大语言模型用于电信根因分析：基于证据诊断的结构化推理框架

根本原因分析 (RCA) 是电信网络运营中的一项关键任务，但由于复杂的跨层依赖性，诊断现代 5G 和新兴 6G 网络的性能下降仍然具有挑战性。虽然大语言模型 (LLM) 为推理和知识集成提供了有前途的功能，但直接将普通的 LLM 应用于电信 RCA 通常会导致幻觉、推理不稳定以及与结构化网络证据的一致性不佳。这项工作首先回顾了电信 RCA 从基于规则和机器学习 (ML) 方法到新兴的LLM支持技术的演变，并概述了最新的范式，包括结构化推理、检索增强知识基础、代理编排和可验证推理。基于这些见解，我们为支持 LLM 的电信 RCA 提出了一个结构化推理框架，该框架将诊断推理与电信特定证据和领域知识结合起来。所提出的方法首先将异构网络遥测数据组织成规范上下文，然后在诊断过程中强制执行决策路径推理，最后生成基于证据的解释以进行可靠的故障识别。两个 5G RCA 数据集 TeleLogs 和 TelecomTS 上的实验结果表明，与基线技术相比，所提出的框架持续提高了诊断准确性和决策一致性。这些跨数据集结果凸显了结构化推理设计对于下一代电信网络中基于 LLM 的实用 RCA 系统的重要性。