随着5G的全球部署和6G标准的制定，移动网络的演进速度日益加快。在这一过程中，机器学习（ML）技术因其卓越的数据处理能力、洞察力和决策能力而成为智能移动网络的有效解决方案。但是传统的ML算法在处理复杂的网络任务时，往往受限于其算法的局限性和训练数据的质量与规模。与此同时，LLMs和GPTs在近年来展现出了在各种认知任务中接近人类水平的性能，但它们在基础任务中常常缺乏常识，因此更多地被视为人类的辅助工具。

6月7日，来自加拿大渥太华大学和爱立信公司的五位IEEE的高级会员组成的研究团队发表了论文《Generative AI-in-the-loop: Integrating LLMs and GPTs into the Next Generation Networks》提出了“生成式AI-in-the-loop”的概念，利用LLMs的语义理解、情境意识和推理能力，辅助人类处理移动通信网络中的复杂或不可预见的情况。通过结合LLMs和ML模型，我们可以充分发挥两者的优势，实现比单独使用任一模型都要好的结果。论文通过对LLMs能力的分析，探讨了它们在下一代网络中的潜在应用，并提供了一个使用LLMs生成的合成数据来增强ML模型性能的案例研究，进一步证明了研究团队提出概念的优势。

在这项研究中，研究团队提出了“生成式AI-in-the-loop”的概念，这是一种将大型语言模型（LLMs）和机器学习（ML）模型结合起来的方法，以处理移动通信网络中复杂或不可预见的情况。LLMs通过其语义理解、情境意识和推理能力，辅助人类管理和控制通常超出传统ML技术能力范围的复杂网络任务。这种结合利用了LLMs和ML模型各自的优势，能够取得比单独使用任一模型更好的结果。

他们的主要贡献包括：

强调LLMs与传统ML驱动的下一代网络的融合，认为虽然LLMs和ML模型都显示出巨大的能力，但它们不能取代彼此的角色。分析LLMs的能力并与传统ML算法进行比较，探索可能的整合方式，并检视ML模型的生命周期。提供一个案例研究，通过LLMs生成的合成数据来增强基于ML的网络入侵检测，进一步展示了所提出想法的优势。

他们的研究不仅为移动网络的自动化和智能化提供了新的视角和方法，也为AI技术在未来网络中的应用提供了理论基础和实践指导。通过深入分析和案例验证，他们展示了LLMs和GPTs在网络技术中的巨大潜力，为实现AI驱动的移动通信网络的终极目标迈出了坚实的一步。

LLMs和GPTs的基础知识

他们首先解释了大型语言模型（LLMs）和传统机器学习（ML）模型的能力。然后讨论了如何实施“生成式AI-in-the-loop”，并利用LLMs和GPTs来促进下一代网络的自动化。

图1：与本工作主题相关的概念概述，包括AI、ML、GAI、NN、LLM、GPT和AGI。

LLMs是基于变压器的大规模统计语言模型，它们从神经语言模型（NLMs）发展而来，并在大量数据上进行预训练。LLMs拥有以下关键能力：

理解和生成：LLMs能够理解人类语言并生成类似形式的输出。此外，最新工具将LLMs与预训练的多模态基础模型结合起来，使LLMs的理解和生成能力不仅限于文本模态，还可以扩展到图像、视频和音频等其他模态。推理：推理能力如规划和逻辑思维使LLMs能够处理复杂任务，如解决数学问题和目标分解。这些能力可以通过熟练的提示设计，如思维链（CoT）、思维树（ToT）、自我一致性和上下文学习（ICL）来提升。强大的知识库：LLMs的训练过程可以看作是大量训练文本的压缩和抽象。因此，大量知识存储在LLMs的数十亿参数中，并作为LLM启用问题解决的基础。知识库还可以通过微调用额外的训练数据持续更新和补充。社交能力：社交能力意味着LLMs可以以智能的方式与其他LLMs或人类进行交流和互动。这项能力促进了基于LLM的AI代理的发展，用于完全自动化的决策和控制。

尽管LLMs显示出强大的能力，但它们的部署通常受到高成本、大规模和不稳定结果的限制，这阻止了LLMs在许多任务中完全取代传统ML模型。为了使LLMs适合ML驱动的移动网络，首先比较了使用LLMs和传统ML模型的好处和顾虑。

虽然ML技术已大大提高了网络运营的效率，但LLMs带来的额外能力可以进一步加速下一代移动网络的发展和全面自动化。另一方面，LLMs的输出，特别是GPTs，可能被视为接近人类水平的智能。在一些现有研究中，LLMs在某些特定任务中表现出与人类专家相当的性能，尽管它们可能在简单的人类任务或涉及常识的判断中失败。然而，在定义明确的任务中，这促进了“生成式AI-in-the-loop”的可能性，例如，LLMs在慢速时间尺度上协助人类进行网络管理。图2展示了下一代网络中“生成式AI-in-the-loop”的示意图。可以看出，有三个可选的网络配置级别：人类级别、LLM级别和ML级别。这三个级别都可以从网络环境中观察所需信息，并且它们也可以相互交互，以便协作网络管理。除了传统ML模型，ML级别还可能包括优化算法、基于规则的静态模型或其他小型数学模型。这个级别直接以数字格式从网络环境中收集数据，进行性能分析，并选择所需信息进行决策。优化算法的参数和静态模型的规则可以由人类专家手动设置或由LLMs调整。ML模型可以在线上或离线使用特定于任务的数据进行训练。ML级别具有短推理时间和低推理成本的优势。因此，具有更严格时间要求的应用程序适合在此级别部署，包括波束管理、无线链路监控和用户调度。

图2：下一代网络中“生成人工智能在环”的示意图。LLM以多种方式充当人类级管理与传统ML和优化算法之间的中介：基于语义意图的网络控制自动化，生成基于语义的解释，以及执行模型和网络管理。

实现闭环生成式AI

在这部分内容中，研究团队讨论了如何将大型语言模型（LLMs）整合到传统的机器学习（ML）模型中，以实现“生成式AI-in-the-loop”。LLMs在下一代网络中的作用是作为人类级别管理和传统ML及优化算法之间的中介，它们可以基于语义意图自动化网络控制，生成基于语义的解释，并执行模型和网络管理。

LLM层位于ML层之上，能够获取并理解网络环境中的多模态输入。它还利用强大的知识库和上下文窗口中的记忆为ML层提供高层指导，进行网络任务相关的规划、推理和决策。例如，它可以指导ML模型或优化算法的设计，决定基于规则的静态模型的规则，或在不同模型之间进行协调。此外，考虑到大多数LLMs的发展不均和不稳定性，需要建立监督机制来验证LLMs输出的有效性并避免幻觉。可能的监督方法包括人类监督或本地数据验证。

人类层位于框架的最顶层，具备移动网络的专家知识，并可以涉及客户需求和商业成本等人类因素的考虑。LLM层充当人类层与较低层之间的接口。它可以将基于意图的网络控制转化为ML模型可管理的任务，并为人类生成ML层决策的解释。

在“生成式AI-in-the-loop”框架内，LLMs和传统ML模型的结合可以利用两者的优势并弥补彼此的弱点。

我们首先分析ML驱动的移动网络管理中的一些主要问题，然后根据下一代网络的要求介绍潜在的基于LLM的应用。

ML驱动的移动网络管理中的开放问题首先讨论了ML驱动的移动网络管理中的一些开放问题和可能的基于LLM的解决方案：

高质量训练数据的稀缺性：ML驱动的网络管理方法通常需要大量高质量数据来训练模型。然而，这一领域的公共数据集，特别是标记数据集，非常稀缺。特别是，一些数据集对于网络管理来说已经过时，因为它们是在一些主要技术变革之前收集的。灵活性有限：一些传统ML模型是在理想的网络环境设置下训练的，它们可能不适用于现实中的次优通信渠道。此外，考虑到设备的移动性，移动网络随时间高度动态变化。安全性：移动网络的日益多样化和复杂化带来了新的安全问题。特别是，部署ML模型使移动网络对外部数据开放，并引入了新的攻击，如数据投毒攻击和成员推断攻击。这可能加剧网络的安全挑战。

受上述问题和解决方案分析的启发，有三种不同的方法将LLMs整合到下一代网络中：

开发基于LLM的网络功能：LLMs可以直接用于执行通常由传统ML模型或基于规则的静态模型开发的网络功能。LLM辅助的网络应用设计：LLMs也可以在设计网络应用时作为有效工具。例如，它们可以用于代码生成和仿真系统建模。语义理解赋能的网络管理：考虑到LLMs强大的语言理解能力，它们可以用于网络管理中的语义理解。为网络节点构建通用AI代理：将LLMs整合到下一代网络的另一种方式是在网络节点上构建通用AI代理。

他们从传统ML技术的角度讨论了“生成式AI-in-the-loop”的实施。他们说明了如何将LLMs有效地整合到传统ML模型设计中。

部署策略

在这部分内容中，研究团队讨论了在移动网络中同时部署传统机器学习（ML）模型和大型语言模型（LLMs）的方法。提出了三种不同的部署选项：完全集中部署、混合集中和分布式部署以及完全分布式部署。

图3：用LLM增强ML模型的不同方法。ML模型的生命周期包括四个阶段：需求阶段、数据处理阶段、操作阶段和模型开发阶段。LLM可以集成到每个阶段中。

A. 在需求阶段，进行模型需求分析，根据任务描述明确任务需求。这有助于决定给定任务所需的ML模型的数量和类型。这些设计传统上是在人类专家的帮助下手动完成的。然而，随着LLMs的出现，可以执行基于LLM的模型需求分析，将基于语义的任务描述分解为几个小的、可管理的任务来协助人类。LLMs还可以为每个任务选择合适的模型。通过整合，LLMs承担了一部分原本需要手动执行的模型需求分析工作。我们将这称为“生成式AI-in-the-loop”，以加速移动网络的自动化。

B. 在数据处理阶段，执行两个常见步骤。第一步是从移动网络收集数据并进行标准化。接下来，进行数据清理，以从数据集中移除不完整或异常的样本。LLMs可以通过评估收集的数据样本的合理性来帮助数据清理。此外，监督学习模型有两个独特的步骤：特征选择和数据标记。在传统工作流程中，特征选择通常是通过分析特征与输出之间的相关性来执行的。然而，这可能导致过拟合问题，决定统计措施是具有挑战性的。相反，LLMs可以基于给定特征的语义理解进行无数据特征选择。数据标记是为原始数据添加信息性标签，以便ML模型可以从中学习。传统的数据标记方法是要求人类识别未标记的数据，这导致可扩展性低和成本高。相比之下，基于LLM的自动数据注释或与人类专家和LLMs共同进行的混合标记可以自动化标记过程并降低成本。

C. 第三阶段是模型开发阶段。它包括模型设计、训练、优化和评估。在前两个步骤中，决定了ML模型的架构，并使用上一阶段准备的数据对模型进行训练。LLMs可以通过代码生成应用于模型设计。之后，对ML模型进行评估和优化。基于LLM的模型评估可以帮助选择合适的评估指标，分析性能并自动调整超参数。

D. 最后一个阶段是运营阶段。在这个阶段，ML模型部署在网络节点上进行模型推理。它还需要监控以防模型衰退、意外数据和攻击。在这个阶段，LLMs可以用于动态模型状态分析和生命周期管理。更具体地说，LLMs根据不同情况决定应使用哪个ML模型。模型大小、推理时间和计算成本可以作为模型管理的考虑因素。LLMs还可以用于分析ML模型的性能，并评估模型是否在现实的移动网络场景中继续按预期工作。如果有必要，它将启动新ML模型的生命周期。

值得注意的是，非ML模型，如优化算法和基于规则的静态模型也可以包括在这种整合中。对于这些模型，不需要数据处理阶段和模型开发阶段，但它们可以在需求阶段根据需求开发，并由LLMs选择在运营阶段执行任务。

在移动网络中部署ML模型和LLMs

在这一节中，他们讨论了如何在移动网络中同时部署传统ML模型和LLMs。如图4所示，有三种不同的部署选项：完全集中部署、混合集中和分布式部署以及完全分布式部署。

图4：将LLM与ML模型相结合的三种方法。（a） LLM和ML模型都部署在中心。它们被组合用于网络管理。（b） LLM和ML模型都是以分布式方式部署的，用于多Agent交互。（c） LLM部署在中心进行管理，ML模型以分布式方式进行本地训练和推理。

集中部署

集中部署是指将LLMs和GPTs部署在云端或数据中心的服务器上。这种策略的优点在于能够利用云计算的强大处理能力和存储容量，从而支持复杂的AI模型运行。此外，集中部署有助于统一管理和维护，简化了网络运营的复杂性。

然而集中部署也有其缺点。它可能导致较高的延迟，因为数据需要在用户设备和云服务器之间传输。集中部署可能会引发数据隐私和安全性的担忧，因为用户的敏感信息需要在外部服务器上处理。这种部署方式可能会遇到单点故障的风险，一旦云服务器出现问题，整个网络服务都可能受到影响。

分布式部署

分布式部署是指在网络的边缘节点，如基站或用户设备上部署LLMs和GPTs。这种策略的优点在于能够减少数据传输的延迟，因为处理和决策的过程更靠近数据源。此外，分布式部署有助于提高数据隐私保护，因为用户的数据可以在本地处理，不需要传输到远程服务器。

然而，分布式部署也面临着资源限制的挑战。边缘设备通常不具备与云服务器相同的计算和存储能力，这可能限制了LLMs和GPTs的性能。此外，分布式部署需要更复杂的协调和同步机制，以确保网络的整体性能和稳定性。

混合部署

混合部署结合了集中部署和分布式部署的优点。在这种策略下，LLMs通常部署在云端，而GPTs则部署在边缘节点。这样，可以利用云计算的强大能力来处理复杂的任务，同时也能够利用边缘计算的低延迟优势来提供快速响应。

混合部署的挑战在于需要有效地管理云端和边缘之间的交互。这包括数据同步、模型更新以及处理结果的集成。此外，混合部署可能会增加网络的复杂性，需要精心设计的架构来确保不同层次之间的顺畅协作。

总结来说，LLMs和GPTs的部署策略应根据具体的网络环境和业务需求来定制。每种部署策略都有其独特的优势和挑战，网络提供者需要权衡这些因素，选择最适合自己的部署方案。

案例研究：网络入侵检测

研究团队提出了一个具体的案例研究，展示了如何利用LLMs生成的合成数据来增强网络入侵检测的能力。这一案例不仅证明了LLMs在实际应用中的潜力，也为网络安全领域提供了新的思路。

图5：使用合成数据进行网络入侵检测的准确性和F1分数。

网络入侵检测系统（NIDS）是保护网络安全的重要工具，它通过监控网络流量来识别潜在的恶意活动。然而，传统的NIDS面临着一个重大挑战：高质量训练数据的缺乏。在这个案例中，研究人员使用LLMs来生成额外的训练数据，以提高NIDS的检测准确性。

研究人员首先使用GPT-3.5来生成网络流量数据。他们为GPT-3.5提供了一个详细的任务描述，包括网络流量的特征和恶意行为的模式。然后，GPT-3.5根据这些信息生成了一系列合成的网络流量数据，这些数据既包括正常流量也包括恶意流量。

生成的合成数据被用来训练一个卷积神经网络（CNN），这是一种常用于图像和声音识别的深度学习模型。CNN被训练用来识别网络流量中的异常模式，从而检测入侵行为。在训练过程中，研究人员不断调整模型参数，以达到最佳的性能。

使用合成数据训练的CNN在入侵检测任务上表现出了显著的性能提升。与仅使用真实数据训练的模型相比，合成数据训练的模型在准确性和F1分数上都有所提高。这表明LLMs生成的数据能够有效地增强NIDS的性能，尤其是在数据稀缺的情况下。

这个案例研究证明了LLMs在网络安全领域的应用潜力。通过生成高质量的合成数据，LLMs能够帮助解决训练数据不足的问题，从而提高NIDS的检测能力。这一发现为网络安全研究和实践提供了新的方向，同时也展示了闭环生成式AI在实际应用中的价值。

LLMs和GPTs在下一代网络中的应用

随着大型语言模型（LLMs）和生成式预训练变换器（GPTs）的兴起，我们有机会将这些先进的人工智能技术集成到下一代网络中，以提升网络管理、优化和安全性的水平。

网络管理是确保网络资源有效分配和使用的关键活动。LLMs和GPTs在此领域的应用，可以通过其强大的语义理解和生成能力，自动化处理复杂的网络配置和维护任务。例如，LLMs可以用于解析和转换网络策略描述，将高层次的业务需求转化为网络配置的具体指令。GPTs则可以通过生成模拟网络攻击场景，帮助网络管理员训练和评估网络的响应策略。

网络优化涉及到提升网络性能和效率的各种技术和策略。LLMs和GPTs可以通过预测网络流量模式、自动生成优化算法或调整网络参数来实现这一目标。它们能够分析大量的历史数据，识别潜在的性能瓶颈，并提出改进措施。此外，这些模型还可以辅助设计更加高效的数据路由和负载均衡策略。

LLMs和GPTs在提高网络安全性方面的应用，主要体现在它们能够辅助识别和防御网络威胁。LLMs可以用于分析网络安全事件的描述，帮助理解攻击的模式和动机。GPTs则可以模拟攻击者的行为，生成测试网络安全防御能力的仿真攻击。这些模型还能够协助开发更精准的入侵检测系统，通过持续学习和适应新的威胁模式来提升防御能力。

LLMs和GPTs的集成不仅能够提升网络的管理、优化和安全性，还能够推动网络自动化和智能化的发展。通过自动化的网络管理，可以减少人为错误，提高网络运营的效率和可靠性。智能化的网络优化能够实时响应网络状态的变化，动态调整资源分配。而在网络安全性方面，智能化的防御机制能够快速识别并响应新的威胁，保护网络免受攻击。

未来展望

随着计算能力的提升和算法的优化，LLMs和GPTs将变得更加高效和精准。它们将能够更快地处理大量数据，提供更加实时的网络服务。此外，随着模型训练方法的进步，LLMs和GPTs将能够更好地理解复杂的网络环境和用户需求，从而提供更加个性化的服务。

LLMs和GPTs将在网络安全领域发挥更大的作用。它们将被用来预测和防御网络攻击，提高网络的抵抗力和恢复力。随着网络攻击手段的不断进化，LLMs和GPTs的这一应用将变得尤为重要。LLMs和GPTs将促进网络自动化和智能化的进程。它们将被集成到网络的各个层面，从基础设施建设到服务提供，都将体现出AI的影响力。

未来的研究将集中在如何提高LLMs和GPTs的效率和效果。研究人员将探索新的模型架构和训练方法，以适应不断增长的数据量和日益复杂的网络环境。此外，研究将致力于解决LLMs和GPTs在实际部署中遇到的隐私和安全问题。

在未来LLMs和GPTs的应用场景将更加多样化。在智能家居领域，它们可以帮助管理家庭网络，提供个性化的娱乐和服务。在工业互联网领域，它们可以优化生产流程，提高效率和安全性。在交通管理领域，它们可以协助规划路线，减少拥堵。在医疗健康领域，它们可以通过分析患者数据来辅助诊断和治疗。

LLMs和GPTs在未来网络技术中的发展前景广阔。它们将为网络技术带来革命性的变化，为用户提供更加安全、便捷和智能的网络服务。随着技术的不断进步，我们有理由相信，LLMs和GPTs将在未来的网络世界中扮演越来越重要的角色。

参考资料：https://arxiv.org/abs/2406.04276

波动世界（PoppleWorld)是噬元兽数字容器的一款AI应用，是由AI技术驱动的帮助用户进行情绪管理的工具和传递情绪价值的社交产品，基于意识科学和情绪价值的理论基础。波动世界将人的意识和情绪作为研究和应用的对象，探索人的意识机制和特征，培养人的意识技能和习惯，满足人的意识体验和意义，提高人的自我意识、自我管理、自我调节、自我表达和自我实现的能力，让人获得真正的自由快乐和内在的力量。波动世界将建立一个指导我们的情绪和反应的价值体系。这是一款针对普通人的基于人类认知和行为模式的情感管理Dapp应用程序。