM-Based Emulation of the Radio Resource

Control Layer: Towards AI-Native RAN Protocols
报告原文地址：https://arxiv.org/pdf/2505.16821

概述

这篇由谢菲尔德大学和诺基亚贝尔实验室联合发表的研究论文，首次实现了基于大语言模型（LLM）的无线电资源控制（RRC）层标准兼容仿真。报告核心在于证明AI模型可以直接理解和生成移动网络中的控制信号协议，为6G时代的"AI原生空口"奠定基础。通过对真实4G/5G网络数据的微调，研究团队使LLM学会了RRC这种"领域专用语言"，在保持协议标准的同时实现了智能化的控制平面操作。

关键洞察：

协议语言化：将复杂的电信协议视为一种可学习的语言，使AI模型能像处理自然语言一样解析和生成网络信号

约束解码决定性能：通过结构化的提示约束，AI模型生成的消息标准符合率从接近零提升到97%以上

边缘部署可行性：量化技术使AI模型在移动设备上运行成为可能，为分布式智能网络打开新路径

研究背景与意义

随着5G的普及和6G的酝酿，移动网络正从静态配置向动态智能演变。传统的网络协议依赖于手工编写的规则逻辑，难以适应复杂多变的网络环境。本研究瞄准无线接入网（RAN）中的核心控制层——RRC层，该层负责管理设备与基站之间的连接建立、移动性配置等关键任务。



图1直观展示了AI模型如何嵌入传统基站架构。就像人类翻译官在不同语言间转换一样，AI模型在这里充当了"协议翻译官"的角色，将上行信号智能转化为下行响应，同时保持与现有网络的兼容性。
系统架构与集成方案

智能基站设计

研究团队提出了将LLM集成到 disaggregated gNB（下一代基站）的创新架构。基站被分解为中央单元（CU）和分布式单元（DU），其中CU进一步分为控制平面（CU-CP）和用户平面（CU-UP）。AI模型 precisely 被部署在CU-CP的RRC层，替代传统的基于规则的逻辑。



图2详细描绘了这种分层架构。值得注意的是，AI模型的集成保持了外部接口不变，这意味着运营商可以在不改变现有网络设备的情况下逐步引入AI能力，大大降低了部署门槛。
工作流程设计

当用户设备发送连接请求或测量报告时，信号通过F1-C接口到达CU-CP，由嵌入的RRC LLM进行处理。模型会综合考虑当前连接状态、历史交互和网络条件，生成符合3GPP标准的下行响应，如连接建立或移动性重配置消息。



图3展示了从数据准备到实时推理的完整流程。模型首先在历史RRC消息轨迹上进行监督微调，学习协议模式，然后在运营环境中动态生成控制消息。
数据准备与模型训练

数据集构建

研究使用了来自真实网络环境的两个互补数据集：

5G NR数据集：包含30,247个上行-下行消息对，来自2,524个会话

4G LTE数据集：包含4,808个问答回合，来自1,601个会话

为确保训练效果，团队创新性地将原始消息重组为问答对格式，保持了程序因果关系和ASN.1结构。每个会话的对话轮次被限制以避免超出模型上下文限制。



图4展示了这种数据结构化方法。多个物理消息被合并为单个逻辑请求，如将重配置完成和测量报告合并为一个问题，这提高了训练效率。
消息类型分布

表I LTE和NR RRC消息类型在专有现场日志中的分布

消息类型	LTE计数	NR计数
dlInformationTransfer	149	1743
measurementReport	229	43410
rrcReconfiguration	-	16034
rrcReconfigurationComplete	-	16099
...	...	...
总计	7957	105293

表格显示，主要RRC程序（连接建立、安全激活、重配置等）在两个网络制式中都有良好代表性，确保了训练的全面性。
高效微调策略

研究采用参数高效的LoRA（低秩适应）技术，仅训练少量参数而非整个模型。这使训练参数量减少数个数量级，同时保持表达能力。具体配置如表II所示。

表II 监督微调超参数

参数	NR数据集	LTE数据集
模型	Llama-3 8B	Llama-3.x(1B-8B)
最大序列长度	4096	4096
优化器	AdamW	AdamW
学习率	2×10⁻⁵	2×10⁻⁵（全微调）/ 3×10⁻⁴（LoRA）

训练过程中，损失在最初1000步内下降两个数量级，在约8400步后稳定，表明模型快速收敛。



图5展示了典型的训练收敛曲线，选择了平衡收敛速度和稳定性的检查点用于评估。
性能评估与结果分析

评估指标体系

研究建立了多维评估标准：

语义相似度：使用Sentence BERT比较生成消息与真实消息的余弦相似度

ASN.1语法有效性：通过编码-解码往返测试验证消息结构合规性

状态机一致性：检查上行到下行消息转换是否符合协议规范

核心发现

在120种配置的全面测试中，研究得出了以下关键结论：

约束解码的决定性作用

当使用RRC_constrain策略（注入ASN.1微模式约束）时，微调后的模型在ASN.1和状态机一致性上达到97-100%的通过率。相比之下，相同模型在没有约束的提示下，相似度虽高但合规率接近零。

表IV LTE数据集上的精选结果（部分）

骨干网络	量化	策略	微调	延迟(ms)中值	相似度中值	ASN通过率
L-3 8B	FP16	RRC_constrain	lora-r16	3544	1.000	0.995
L-3 8B	Q4_K_M	RRC_constrain	lora-r16	2556	1.000	0.989
L-3 8B	FP16	RRC	lora-r16	3418	0.669	0.023

参数高效与全微调对比

在8B大模型上，LoRA（秩=16）接近或略优于全微调，而较小模型（1B）则受益于全参数更新。这表明参数高效方法在大规模模型上更具优势。

表III LTE数据集：最佳检查点的验证损失（越低越好）

骨干网络	全微调	LoRA r4	LoRA r8	LoRA r16
Llama-3 8B	0.02017	0.02038	0.02062	0.01984
Llama-3.1 8B	0.02836	0.02131	0.02152	0.02096

量化加速效果

INT4量化（Q4_K_M）使延迟降低20-30%，而有效性损失很小。例如，8B模型在约束模式下从3.6秒降至2.6秒，为实际部署提供了可行性。



图7显示，微调后的模型相似度中值达到0.97，显著高于零样本基线的0.60左右，证明了领域适应的价值。

跨运营商一致性

在不同运营商的网络数据上测试，模型保持了稳定的性能表现，表明该方法具有良好的泛化能力。

表VII LTE数据集上的跨运营商指标

运营商	状态机通过率	ASN1真实率	相似度	模式召回
运营商A	0.549	0.997	0.975	0.931
运营商B	0.536	0.999	0.969	0.913

延迟性能分析

延迟是电信应用的关键指标。研究显示，最优配置下延迟在1.7-3.6秒范围，尚未达到电信级sub-100ms要求，但通过量化、轻量级模型和优化解码策略展现了改进路径。



图8直观展示了延迟与保真度之间的权衡关系。最快的配置（原始模型）产生短但通常无效的消息，而调优配置提供接近完美的协议有效性但延迟较高。

边缘部署前景

令人鼓舞的是，在Apple M2 Max等移动设备上，1B模型+INT4量化可实现接近数据中心的性能，为电池供电的现场诊断和开发者验证开辟了可能性。

表XII Llama-3.2-1B/INT4在RRC_constrain下的边缘可移植性

平台	延迟中值(ms)	吞吐量(请求/秒)	模式检查中值	能量/消息
GH200(1xH100)	≈1092	≈0.92	≈0.96	≈0.200 Wh
Apple M2 Max	≈1841	≈0.54	≈0.97	≈7.7 mWh

结论与未来展望

本研究成功证明了基于LLM的RRC层仿真的可行性，为AI原生无线接入网提供了具体的技术路径。通过将电信协议视为可学习的语言，并结合参数高效微调和约束解码，AI模型能够生成标准兼容的控制消息。

技术贡献总结：

首次实现标准兼容的RRC层LLM仿真

提出有效的领域适应方法，使通用大模型掌握专用协议知识

建立多维评估体系，平衡语义保真度、结构有效性和延迟要求

未来研究方向：

推理加速：通过推测解码、分层代理架构和轻量级模型实现实时性能

上下文扩展：开发更长上下文窗口的模型，支持复杂程序连续性

动态模式适应：结合检索增强生成应对3GPP标准演进和厂商变体

协议感知评估：定义融合结构有效性、语义意图和运营KPI的专用评估指标

这项研究架起了AI原生空口概念与具体实现之间的桥梁，为6G网络的智能化控制平面奠定了坚实基础。随着模型优化和硬件发展，我们有理由相信AI驱动的网络协议将在不久的将来成为现实。