arXiv cs.MA· Mahmoud S. Mayaleh, Fetia Bannour, Nour-El-Houda Yellas·· 10 小时前AI 评分20
ORION：面向 RL 多域 6G 网络切片放置的结果驱动 LLM 顾问
ORION: An Outcome-Driven LLM Advisor for RL-Based Multi-Domain 6G Slice Placement
AI 导读
ORION 是一个分层编排器，用两个 LLM 智能体将服务意图转为结构化请求并生成抽象放置方案，再由协作式多智能体 RL 协调器选择跨域划分。其核心是结果驱动的情景记忆，记录每次尝试的网络状况、方案与验证后的可行性结果，把成功与失败反馈给规划器。
正文 · AI 翻译
摘要：跨管理域部署 6G 网络切片时，需要对每个到达的请求做出在线决策：每个虚拟网络功能由哪个域承载、流量如何跨越域边界，以及该切片是否被接纳。在请求持续到达的情况下，这一联合决策问题是 NP 难的。在参数化多域拓扑族上的实验表明，没有任何固定的规划策略能在所有情形下占优：性能排名在不同拓扑类别之间发生反转，且大多数被拒绝的请求其实存在可行放置方案，只是未被发现。这些发现表明规划层是决定性的性能杠杆。我们提出 ORION，一种分层编排器，其中两个 LLM 智能体将服务意图转化为结构化请求并生成抽象放置方案。一个协作式多智能体强化学习协调器选择跨域划分，将方案视为持续存在的软先验，而各域智能体负责放置功能。ORION 的主要贡献在于规划层：一种结果驱动的情景记忆，对每次已完成的尝试记录网络状况画像、所提出的方案及其经验证的可行性结果。该记忆将经验证的成功与带标签的失败反馈给规划器，从而利用部署可行性而非分配给规划器自身提案的标量奖励来闭合自适应回路。为隔离方案质量的影响，我们在留出的拓扑族上评估规划器，同时保持下游的选择与执行机制不变。在这一受控设置下，所提出的记忆使接纳率相比同一规划器在无记忆时提升 $4.6$--$11.5$ 个百分点，而基于重要性的保留策略贡献了相对于先进先出存储的大部分提升。
| 评论： | 已被 IEEE MobiWac 2026 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；多智能体系统（cs.MA）；网络与互联网架构（cs.NI） |
| 引用为： | arXiv:2610.41563 [cs.LG] |
| （或 arXiv:2610.41563v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41563 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mahmoud S. Mayaleh [查看邮箱]
[v1]
2026 年 10 月 30 日星期五 10:58:06 UTC（83 KB）
来源：arXiv cs.MA · arxiv.org