QoEReasoner：RAN 中自动化且可解释的 QoE 诊断的代理推理框架

诊断正在运行的无线接入网络 (RAN) 中的体验质量 (QoE) 下降是一项关键但极其复杂的任务，传统上需要对高维、跨层遥测进行劳动密集型专家分析。虽然 大语言模型 (LLM) 提供了前所未有的推理能力，但它们从根本上不适合原始 RAN 故障排除：它们在数值时间序列分析中失败，幻觉违反协议的因果链接，并且缺乏多步骤故障定位所需的状态严格性。为了弥补这一差距，我们推出了 QoEReasoner，这是一种端到端、LLM 驱动的代理系统，专为自动化和可解释的 QoE 诊断而设计。 QoEReasoner 通过将推理基于网络的物理现实来驯服 LLM 固有的不可预测性。它采用确定性工具将原始数字 KPI 可靠地转换为结构化证据，通过特定领域的知识库强制执行协议一致的故障传播，并利用经过专家验证的案例历史库来指导假设生成。有状态的中央规划器协调异常检测、因果追踪和根本原因定位的闭环过程。对现实世界操作 RAN 数据集的评估表明，QoEReasoner 在多个诊断任务的准确度上优于强基线 18\%-40\%。此外，它将诊断时间从大约 30 分钟的手动专家分析减少到每次会话仅需 3 分钟，提供高度可解释的专家级报告，同时在不同的 LLM 主干网络中保持稳健。