LLM-Enabled NWDAF: AI 네이티브 6G를 향한 NWDAF의 한 걸음

NWDAF의 사용자 인터페이스를 자연어로 확장하여 비전문가도 네트워크 분석 및 구독 관리를 수행할 수 있게 한다. Retrieval-Augmented Generation(RAG) 기반 의도 분류와 실시간 Prometheus 쿼리를 결합해 분석과 구독 제어를 모두 실시간으로 처리한다. 이러한 접근은 6G의 AI-native 네트워크 관리로의 전환에 필요한 인간-기계 협업 기반을 제공한다.

출발점: 5G SBA의 NF 간 상호작용은 REST/SBIs로 이뤄지지만 operator의 의도 표현은 비전문가에겐 여전히 도전이다. 본 논문은 임베딩 기반 의도 표현과 cosine 유사도 매칭으로 사용자의 자연어 요청을 분류하고, 이 분류를 Analytics 쿼리 또는 구독 관리로 매핑한다. 이를 통해 NWDAF가 제공하는 데이터 분석과 이벤트 구독 기능을 LLM 인터페이스가 중개하여 사용자 친화적 제어를 가능하게 한다. 달라지는 점: RAG 파이프라인으로 의도를 저장된 카테고리와 대조하고, Analytics 쪽은 Prometheus 쿼리로, 구독 쪽은 NWDAF REST 엔드포인트로 각각 라우팅한다. 결과로, 네트워크 운영자는 고급 스크립트 없이도 실시간 관찰과 제어를 수행할 수 있다.

입력에서 의도 분류: 사용자 프롬프트를 임베딩 벡터로 표현하고 저장된 의도 벡터들과 코사인 유사도 계산을 수행해 가장 유사한 엔트리를 선택한다 → 선택된 엔트리의 범주를 Analytics Query 혹은 Subscribe/Unsubscribe로 매핑한다. 분석 쿼리는 Prometheus 쿼리 함수로 처리되어 시계열 데이터를 수집하고, 구독 명령은 NWDAF 엔드포인트에 JSON 페이로드를 전송한다. 응답 생성: NWDAF로부터 받은 데이터(또는 확인 메시지)를 JSON 형태로 LLM에 전달하고, 맥락 정보(system prompt 포함)와 함께 NL 응답을 생성한다. 이 흐름은 Retrieval-Augmented Generation(RAG) 기반으로 동작하며, Intent DB/Embedding Model/LMM Model 세 부분으로 구성된 LLМ 모듈이 데이터 저장소와 통신한다.

주요 벤치마크: 의도 분류 정확도 98.43%(text-embedding-ada-002 기준). 대조 모델: GPT-4o 89.5%, GPT-4o-mini 55.1%. 다른 임베딩 기반 모델은 96.86%의 정확도를 달성했다. 시스템 성능: 구독 알림 처리 지연 약 10 ms, 이벤트 알림 수신 약 109 ms. 자원 사용: NWDAF는 CPU 0.06%, 메모리 0.17%(약 27 MB RAM)로 동작했다. Mobility 데이터셋은 2주간의 시뮬레이션으로 수집되었고, Four gNodeB, Four UEs 구성으로 실험이 수행되었다. 데이터셋은 GitHub 저장소에 공개되어 재현 가능하다.

아키텍처: Free5GC 기반의 Core Network, NWDAF 포함, LLM 인터페이스가 의도 인식과 구독 관리 로직을 연결한다. 수학적 기반: 임베딩 벡터의 코사인 유사도 계산으로 쿼리-의도 간 매칭을 수행하고, 이를 REST/Prometheus 쿼리로 라우팅한다. 차별점: 3GPP NWDAF 표준과의 연동에서 ‘service 모듈’, 데이터 수집, 예측 모델, LLM 인터페이스를 추가한 엔드-투-엔드 구성을 제시한다. 구현/학습: 핸드오버 예측을 위한 단일 예측 모델, MNIST 대신 5G 관련 메트릭으로 구성된 데이터 흐름, LLM 기반 응답 생성 파이프라인과 Prometheus 데이터 수집엔진을 결합한다. 한계 및 확장성: 현재 제공된 예측은 단일 모델/입력 특성에 의존하며, 확장된 시나리오에 대한 추가 연구가 필요하다.

모빌리티 모델은 합성 데이터에 기반하고 실험 토폴로지가 제한적이다. 2주간의 시뮬레이션과 4개 gNB/UE 구성을 사용하였으며, 일반화 가능성은 제한적이다. LLM 비용과 지연에 대한 실세계 프로덕션 비용은 별도 평가가 필요하다.