본 연구는 Free5GC–Kubernetes 시험망에서 5G 코어의 네트워크 기능(NF) 스케일링을 지능화하기 위한 LLM 기반 폐루프 프레임워크를 제안한다. 5G 스케일링은 트래픽 폭주나 세션 폭증(예: 대규모 접속, 핸드오버 스톰, 특정 슬라이스 집중)에 대응해 AMF·SMF·UPF의 인스턴스 수와 자원을 동적으로 조정하는 핵심 운용 기능이다. UERANSIM으로 부하를 생성하고 Prometheus/Loki가 KPI와 로그를 수집하면 MongoDB로 통합된다. 이 시스템은 최근 상태에 의한 Alert 신호에 의해 LLM 추론을 수행해 목표 충족을 기준으로 대상 NF Scaling에 대한 정책을 산출한다. 산출된 정책은 Kubernetes API로 변환해 적용되고,, 적용 전후 성과를 점수화해 사례로 저장하며 이후 의사결정에 재활용한다. 현재는 임계치 기반 경보에 반응하는 준 실시간 구조이며, 앞으로는 산출된 정책을 Kubernetes를 통해 Free5GC 실행 환경에 실제로 적용하고, 적용 이후 Prometheus/Loki가 수집한 로그와 지표를 바탕으로 해당 정책의 효과를 점수화한 뒤, 정책·상황·결과를 하나의 사례로 MongoDB에 저장하는 폐루프를 구축할 것이다. 이렇게 축적된 사례들은 이후 ReAct 단계에서 유사 상황에 대한 근거로 활용되어, 정책 선택과 강도 조정의 정확도를 높이고 점진적으로 성능을 개선하는 자기강화형 운영으로 발전하게 된다.