계약 기반 에이전트 의도 프레임워크를 활용한 오라엔 네트워크 슬라이싱 안전성

초록

본 논문은 O‑RAN 환경에서 네트워크 슬라이싱을 자동화하기 위해 대형 언어 모델(LLM)과 정형 계약(Intent Contract)을 결합한 “Contract‑based Agentic Intent Framework”(CAIF)를 제안한다. CAIF는 의도 추출, 검증, 계약 생성, 실행의 네 단계 파이프라인을 통해 LLM의 확률적 출력을 deterministic한 제약 조건으로 제한함으로써 위험한 의도 실행을 방지한다. 실험 결과, 기존 직접 실행 방식에 비해 99.8% 이상의 번역 정확도와 향상된 레이턴시·안전성을 입증하였다.

상세 분석

본 연구는 6G 시대에 요구되는 네트워크 자원의 동적 할당과 SLA 보장을 위해 Intent‑Based Networking(IBN)을 O‑RAN에 적용하려는 시도이다. 핵심 아이디어는 LLM이 생성하는 자연어 의도를 “계약”(Intent Contract)이라는 정형 JSON‑LD 스키마로 변환하고, 계약 검증 단계에서 정책·제약 조건을 엄격히 검사함으로써 확률적 오류를 차단하는 것이다.

1. 아키텍처 설계

   • 프로파일링 에이전트는 다중 턴 대화에서 의도와 파라미터를 추출하고, 사전 정의된 TMF‑921 Intent Management API 스키마에 매핑한다.
   • 평가 에이전트는 완전성·일관성·제약 충족 여부를 검증하고, 오류가 발견되면 재요청(Refinement Prompt)으로 피드백을 제공한다.
   • 계약 생성기는 검증된 데이터를 기반으로 Intent Contract를 자동 생성한다. 계약에는 icm:target, icm:hasExpectation, Target Value, Policy Mechanism 등 네 가지 핵심 필드가 포함되어, 슬라이스 식별자, 목표 처리량 증가율(예: 5%), 적용 정책(두 단계 RRM 비율) 등을 명시한다.
   • Intent Management는 계약의 전체 라이프사이클을 추적하고, 기존 정책과의 충돌을 사전에 탐지한다.

2. LLM 활용과 위험 완화

   • LLM 모델로는 llama‑3.3‑nemotron‑super‑49b와 Qwen3‑4B‑Instruct를 각각 프로파일링·평가 단계에 사용한다.
   • 온도 0.6, top‑p 0.95 등 파라미터를 통해 출력 다양성을 제한하고, JSON 스키마와 별도로 계약 검증 로직을 두어 “hallucination”을 방지한다.
   • 계약 기반 검증은 단순 문법 검사(JSON 스키마)와 달리 의미적 일관성까지 확인하므로, 잘못된 정책이 네트워크에 적용되는 위험을 크게 낮춘다.

3. 실험 설계 및 결과

   • 500개의 자연어 의도 샘플(1~5 shot 변형)을 구축하고, 직접 실행 베이스라인과 CAIF를 비교하였다.
   • 베이스라인은 평균 96.8% 정확도(95% CI 94.9‑98.0%)를 보였지만, 16건의 오류 중 12건은 의미적 불일치(semantic misalignment)였으며, 이는 실행 단계에서 SLA 위반을 초래할 수 있다.
   • CAIF는 99.8% 정확도(95% CI 98.9‑100.0%)를 달성했으며, 의미적 오류는 1건(0.2%)에 불과했다.
   • 레이턴시 측면에서는 1‑shot 상황에서 11.8 s(베이스라인 8.5 s)로 약간의 오버헤드가 있었지만, 2‑shot 이상에서는 오히려 베이스라인보다 빠르게 수렴하였다. 이는 에이전트 간 피드백 루프가 초기 오류를 조기에 정정하기 때문이다.

4. 시스템 구현

   • O‑RAN SMO의 O1 인터페이스를 통해 실시간/과거 PRB·CQI 데이터를 수집하고, SLA Slice rApp이 목표 처리량을 절대값으로 변환한다.
   • 정책 검증 후 A1 Policy Handler rApp이 계약을 읽어 Near‑RT RIC의 A1 Mediator에 전달하고, KPI‑MON‑GO, SLA Slice, RC xApp이 협업해 슬라이스 성능을 실시간으로 조정한다.
   • 계약은 policy-baseline과의 관계를 명시함으로써 정책 충돌을 사전에 탐지하고, eligibleClusters 등 플랫 특성 배열을 제공해 xApp이 저지연으로 접근할 수 있게 설계되었다.

5. 한계와 향후 과제

   • 현재 계약 스키마는 고정된 KPI(처리량, 비율) 중심이며, 복합 QoS(지연, 신뢰성) 요구를 포괄하려면 스키마 확장이 필요하다.
   • LLM의 추론 비용이 여전히 높아 실시간 서비스에 적용하려면 경량화 모델 또는 온‑디바이스 추론이 요구된다.
   • 계약 위반 시 자동 복구 메커니즘(예: 롤백, 안전 모드) 구현이 미비하여, 운영 단계에서의 장애 복구 전략이 추가 연구 대상이다.

전반적으로 CAIF는 LLM 기반 의도 해석의 유연성을 유지하면서, 정형 계약을 통한 deterministic 검증을 도입함으로써 O‑RAN 슬라이스 자동화의 신뢰성을 크게 향상시켰다.