Source: https://arxiv.org/abs/2412.19823
Boateng G O, Sami H, Alagha A, et al. A Survey on Large Language Models for Communication, Network, and Service Management: Application Insights, Challenges, and Future Directions[J]. arXiv preprint arXiv:2412.19823, 2024.
网络与服务管理（NSM）是通信网络运行的核心保障。随着5G/6G、物联网、车联网和云边端架构日趋复杂，传统的规则驱动和启发式方法已显疲态。这篇发表于arXiv 2024的综述，首次横跨移动网络、车联网、云网络和雾/边缘网络四大通信域，系统审视了LLM在通信网络服务管理中的应用潜力，并提出了一套全新的四维分类法。
一、研究背景与动机：跨域NSM的统一视角
现有综述往往聚焦于单一网络域——有的研究LLM在电信中的应用，有的关注自动驾驶或物联网，但鲜有工作从NSM的统一视角，将LLM在不同通信网络类型中的应用做横向贯通。
本文的核心动机正是填补这一空白。通信网络的管理涉及底层物理基础设施的优化维护（网络管理）和上层用户体验与服务质量的保障（服务管理），二者相互交织。论文采用PRISMA系统性文献综述方法，从302篇初始文献中筛选出108篇进行深入分析，确保了研究覆盖的全面性和严谨性。
二、核心框架：四维NSM分类法
论文提出了一套适用于所有通信网络域的统一分类法，将LLM赋能的NSM分为四个维度：
网络监控与报告：包括入侵/异常检测、网络分析与预测、流量监控、根因分析和漏洞检测。LLM可实时处理大规模非结构化日志数据，识别传统统计模型难以捕捉的新型威胁模式。
AI驱动的网络规划：包括意图驱动网络（IBN）、网络配置管理、路径规划、部署优化和数据生成。LLM能将用户的自然语言意图逐步分解为可执行的网络策略序列。
网络部署与分发：包括网络部署/开发、电信任务执行、DRL决策辅助、资源分配和节点放置。LLM可利用历史规划数据和流量模式预测最优部署策略。
持续网络支持：包括网络优化与管理、网络智能与控制、自适应流量预测和自适应资源分配。LLM能持续监控网络状态，预判故障并自主调整参数。
这四个维度在移动网络、车联网、云网络和雾/边缘网络四大域中分别展开讨论，形成了一个16宫格的全面分析矩阵。
三、亮点一：LLM在移动网络与IoT中的NSM应用
网络入侵检测：论文详细介绍了基于LLM的入侵检测框架，包含特征选择、数据采集、提示构建和决策提取四个步骤。利用GPT-4结合仅10个上下文学习样本，在多种攻击类型上的准确率即超过95%。PLLM-CS方法在UNSW NB 15数据集上甚至达到100%准确率。
意图驱动网络：LLM-NetCFG利用LLM和零触碰网络管理（ZSM）代理，基于自然语言高级意图自主生成、验证和实施网络配置。NFV-Intent系统则通过上下文学习实现高级自然语言意图到NFV配置的翻译，无需大量重训练。
DRL决策辅助：LLM不直接替代DRL，而是作为”解释器”和”专家选择器”。例如，MoE框架利用LLM分析用户目标和约束，选择合适的DRL专家模型，并加权汇总各专家的决策。
四、亮点二：LLM在车联网中的NSM应用
车载CAN总线入侵检测：CANBERT将BERT扩展到车载网络入侵检测领域，对CAN消息进行恶意/正常分类。CAN-LLAMA2基于Meta的LLaMA2模型微调，即使仅用10%的数据训练也超越了所有现有基准。IoV-BERT-IDS则创新性地将原始网络流量转化为十六进制字节序列，利用BERT的掩码字节词模型和下一字节句预测进行预训练。
无线流量预测：TrafficLLM基于GPT-4的上下文学习实现无线流量预测，无需参数微调。其核心创新在于引入自优化机制——模型接收包含预测性能、格式完整性和预测方法等信息的反馈提示，持续迭代改进预测质量。
资源分配：在车联网元宇宙场景中，基于GPT的DRL算法优化车辆数字孪生（VT）在不同元宇宙服务提供商之间的迁移。LLM将拍卖属性作为输入，输出拍卖决策，在社会福利指标上超越现有方法。
五、亮点三：LLM在云网络与雾/边缘网络中的NSM应用
云网络根因分析：论文梳理了微软等公司利用LLM分析云端事件根因的一系列工作。LMPACE通过链式思维（CoT）方法缓解LLM幻觉问题，并引入置信度评分机制帮助工程师判断分析的可靠性。RCACopilot让工程师收集必要的日志信息后交由LLM识别根因并生成详细报告。
边缘LLM部署优化：论文系统归纳了在边缘侧部署LLM的三种模式——纯边缘部署、纯云部署和边云分割部署，分别讨论了资源受限、通信开销和网络不稳定等核心挑战。主要技术手段包括INT4量化、模型并行、稀疏权重编码、向量数据库缓存和协作推理等。
基础设施即代码修复：LLM可自动检测并修复Terraform等IaC脚本中的安全配置错误。GPT-4在第一轮修复中比GPT-3.5多修复18-34%的错误配置，第二轮提升幅度可达57%。ADARMA框架实现了微服务架构的运行时异常检测和自动修复，经微调后修复正确率达95.83%。
六、挑战与未来方向
论文识别出五大核心挑战：
LLM的适应性与互操作性：不同网络域数据特征差异大，为移动网络训练的LLM难以直接迁移到车联网或云环境。构建跨域自适应LLM架构是重要的开放问题。
计算资源与能效：LLM训练和推理需要大量算力，在资源受限的边缘/雾环境中尤为突出。LoRA等参数高效微调技术虽有潜力，但在通信NSM中尚未被广泛采用。
实时推理速度：自动驾驶等场景要求亚毫秒级响应，而LLM的大量参数导致推理延迟。量化、剪枝和异步推理流水线是可能的解决路径。
评估标准化：缺乏针对通信NSM场景的标准化LLM评估基准和指标体系。
安全与隐私：LLM处理敏感网络数据面临对抗攻击、数据泄露和隐私合规等风险。
七、总结
这篇综述的核心价值在于其独特的跨域视角和结构化的四维分类法。它不仅全面呈现了LLM在四大通信网络域的NSM应用现状，还系统地介绍了LLM的基础知识（Transformer架构、通用vs领域特定LLM、预训练与微调方法），为该领域的入门者和研究者都提供了有价值的参考。对于关注智能网络管理和AI原生网络架构的研究者，这篇综述是把握LLM赋能通信网络管理全貌的一份路线图级文献。
