LLM-enabled NWDAF: Een stap naar AI-native 6G-netwerkintelligentie

Samenvatting

De Network Data Analytics Function (NWDAF) staat centraal in het mogelijk maken van zero-touch netwerkbeheer in vijfde generatie (5G) netwerken door het ondersteunen van realtime analyses en closed-loop automatisering. Ondanks zijn cruciale rol blijven open-source NWDAF-implementaties beperkt in reikwijdte en toegankelijkheid. In dit artikel ontwikkelen we een open-source NWDAF, compatibel met het open-source kernnetwerk Free5GC, dat netwerkgegevens verzamelt via abonnementen op Netwerkfuncties (NF's), en ook een geïntegreerde Large Language Model (LLM)-interface bevat die natuurlijke taalinteractie met menselijke operators mogelijk maakt. De interface verwerkt gebruikersintenties, codeert ze met behulp van een semantisch inbeddingsmodel en wijst ze toe aan een van zeven vooraf gedefinieerde intentiecategorieën om analysequery's of gebeurtenisabonnementscommando's te activeren. Deze architectuur abstraheert de complexiteit van traditionele interfaces, waardoor niet-deskundige gebruikers netwerkanalyses en abonnementen gemakkelijk kunnen beheren. Het systeem ondersteunt Access and Management Function (AMF)- en Session Management Function (SMF)-gebeurtenisabonnementen, realtime monitoring en het ophalen van analyses via Prometheus, allemaal toegankelijk via een conversationele interface. Door AI-gestuurde intentieherkenning te overbruggen met gestandaardiseerde netwerkanalyses, verbetert onze implementatie de bruikbaarheid voor operators en biedt het een basis voor AI-native 6G-netwerken. De broncode en datasets die tijdens het huidige onderzoek zijn gegenereerd, zijn beschikbaar in de GitHub-repository, 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.