DK-Root：面向移动网络QoE降级根因分析的联合数据与知识驱动框架

在实际运营的移动网络中诊断质量经验（QoE）降级的根因极具具有挑战性，由于跨层次指标（KPIs）之间存在复杂交互作用，且可靠专家标注稀缺。尽管基于规则的启发式方法可大规模生成标签，但其噪声且粗粒度，限制了纯数据驱动方法的准确性。为此，我们提出DK-Root，一个联合数据与知识驱动的框架，统一可扩展的弱监督与精确的专家指导，实现稳健的根因分析。DK-Root首先通过对比表征学习使用丰富的基于规则标签预训练编码器，同时通过监督对比目标显式去除标签噪声。为提供任务忠实的数据增强，我们引入基于类的扩散模型，生成保留根因语义的KPIs序列，并通过控制逆扩散步骤产生弱和强增强，以提高类内紧凑性和类间可分性。最后，在稀缺的专家验证标签下，联合微调编码器和轻量级分类器以锐化决策边界。大规模实验表明，在真实世界、运营商级别的数据集上，DK-Root实现了最先进的准确性，显著优于传统机器学习方法和最近的半监督时间序列方法。消融实验确认条件扩散数据增强和预训练-微调设计的必要性，验证了表征质量和分类提升。