LLM-gestützter NWDAF: Ein Schritt in Richtung KI-nativer 6G-Netzwerkintelligenz

Zusammenfassung

Die Netzwerkdatenanalysefunktion (NWDAF) ist von zentraler Bedeutung für die Ermöglichung des Zero-Touch-Netzwerkmanagements in Netzen der fünften Generation (5G), da sie Echtzeitanalysen und Closed-Loop-Automatisierung unterstützt. Trotz ihrer entscheidenden Rolle sind Open-Source-NWDAF-Implementierungen hinsichtlich Umfang und Zugänglichkeit nach wie vor begrenzt. In dieser Arbeit entwickeln wir eine Open-Source-NWDAF, die mit dem Open-Source-Kernnetz Free5GC kompatibel ist, Netzwerkdaten über Abonnements von Netzwerkfunktionen (NFs) sammelt und auch eine integrierte Schnittstelle für große Sprachmodelle (LLM) umfasst, die eine Interaktion in natürlicher Sprache mit menschlichen Bedienern ermöglicht. Die Schnittstelle verarbeitet Benutzerabsichten, kodiert diese mithilfe eines semantischen Einbettungsmodells und ordnet sie einer von sieben vordefinierten Absichtskategorien zu, um Analytikabfragen oder Ereignisabonnementbefehle auszulösen. Diese Architektur abstrahiert die Komplexität traditioneller Schnittstellen und ermöglicht es auch Nicht-Experten, Netzwerkanalysen und Abonnements einfach zu verwalten. Das System unterstützt Ereignisabonnements der Zugangs- und Verwaltungsfunktion (AMF) und der Sitzungsverwaltungsfunktion (SMF), Echtzeitüberwachung und Analytikabruf über Prometheus, die alle über eine dialogbasierte Schnittstelle zugänglich sind. Durch die Überbrückung von KI-gesteuerter Absichtserkennung mit standardisierter Netzwerkanalyse verbessert unsere Implementierung die Benutzerfreundlichkeit für Bediener und schafft eine Grundlage für KI-native 6G-Netze. Der Quellcode und die Datensätze, die während der aktuellen Studie generiert wurden, sind im GitHub-Repository verfügbar: https://github.com/HenokDanielbfg/testbed.

English

The Network Data Analytics Function (NWDAF) is central to enabling zero-touch network management in fifth-generation (5G) networks by supporting real-time analytics and closed-loop automation. Despite its critical role, open-source NWDAF implementations remain limited in scope and accessibility. In this paper, we develop an open-source NWDAF, compatible with the open-source core network Free5GC, that collects network data via subscriptions to Network Functions (NFs), and also includes an integrated Large Language Model (LLM) interface that enables natural language interaction with human operators. The interface processes user intents, encodes them using a semantic embedding model, and maps them to one of seven predefined intent categories to trigger analytics queries or event subscription commands. This architecture abstracts the complexity of traditional interfaces, allowing non-expert users to manage network analytics and subscriptions with ease. The system supports Access and Management Function (AMF) and Session Management Function (SMF) event subscriptions, real-time monitoring, and analytics retrieval via Prometheus, all accessible through a conversational interface. By bridging AI-driven intent recognition with standardized network analytics, our implementation enhances operator usability and provides a foundation towards AI-native 6G networks. The source code and datasets generated during the current study are available in the github repository, https://github.com/HenokDanielbfg/testbed.