NWDAF Habilitado por LLM: Um Passo em Direção à Inteligência de Rede 6G Nativa em IA

Resumo

A Função de Análise de Dados de Rede (NWDAF) é fundamental para viabilizar o gerenciamento de rede sem intervenção manual em redes de quinta geração (5G), ao suportar análises em tempo real e automação em malha fechada. Apesar de seu papel crítico, as implementações de NWDAF de código aberto ainda são limitadas em escopo e acessibilidade. Neste artigo, desenvolvemos uma NWDAF de código aberto, compatível com o núcleo de rede aberto Free5GC, que coleta dados de rede por meio de assinaturas de Funções de Rede (NFs) e também inclui uma interface integrada de Modelo de Linguagem de Grande Porte (LLM), que possibilita interação em linguagem natural com operadores humanos. A interface processa as intenções do usuário, codifica-as utilizando um modelo de embedding semântico e as mapeia para uma de sete categorias de intenção predefinidas, a fim de disparar consultas analíticas ou comandos de assinatura de eventos. Essa arquitetura abstrai a complexidade das interfaces tradicionais, permitindo que usuários não especialistas gerenciem análises e assinaturas de rede com facilidade. O sistema suporta assinaturas de eventos da Função de Acesso e Gerenciamento (AMF) e da Função de Gerenciamento de Sessão (SMF), monitoramento em tempo real e recuperação de análises via Prometheus, tudo acessível por meio de uma interface conversacional. Ao integrar o reconhecimento de intenção baseado em IA com análises de rede padronizadas, nossa implementação melhora a usabilidade dos operadores e fornece uma base para redes 6G nativas de IA. O código-fonte e os conjuntos de dados gerados durante o presente estudo estão disponíveis no repositório do GitHub, 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.