TingIS：面向企业规模的实时风险事件发现
计算与语言
2026-05-25 v3 人工智能
机器学习
摘要
实时检测和缓解技术异常对大规模云原生服务至关重要，甚至几分钟的宕机都可能导致巨额财务损失和用户信任的下降。尽管客户事件是发现被监控遗漏风险的关键信号，但从海量数据中提取可操作信息仍具挑战，主要due到极端噪声、高吞吐量以及多样业务线的语义复杂性。本文提出了 TingIS，一个面向企业级事件发现的端到端系统。TingIS 的核心是多阶段事件关联引擎，融合高效索引技术与大型语言模型（LLM），对事件合并做出明智决策，实现仅凭少量多样用户描述即可从海量数据中提取出可操作事件。该引擎辅以精准的业务归因级联路由机制和多维噪声消除管线，整合领域知识、统计规律和行为过滤。TingIS 已在生产环境部署，峰值吞吐量达每分钟 2000 条消息、每日 30 万 条消息，P90 报警延迟为 3.5 分钟，高优先级事件发现率达 95%。实测数据表明，TingIS 在路由准确性、聚类质量和信噪比等指标上显著优于基线方法。
引用
@article{arxiv.2604.21889,
title = {TingIS: Real-time Risk Event Discovery from Noisy Customer Incidents at Enterprise Scale},
author = {Jun Wang and Ziyin Zhang and Rui Wang and Hang Yu and Peng Di and Rui Wang},
journal= {arXiv preprint arXiv:2604.21889},
year = {2026}
}
备注
Accepted to ACL 2026 Industry Track (oral presentation)