Constrained Network Slice Assignment via Large Language Models

文章总结与翻译

一、主要内容

本文聚焦5G网络切片中的资源分配问题，针对传统约束优化方法计算复杂、扩展性差的痛点，探索了大语言模型（LLMs）在该领域的应用。网络切片需将物理基础设施划分为适配不同服务（eMBB高带宽、URLLC超低时延、mMTC海量物联网）的虚拟切片，核心挑战是在满足切片容量、时延要求、服务隔离等约束下，实现用户请求的最优分配。

文章提出两种核心方法：

1. LLM零样本直接分配：通过精心设计的提示词，让Claude系列模型在无领域微调的情况下，直接将用户请求分配到对应切片，生成初步分配方案；
2. LLM引导的整数规划（ILP）：利用LLM对服务需求的语义理解能力，生成请求间的相似度矩阵，将其作为输入融入整数规划模型，通过求解器确保分配方案满足所有约束。

实验基于模拟数据集验证表明，零样本LLM能生成符合语义逻辑的初步分配（完整性接近100%），但存在约束违反风险；而LLM+ILP混合方法兼具语义聚类优势与严格约束满足能力，实现了100%完整性和均衡的资源利用率，性能比肩传统依赖详细数值数据的方法。

二、创新点

1. 首次将LLM应用于5G网络切片分配：突破传统优化方法对大量数值参数或专门训练的依赖，探索语义理解在网络资源分配中的价值；
2. 双路径解决方案设计：既验证了零样本LLM快速生成初步分配方案的可行性，又提出混合框架，将LLM的定性语义