用于5G无线网络根本原因分析的推理语言模型

由于需要可解释性、领域专业知识和因果推理，移动网络中的根本原因分析（RCA）仍然是一项具有挑战性的任务。在这项工作中，我们提出了一种轻量级框架，该框架利用大型语言模型（LLM）进行RCA。为此，我们引入了TeleLogs，这是一个经过整理的、带有注释的故障排除问题数据集，旨在对RCA能力进行基准测试。我们的评估显示，现有的开源推理LLM在这些问题上表现不佳，这凸显了领域特定适应的必要性。为了解决这个问题，我们提出了一种两阶段训练方法，该方法将有监督微调与强化学习相结合，以提高LLM的准确性和推理质量。所提出的方法对一系列RCA模型进行微调，以整合领域知识并生成结构化的、多步骤的诊断解释，从而提高可解释性和有效性。在多种LLM规模上进行的广泛实验表明，与最先进的推理和非推理模型相比，性能显著提高，包括对随机测试变体的强大泛化能力。这些结果证明了领域适应的、推理增强的LLM在网络运营和管理中进行实用且可解释的RCA的潜力。