這項由華為技術(shù)巴黎研究中心的Mohamed Sana、Nicola Piovesan、Antonio De Domenico等研究人員與華為中國技術(shù)團(tuán)隊、阿聯(lián)酋哈利法科技大學(xué)共同完成的研究，于2025年7月29日發(fā)表在arXiv預(yù)印本平臺，論文編號為arXiv:2507.21974v1。有興趣深入了解技術(shù)細(xì)節(jié)的讀者可以通過https://huggingface.co/datasets/netop/TeleLogs訪問相關(guān)數(shù)據(jù)集，或在arXiv平臺搜索該論文編號獲取完整研究報告。

想象一下，當(dāng)你的手機(jī)突然信號變差、網(wǎng)速緩慢時，背后其實是一個龐大的5G網(wǎng)絡(luò)系統(tǒng)出現(xiàn)了某種故障。傳統(tǒng)的網(wǎng)絡(luò)維護(hù)就像盲人摸象，工程師們往往只能看到表面癥狀，卻很難快速找到真正的問題根源。華為的研究團(tuán)隊現(xiàn)在開發(fā)出一種全新的方法，讓人工智能系統(tǒng)像經(jīng)驗豐富的老工程師一樣，不僅能準(zhǔn)確找出網(wǎng)絡(luò)故障的根本原因，還能詳細(xì)解釋為什么會出現(xiàn)這個問題。

這項研究的核心創(chuàng)新在于將大語言模型（類似ChatGPT的AI系統(tǒng)）經(jīng)過專門訓(xùn)練后，使其具備了專業(yè)的5G網(wǎng)絡(luò)診斷能力。研究團(tuán)隊不僅開發(fā)了訓(xùn)練方法，還創(chuàng)建了名為TeleLogs的專門數(shù)據(jù)集，就像為AI準(zhǔn)備了一本包含各種網(wǎng)絡(luò)故障案例的"教科書"。最令人印象深刻的是，經(jīng)過訓(xùn)練的AI模型在診斷準(zhǔn)確率上達(dá)到了95.86%，遠(yuǎn)超現(xiàn)有的各種方法。

一、網(wǎng)絡(luò)故障診斷：從"頭痛醫(yī)頭"到"找準(zhǔn)病根"

在現(xiàn)代移動通信網(wǎng)絡(luò)中，故障診斷一直是個令人頭疼的問題。傳統(tǒng)的做法就像看病時只治療表面癥狀，而不去找病根。當(dāng)網(wǎng)絡(luò)出現(xiàn)問題時，工程師們會收到各種警報，比如某個區(qū)域的用戶投訴網(wǎng)速慢、通話質(zhì)量差等等。但這些都只是癥狀，真正的問題可能藏在復(fù)雜的網(wǎng)絡(luò)配置、信號干擾或者設(shè)備故障等各個層面。

過去，網(wǎng)絡(luò)運(yùn)維主要依靠專家手工制定規(guī)則來判斷故障原因。這就好比讓經(jīng)驗豐富的老中醫(yī)通過望聞問切來診斷疾病，雖然準(zhǔn)確，但完全依賴個人經(jīng)驗，而且面對越來越復(fù)雜的5G網(wǎng)絡(luò)，人工分析的局限性越來越明顯。一個有經(jīng)驗的網(wǎng)絡(luò)工程師可能需要幾個小時才能分析出一個復(fù)雜故障的根本原因，而且不同工程師的判斷可能還會有分歧。

研究團(tuán)隊意識到，現(xiàn)在的5G網(wǎng)絡(luò)已經(jīng)變得極其復(fù)雜，傳統(tǒng)的基于規(guī)則的診斷方法就像用算盤來處理現(xiàn)代金融計算一樣，已經(jīng)跟不上技術(shù)發(fā)展的步伐。機(jī)器學(xué)習(xí)方法雖然在一定程度上提高了自動化水平，但往往缺乏可解釋性，就像一個"黑盒子"，告訴你結(jié)果但不告訴你原因，這在需要精準(zhǔn)操作的網(wǎng)絡(luò)運(yùn)維中是不夠的。

二、TeleLogs數(shù)據(jù)集：為AI打造的"網(wǎng)絡(luò)診斷教科書"

為了訓(xùn)練AI進(jìn)行網(wǎng)絡(luò)故障診斷，研究團(tuán)隊首先需要解決一個根本問題：如何讓AI學(xué)會像人類專家一樣分析網(wǎng)絡(luò)問題。這就需要大量的訓(xùn)練數(shù)據(jù)，但現(xiàn)實中的網(wǎng)絡(luò)故障數(shù)據(jù)往往涉及商業(yè)機(jī)密，很難獲得。因此，團(tuán)隊開發(fā)了TeleLogs這個綜合性的數(shù)據(jù)集，就像為醫(yī)學(xué)生編寫一本包含各種病例的教科書。

TeleLogs數(shù)據(jù)集的構(gòu)建過程就像搭建一個虛擬的5G網(wǎng)絡(luò)環(huán)境。研究人員模擬了一個真實的網(wǎng)絡(luò)環(huán)境，其中包含多個基站（就像手機(jī)信號塔），用戶設(shè)備在不同區(qū)域移動，就像開車在城市中穿行一樣。在這個虛擬環(huán)境中，他們?nèi)藶榈卦O(shè)置各種故障情況，然后記錄網(wǎng)絡(luò)的各種表現(xiàn)。

這個數(shù)據(jù)集包含了豐富的信息層次。首先是網(wǎng)絡(luò)工程參數(shù)，包括每個基站的位置、天線角度、發(fā)射功率等配置信息，就像一張詳細(xì)的城市地圖，標(biāo)明了每個信號塔的具體設(shè)置。然后是用戶平面數(shù)據(jù)，記錄了用戶設(shè)備在移動過程中的各種網(wǎng)絡(luò)性能指標(biāo)，比如下載速度、信號強(qiáng)度、信號質(zhì)量等，就像記錄汽車在不同路段的行駛狀態(tài)。

研究團(tuán)隊定義了一個具體的故障癥狀：當(dāng)用戶的下載速度低于600Mbps時，就認(rèn)為出現(xiàn)了性能問題。針對這個癥狀，他們設(shè)計了8種可能的根本原因。第一種是測試車輛速度過快超過40公里每小時，高速移動會影響信號質(zhì)量并增加切換頻率。第二種是服務(wù)小區(qū)的天線下傾角過大，導(dǎo)致遠(yuǎn)端覆蓋較弱。第三種是服務(wù)小區(qū)覆蓋距離超過1公里，造成信號強(qiáng)度不足。

第四種是非同站同頻鄰區(qū)造成嚴(yán)重干擾，就像兩個強(qiáng)力電臺在同一頻率播放不同節(jié)目，互相干擾。第五種是鄰區(qū)與服務(wù)小區(qū)的物理小區(qū)標(biāo)識取模30后相同，導(dǎo)致參考信號重疊產(chǎn)生干擾。第六種是頻繁切換降低用戶性能，就像開車時不斷變道反而影響通行效率。第七種是切換門限配置錯誤影響用戶性能。第八種是服務(wù)小區(qū)分配給用戶的平均物理資源塊數(shù)不足，無法滿足目標(biāo)吞吐量需求。

三、雙階段訓(xùn)練方法：讓AI既準(zhǔn)確又能"講道理"

訓(xùn)練AI進(jìn)行網(wǎng)絡(luò)診斷面臨一個核心挑戰(zhàn)：不僅要讓AI給出準(zhǔn)確的判斷，還要讓它能夠像人類專家一樣解釋判斷的理由。這就像培養(yǎng)一個既能準(zhǔn)確診斷疾病，又能清楚解釋病理過程的醫(yī)生。

研究團(tuán)隊設(shè)計了一個創(chuàng)新的雙階段訓(xùn)練方法。第一階段是監(jiān)督微調(diào)，就像讓學(xué)生跟著優(yōu)秀老師學(xué)習(xí)標(biāo)準(zhǔn)答案。但這里的"老師"不是單獨(dú)一個，而是由多個AI代理組成的團(tuán)隊。這些代理就像不同專業(yè)背景的專家，每個都有自己獨(dú)特的分析方法。

在數(shù)據(jù)生成過程中，研究團(tuán)隊使用了兩種不同的推理策略。第一種是排除法，AI代理會系統(tǒng)性地評估每個候選根本原因，逐一排除不太可能的選項，就像偵探通過排除法縮小嫌疑人范圍。第二種是矛盾法，AI代理會假設(shè)每個候選原因都是最可能的，然后檢驗這個假設(shè)是否與觀察到的數(shù)據(jù)矛盾，如果出現(xiàn)矛盾就放棄這個假設(shè)。

這種多代理方法的巧妙之處在于能夠產(chǎn)生豐富多樣的診斷思路。就像幾個專家從不同角度分析同一個問題，最后通過投票選出最合理的答案。但是，這些原始的分析過程往往包含很多冗余信息，就像專家討論時的各種重復(fù)和跑題。

為了解決這個問題，研究團(tuán)隊引入了一個"匯總代理"，它的作用就像一個高效的會議主持人，能夠從多個專家的長篇分析中提取出核心要點(diǎn)，形成一個結(jié)構(gòu)化、簡潔的診斷報告。這個報告包含四個部分：數(shù)據(jù)分析、根本原因分析、根本原因識別和總結(jié)。

第二階段是強(qiáng)化學(xué)習(xí)，使用了一種叫做GRPO（群體相對策略優(yōu)化）的方法。這個階段就像讓已經(jīng)掌握基礎(chǔ)知識的學(xué)生通過大量練習(xí)來提高實戰(zhàn)能力。在這個過程中，AI會生成多個不同的診斷方案，然后根據(jù)準(zhǔn)確性獲得獎勵或懲罰，逐漸學(xué)會選擇最優(yōu)的診斷策略。

強(qiáng)化學(xué)習(xí)的獎勵機(jī)制設(shè)計得很巧妙。當(dāng)AI給出正確的診斷結(jié)果時，就獲得正面獎勵；給出錯誤結(jié)果時則受到懲罰。但這里的獎勵不是簡單的對錯判斷，而是考慮了整個推理過程的質(zhì)量。系統(tǒng)會對比AI生成的多個答案，通過相對比較來確定哪個答案更好，這就像老師不是簡單地給分?jǐn)?shù)，而是通過橫向比較來評判學(xué)生的表現(xiàn)。

四、實驗結(jié)果：小模型也能超越大模型專家

實驗結(jié)果展現(xiàn)了這種方法的強(qiáng)大威力。研究團(tuán)隊在三個不同規(guī)模的模型上進(jìn)行了測試：15億參數(shù)、70億參數(shù)和320億參數(shù)的模型，就像測試小學(xué)生、中學(xué)生和大學(xué)生的學(xué)習(xí)效果。

最令人驚喜的發(fā)現(xiàn)是，經(jīng)過專門訓(xùn)練的小模型竟然能夠大幅超越那些原本更強(qiáng)大的通用模型。比如，訓(xùn)練后的15億參數(shù)模型達(dá)到了87.56%的準(zhǔn)確率，而未經(jīng)訓(xùn)練的320億參數(shù)模型只有18.85%的準(zhǔn)確率。這就像一個經(jīng)過專門訓(xùn)練的?？漆t(yī)生，在特定領(lǐng)域的診斷能力遠(yuǎn)超通科醫(yī)生，即使后者的整體知識面更廣。

更值得關(guān)注的是，這些小模型不僅超越了基礎(chǔ)模型，甚至超過了那些專門設(shè)計用于推理的先進(jìn)模型。比如，當(dāng)前最先進(jìn)的推理模型QwQ-32B的準(zhǔn)確率只有33.77%，而經(jīng)過訓(xùn)練的320億參數(shù)模型達(dá)到了95.86%的準(zhǔn)確率，提升了近三倍。這說明通用的推理能力雖然重要，但針對特定領(lǐng)域的專門訓(xùn)練更為關(guān)鍵。

雙階段訓(xùn)練方法的效果也得到了充分驗證。單獨(dú)使用監(jiān)督學(xué)習(xí)或強(qiáng)化學(xué)習(xí)的效果都遠(yuǎn)不如兩者結(jié)合。在15億參數(shù)的模型上，僅使用監(jiān)督學(xué)習(xí)的準(zhǔn)確率只有19.6%，僅使用強(qiáng)化學(xué)習(xí)為19.79%，而兩者結(jié)合后達(dá)到了87.56%。這就像學(xué)習(xí)一門技能，既需要理論學(xué)習(xí)，也需要實踐練習(xí)，兩者缺一不可。

為了測試模型的泛化能力，研究團(tuán)隊還設(shè)計了一個隨機(jī)化的測試集，將根本原因的編號、表格順序等表面特征進(jìn)行了打亂。這是為了確保AI學(xué)到的是真正的診斷邏輯，而不是簡單的記憶模式。結(jié)果顯示，訓(xùn)練后的模型在這個更困難的測試中仍然保持了很高的準(zhǔn)確率，320億參數(shù)模型的準(zhǔn)確率為93.23%，表明它確實學(xué)會了robust的診斷能力。

五、AI診斷過程：像老專家一樣的分析思路

為了展示AI是如何進(jìn)行網(wǎng)絡(luò)診斷的，研究團(tuán)隊提供了一個詳細(xì)的案例分析。在這個案例中，用戶的網(wǎng)絡(luò)吞吐量在連接到編號為919的基站時大幅下降，只有0.14Mbps和13.23Mbps，但切換到編號為737的基站后立即恢復(fù)到346.52Mbps以上。

AI的分析過程就像一個經(jīng)驗豐富的網(wǎng)絡(luò)工程師的思維方式。首先，它對數(shù)據(jù)進(jìn)行全面分析，注意到吞吐量下降與服務(wù)基站的變化有明確的對應(yīng)關(guān)系。然后，它系統(tǒng)性地檢查各種可能的原因。

在物理小區(qū)標(biāo)識沖突檢查中，AI計算了基站919和737的標(biāo)識碼，發(fā)現(xiàn)919除以30的余數(shù)是19，737除以30的余數(shù)是17，沒有沖突，因此排除了這個可能性。在下傾角和方位角分析中，AI發(fā)現(xiàn)基站919的機(jī)械下傾角為4度，數(shù)字下傾角為8度，總下傾角12度，但考慮到測試點(diǎn)距離很近（小于100米），這個角度設(shè)置不太可能是問題的根源。

在覆蓋距離檢查中，AI發(fā)現(xiàn)服務(wù)距離小于100米，遠(yuǎn)小于1公里的閾值，因此排除了過度覆蓋的可能性。在重疊覆蓋分析中，AI注意到基站737和919屬于同一個網(wǎng)絡(luò)節(jié)點(diǎn)（0000258），因此非同站干擾的可能性較小。

通過這種系統(tǒng)性的排除過程，AI最終確定問題的根本原因是基站737能夠提供顯著更高的吞吐量，而系統(tǒng)應(yīng)該更早地將用戶切換到基站737以避免性能下降。這個結(jié)論不僅準(zhǔn)確，而且提供了清晰的改進(jìn)建議。

六、技術(shù)創(chuàng)新與實際價值

這項研究的技術(shù)創(chuàng)新體現(xiàn)在多個方面。首先是將大語言模型成功應(yīng)用到了專業(yè)的網(wǎng)絡(luò)診斷領(lǐng)域，這在以前是很難想象的。傳統(tǒng)的網(wǎng)絡(luò)診斷要么依賴專家經(jīng)驗，要么使用專門的機(jī)器學(xué)習(xí)算法，但都缺乏靈活性和可解釋性。

大語言模型的優(yōu)勢在于它能夠處理復(fù)雜的多模態(tài)數(shù)據(jù)，包括數(shù)值型的網(wǎng)絡(luò)參數(shù)和時間序列數(shù)據(jù)，同時生成人類可以理解的自然語言解釋。這就像有了一個既懂技術(shù)又會表達(dá)的專家助手。

多代理數(shù)據(jù)生成方法是另一個重要創(chuàng)新。通過讓多個AI代理從不同角度分析同一個問題，然后由匯總代理提取核心要點(diǎn)，這種方法確保了訓(xùn)練數(shù)據(jù)的多樣性和質(zhì)量。這就像組織一個多學(xué)科專家會診，能夠從多個維度深入分析問題。

強(qiáng)化學(xué)習(xí)的應(yīng)用也很有創(chuàng)意。傳統(tǒng)的監(jiān)督學(xué)習(xí)只能讓AI學(xué)會模仿已有的答案，但強(qiáng)化學(xué)習(xí)能夠讓AI在實踐中不斷改進(jìn)自己的判斷能力。GRPO方法通過群體比較來優(yōu)化策略，避免了傳統(tǒng)強(qiáng)化學(xué)習(xí)中獎勵函數(shù)難以設(shè)計的問題。

從實際應(yīng)用價值來看，這項研究為網(wǎng)絡(luò)運(yùn)維行業(yè)帶來了革命性的可能性。目前，5G網(wǎng)絡(luò)的復(fù)雜性已經(jīng)遠(yuǎn)超人類專家的處理能力，自動化診斷工具變得越來越重要。這種AI診斷系統(tǒng)不僅能夠快速準(zhǔn)確地找出問題根源，還能提供詳細(xì)的解釋，這對于運(yùn)維人員的決策支持極其重要。

更重要的是，這種方法具有很好的可擴(kuò)展性。雖然當(dāng)前的研究集中在特定類型的網(wǎng)絡(luò)故障上，但同樣的框架可以擴(kuò)展到其他類型的故障診斷。而且，隨著更多實際網(wǎng)絡(luò)數(shù)據(jù)的積累，系統(tǒng)的診斷能力還會持續(xù)提升。

研究團(tuán)隊開源了TeleLogs數(shù)據(jù)集，這為整個學(xué)術(shù)界和工業(yè)界的進(jìn)一步研究提供了寶貴資源。這種開放的態(tài)度有助于推動整個領(lǐng)域的快速發(fā)展，讓更多研究者能夠基于這個基礎(chǔ)進(jìn)行創(chuàng)新。

說到底，這項研究最大的價值在于它證明了人工智能可以在高度專業(yè)化的技術(shù)領(lǐng)域發(fā)揮重要作用，而且不是簡單地替代人類，而是成為人類專家的智能助手。未來的網(wǎng)絡(luò)運(yùn)維可能會變成人機(jī)協(xié)作的模式，AI負(fù)責(zé)快速分析和初步診斷，人類專家負(fù)責(zé)最終決策和復(fù)雜情況處理。這種結(jié)合方式既能提高效率，又能保證決策的可靠性。

Q&A

Q1：TeleLogs數(shù)據(jù)集是什么？它包含哪些內(nèi)容？

A：TeleLogs是華為研究團(tuán)隊專門為5G網(wǎng)絡(luò)故障診斷開發(fā)的綜合性訓(xùn)練數(shù)據(jù)集。它包含三個主要部分：網(wǎng)絡(luò)工程參數(shù)（如基站位置、天線角度、發(fā)射功率等配置信息）、用戶平面數(shù)據(jù)（如下載速度、信號強(qiáng)度、信號質(zhì)量等性能指標(biāo)），以及8種可能的網(wǎng)絡(luò)故障根本原因。這個數(shù)據(jù)集通過模擬真實的5G網(wǎng)絡(luò)環(huán)境創(chuàng)建，就像為AI準(zhǔn)備的一本包含各種網(wǎng)絡(luò)故障案例的"教科書"。

Q2：為什么小參數(shù)的AI模型能夠超越大參數(shù)模型？

A：這是因為專門領(lǐng)域的訓(xùn)練比通用能力更重要。研究顯示，經(jīng)過專門訓(xùn)練的15億參數(shù)模型達(dá)到87.56%的準(zhǔn)確率，而未訓(xùn)練的320億參數(shù)模型只有18.85%。這就像一個經(jīng)過專門訓(xùn)練的?？漆t(yī)生，在特定領(lǐng)域的診斷能力遠(yuǎn)超通科醫(yī)生。通用的大模型雖然知識面廣，但缺乏針對網(wǎng)絡(luò)診斷的專門知識和推理能力，而經(jīng)過雙階段訓(xùn)練的小模型則專門學(xué)會了網(wǎng)絡(luò)故障分析的方法。

Q3：雙階段訓(xùn)練方法具體是怎么工作的？

A：雙階段訓(xùn)練包括監(jiān)督微調(diào)和強(qiáng)化學(xué)習(xí)兩個階段。第一階段讓多個AI代理用不同方法（排除法和矛盾法）分析同一問題，然后由匯總代理提取核心要點(diǎn)形成結(jié)構(gòu)化診斷報告。第二階段使用強(qiáng)化學(xué)習(xí)讓AI通過實踐提高診斷能力，根據(jù)診斷準(zhǔn)確性獲得獎勵或懲罰。實驗證明兩個階段缺一不可：單獨(dú)使用監(jiān)督學(xué)習(xí)或強(qiáng)化學(xué)習(xí)的準(zhǔn)確率都只有約20%，而兩者結(jié)合后可達(dá)到87-95%的準(zhǔn)確率。