论文
安全自适应的云治愈：以神经符号验证器验证LLM生成的恢复计划
Safe and Adaptive Cloud Healing: Verifying LLM-Generated Recovery Plans with a Neural-Symbolic World Model
摘要
随着云端AI系统的规模与复杂度持续攀升——通过快速故障检测与自适应恢复确保服务可靠性已成为关键挑战。虽然既有方法集成大语言模型（LLM）做语义理解、深度强化学习（DRL）做策略优化——但它们常依赖顺序、松耦合架构——未能充分利用LLM的生成与推理能力。本文中——我们以PASE（规划感知语义自愈引擎）实现范式转变——新型故障自愈框架——将恢复重新概念化为神经符号程序合成任务。PASE以LLM为核心规划合成引擎——从语义原语库生成结构化恢复计划。神经符号世界模型经仿真验证计划可行性——而经DRL训练的元提示优化器学习生成引导LLM规划过程的最优提示。这一紧密的推理-规划-验证-适配循环实现超越预定义动作空间的动态、情境感知恢复策略生成。在真实云故障注入数据集上的实验表明：PASE显著超越最先进方法——平均系统恢复时间降低超40%——并提升未知故障场景的故障检测准确率。我们的框架通过统一基于LLM的推理、模型辅助验证与元学习引导推进自主系统管理。
