論文の概要: An Agentic AI Control Plane for 6G Network Slice Orchestration, Monitoring, and Trading

• arxiv url: http://arxiv.org/abs/2602.13227v1
• Date: Tue, 27 Jan 2026 09:50:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 12:01:13.562119
• Title: An Agentic AI Control Plane for 6G Network Slice Orchestration, Monitoring, and Trading
• Title（参考訳）: A Agentic AI Control Plane for 6G Network Slice Orchestration, Monitoring, Trading
• Authors: Eranga Bandara, Ross Gore, Sachin Shetty, Ravi Mukkamala, Tharaka Hewa, Abdul Rahman, Xueping Liang, Safdar H. Bouk, Amin Hass, Peter Foytik, Ng Wee Keong, Kasun De Zoysa,
• Abstract要約: 6GネットワークはAIネイティブで、意図駆動で、経済的にプログラム可能であることが期待されている。 既存のスライシングフレームワークは、主に5G用に設計されており、静的ポリシーと手動コントロールに依存している。 6GネットワークスライスオーケストレーションのためのエージェントAI制御プレーンアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 4.494648341572566
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 6G networks are expected to be AI-native, intent-driven, and economically programmable, requiring fundamentally new approaches to network slice orchestration. Existing slicing frameworks, largely designed for 5G, rely on static policies and manual workflows and are ill-suited for the dynamic, multi-domain, and service-centric nature of emerging 6G environments. In this paper, we propose an agentic AI control plane architecture for 6G network slice orchestration, monitoring, and trading that treats orchestration as a holistic control function encompassing slice planning, deployment, continuous monitoring, and economically informed decision-making. The proposed control plane is realized as a layered architecture in which multiple cooperating AI agents. To support flexible and on-demand slice utilization, the control plane incorporates market-aware orchestration capabilities, allowing slice requirements, pricing, and availability to be jointly considered during orchestration decisions. A natural language interface, implemented using the Model Context Protocol (MCP), enables users and applications to interact with control-plane functions through intent-based queries while enforcing safety and policy constraints. To ensure responsible and explainable autonomy, the control plane integrates fine-tuned large language models organized as a multi-model consortium, governed by a dedicated reasoning model. The proposed approach is evaluated using a real-world testbed with multiple mobile core instances (e.g Open5GS) integrated with Ericsson's RAN infrastructure. The results demonstrate that combining agentic autonomy, closed-loop SLA assurance, market-aware orchestration, and natural language control enables a scalable and adaptive 6G-native control plane for network slice management, highlighting the potential of agentic AI as a foundational mechanism for future 6G networks.
• Abstract（参考訳）: 6GネットワークはAIネイティブで、インテント駆動で、経済的にプログラム可能であり、ネットワークスライスオーケストレーションに根本的に新しいアプローチを必要とする。 既存のスライシングフレームワークは、主に5G用に設計されており、静的ポリシーと手動ワークフローに依存しており、新興の6G環境の動的、マルチドメイン、サービス中心の性質に不適である。 本稿では,6Gネットワークスライスオーケストレーション,モニタリング,トレーディングのためのエージェントAI制御プレーンアーキテクチャを提案する。 提案した制御プレーンは,複数のAIエージェントが協調する階層アーキテクチャとして実現されている。 フレキシブルでオンデマンドのスライス利用をサポートするために、コントロールプレーンには市場対応のオーケストレーション機能が含まれており、オーケストレーション決定中にスライス要件、価格、可用性を共同で検討することができる。 Model Context Protocol (MCP)を使用して実装された自然言語インタフェースにより、ユーザとアプリケーションは、安全性とポリシーの制約を強制しながら、インテントベースのクエリを通じてコントロールプレーン関数と対話できる。 責任と説明可能な自律性を確保するために、制御プレーンは、専用推論モデルによって管理されるマルチモデルコンソーシアムとして組織された微調整された大きな言語モデルを統合する。 提案手法は,複数のモバイルコアインスタンス(Open5GSなど)をEricssonのRANインフラストラクチャに統合した実世界のテストベッドを用いて評価する。 その結果、エージェント自律性、クローズドループSLA保証、市場対応オーケストレーション、自然言語制御を組み合わせることで、ネットワークスライス管理のためのスケーラブルで適応的な6Gネイティブコントロールプレーンを実現し、将来の6Gネットワークの基本メカニズムとしてエージェントAIの可能性を強調した。

関連論文リスト

• Toward Autonomous O-RAN: A Multi-Scale Agentic AI Framework for Real-Time Network Control and Management [39.17062930275755]
  本稿では,オープン無線アクセスネットワーク(O-RAN)のためのマルチスケールエージェントAIフレームワークを提案する。 RANインテリジェンスは、Non-Real-Time (Non-RT), Near-Real-Time (Near-RT), Real-Time (RT)コントロールループにまたがるコーディネート階層として編成される。 これらのエージェントは,標準化されたO-RANインタフェースとテレメトリによってどのように協調するかを示す。
  論文  参考訳（メタデータ） (2026-02-15T12:34:01Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• Agentic AI Empowered Intent-Based Networking for 6G [16.51908698615755]
  本稿では,Large Language Model (LLM) をベースとしたエージェントが自然言語の意図を自律的に分解する階層型マルチエージェントフレームワークを提案する。 提案アーキテクチャでは、Radio Access Network(RAN)とCore Networkエージェントという2つの専門エージェントをReActスタイルの推論によって調整するオーケストレータエージェントを採用している。
  論文  参考訳（メタデータ） (2026-01-10T17:49:40Z)
• AgentRAN: An Agentic AI Architecture for Autonomous Control of Open 6G Networks [14.358601770321235]
  我々は、自然言語(NL)の意図に基づいて分散AIエージェントのファブリックを生成し、オーケストレーションする、AIネイティブなオープンRAN対応フレームワークであるAgenRANを紹介する。 明示的なプログラミングを必要とする従来のアプローチとは異なり、AgentRANのLLMエージェントは自然言語の意図を解釈し、構造化された会話を通じて戦略を交渉し、ネットワーク全体の制御ループを編成する。 AI-RAN Factoryは、エージェントのインタラクションを観察し、改善された制御アルゴリズムを埋め込んだ新しいエージェントを継続的に生成する自動パイプラインである。
  論文  参考訳（メタデータ） (2025-08-25T08:18:10Z)
• AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
  人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
  論文  参考訳（メタデータ） (2025-07-24T16:04:59Z)
• End-to-End Edge AI Service Provisioning Framework in 6G ORAN [7.6934511825411045]
  本稿では,O-RAN rAppsとしてデプロイされたLarge Language Model (LLM)エージェントを活用する,新しいエッジAIおよびネットワークサービスオーケストレーションフレームワークを提案する。 提案システムでは,ユーザのユースケース記述をデプロイ可能なAIサービスと対応するネットワーク構成に変換することで,インタラクティブかつ直感的なオーケストレーションを可能にする。
  論文  参考訳（メタデータ） (2025-03-15T00:48:50Z)
• LLM Agents as 6G Orchestrator: A Paradigm for Task-Oriented Physical-Layer Automation [1.128193862264227]
  本稿では,タスク指向型6G LLMエージェント構築のための包括的アプローチを提案する。 まず,フィールド基本モデルを構築するための2段階の事前学習と微調整方式を提案する。 物理層分解などの模範課題の実験結果から,提案手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-09-21T05:08:29Z)
• Toward 6G Native-AI Network: Foundation Model based Cloud-Edge-End Collaboration Framework [55.73948386625618]
  データ、AIモデル、運用パラダイムの観点から、6GネイティブAIを達成する上での課題を分析します。 基礎モデルに基づく6GネイティブAIフレームワークを提案し、専門家の知識の統合方法を提供し、2種類のPFMのカスタマイズを提示し、ネイティブAIフレームワークの新たな運用パラダイムを概説する。
  論文  参考訳（メタデータ） (2023-10-26T15:19:40Z)
• Decentralized Control with Graph Neural Networks [147.84766857793247]
  分散コントローラを学習するグラフニューラルネットワーク(GNN)を用いた新しいフレームワークを提案する。 GNNは、自然分散アーキテクチャであり、優れたスケーラビリティと転送性を示すため、タスクに適している。 分散コントローラの学習におけるGNNの可能性を説明するために、群れとマルチエージェントパス計画の問題を検討する。
  論文  参考訳（メタデータ） (2020-12-29T18:59:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。