利用多主体系统 (MAS) 和微调小型语言模型 (SLM) 实现自动电信网络故障排除
人工智能
2025-11-04 v1 计算与语言
信息论
多智能体系统
网络与互联网体系结构
math.IT
摘要
电信网络正在快速增长规模和复杂度，使得有效的管理、运营和优化日益具有挑战性。尽管人工智能 (AI) 已被应用于许多电信任务，但现有模型在适用性上有限，需要大量标记数据，且难以在异构部署中泛化。因此，网络故障排除仍严重依赖主导专家 (SME) 手动关联各种数据源以识别根本原因和纠正措施。为克服这些限制，我们提出一种多主体系统 (MAS)，采用 agentic workflow， Large Language Models (LLMs) 协调多个 specialized tool 以实现完全自动化的网络故障排除。一旦由 AI/ML-based 监控器检测到故障，该框架会动态激活 orchestrator、solution planner、executor、data retriever 和 root-cause analyzer 等 agent 来诊断问题并在短时间内推荐 remediation 策略。该系统的关键组件是 solution planner，它基于内部文档生成 appropriate remediation plan。为实现这一点，我们对 Small Language Model (SLM) 进行微调，使用专有故障排除文档以产生基于领域的 solution plan。实验结果表明，所提出的框架在 Radio Access Network (RAN) 和 Core 网络领域显著加快了故障排除自动化。
引用
@article{arxiv.2511.00651,
title = {Leveraging Multi-Agent System (MAS) and Fine-Tuned Small Language Models (SLMs) for Automated Telecom Network Troubleshooting},
author = {Chenhua Shi and Bhavika Jalli and Gregor Macdonald and John Zou and Wanlu Lei and Mridul Jain and Joji Philip},
journal= {arXiv preprint arXiv:2511.00651},
year = {2025}
}
备注
6 pages, 7 figures, 1 table