贯通时间与文本模态：面向云故障自动根因分析的多模态框架

现代云基础设施中的根因分析需要对异构数据源的深入理解，尤其是包含核心故障特征的时间序列性能指标。尽管大语言模型在文本推理上展现出卓越能力，但其离散的基于 token 的架构与具有时间依赖性的连续数值序列存在根本上的不兼容。现有方法未能充分解决这种模态失配，限制了语言模型驱动自动化在事件管理工作流中的潜力。本文提出一个多模态诊断框架，将时间序列表示与预训练语言模型的嵌入空间相协调。我们的方法贡献了三项技术进展：(1) 一种语义压缩技术，把时间片段提炼为单 token 抽象同时保留模式语义；(2) 一种对齐编码器，利用门控交叉注意力将时间序列特征投影到语言模型潜空间；(3) 一条检索增强的诊断管线，将对齐后的嵌入与历史事件知识相结合，实现专家级的故障归因。在六个云系统基准上的全面评估表明，我们的框架取得领先性能，诊断准确率达到 48.75%，在涉及复合故障模式的场景中改进尤为显著。这些结果验证了嵌入空间对齐是让语言模型在生产事件响应场景中对多模态遥测数据进行推理的有效策略。