驯服 Agentic RAN：O-RAN 中自主 AI agent 的稳定性保证仲裁

该论文在真实 O-RAN 系统上验证：不同厂商以 rApp 形式部署的自主 AI agent 独立闭环控制共享无线资源时，即便各自目标正确（一个保时延 SLA，一个提能效利用率），仍会共同引发单独运行时不出现的共享资源分区反复反向波动。作者提出轻量仲裁层 AURA，仅允许满足可行性不变量、逐变量驻留时间与死区的 agent 动作，并在 OAI 测试台上验证。

此前的冲突缓解机制假设应用集合静态已知，无法治理运行时才涌现行为的 agent。该工作把“多厂商自治 agent 各自正确却不安全”从假设变为实测现象，并给出带收敛证明的仲裁方案，使共享资源波动的治理从静态规划转向运行时可证约束。

多个 agent 独立闭环同一共享资源时，各自控制律正确并不保证联合系统稳定，会形成彼此激励的振荡。AURA 不改动 agent 目标，而是在动作进入系统前设门槛：可行性不变量限制越界动作，逐变量驻留时间与死区抑制高频反复切换，从而把联合动态约束到可行运行点并证明收敛。

对 O-RAN 与 rApp 生态的产品团队意味着：多厂商 agent 共存需要独立于各 agent 的仲裁层，而非依赖厂商间约定。研发上应把可行性不变量、驻留时间和死区作为可配置策略接口；对运营商而言，跨切片吞吐饥饿从 40-55% 降至 0.3%，但该层成为新的部署与验证组件，需纳入测试与运维成本。

• 在 O-RAN 控制器或 SMO 中预置独立仲裁层，向多厂商 rApp 提供不变量、驻留时间与死区的策略配置接口。
• 面向运营商提供多 agent 联合稳定性验证服务，在 OAI 类测试台上复现共享资源波动并输出收敛证明。
• 将跨切片吞吐饥饿与共享状态振幅纳入 rApp 上线前的准入评测指标，形成可量化的验收清单。
• 为时延 SLA 与能效类 agent 提供仲裁兼容的参考实现或适配器，降低厂商接入成本。

• AURA 在多于两个 agent、更多共享变量的场景下是否仍能保证收敛，证据未涉及。
• 逐变量驻留时间与死区的取值如何随业务负载自动调整，证据未说明。
• 该方案在商用 O-RAN 部署与真实多厂商环境中的开销与兼容性尚不明确。
• 仲裁层引入后对 agent 原有能效与利用率目标的量化折损幅度未在证据中给出。