PropLLM：基于传播感知的场景重构用于网络故障诊断

背景

在现代复杂的网络基础设施中，故障往往不是孤立存在的，而是沿着网络拓扑结构和协议依赖关系逐层传播。这种传播机制导致了一个核心痛点：运维系统通常只能观察到传播链末端的症状性告警（symptomatic alerts）。

由于不同的根本原因（Root Cause）可能在传播链的末端产生高度相似的症状，这种“端点歧义性”使得故障诊断变得极具挑战性。现有的故障诊断方法，无论是基于规则的系统、机器学习（ML）模型，还是最新的大语言模型（LLM），其基本架构都是将一组告警直接映射为一个诊断结果。这种“单遍映射”（single pass）的结构本质上无法解决端点歧义问题，因为它们缺乏对故障传播路径的逆向追踪能力，也难以利用中间环节的可验证事实来消除不确定性。

核心内容

为了解决上述问题，研究人员提出了 PropLLM，这是首个将“逐跳场景重构”（hop-by-hop scene reconstruction）范式与大语言模型的生成式推理能力相结合的方法。

1. 逐跳回溯与知识图谱验证

PropLLM 的工作流程始于末端的症状告警。它不再试图一次性得出结论，而是沿着传播路径逐跳向后追踪（traces back hop-by-hop）。在每一个跳步（hop）中，系统会从双层知识图谱（dual-layer Knowledge Graph, KG）中检索可验证的事实证据。这种机制确保了诊断过程中的每一步都有据可依，从而构建出一条完全基于证据的因果链。

2. 时间因果传播注意力机制（TCPA）

为了引导模型沿着正确的因果方向进行推理，PropLLM 提出了一种新的机制：时间因果传播注意力机制（Temporal Causal Propagation Attention, TCPA）。该机制将已知的拓扑因果先验知识直接编码到注意力计算中。通过这种方式，LLM 能够更准确地识别故障在拓扑结构中的传播方向，避免被无关或误导性的告警干扰。

3. 最终诊断

通过上述过程，PropLLM 最终能够定位根本原因并确定故障类型。其核心优势在于它不仅仅依赖告警文本的模式匹配，而是通过重构故障传播的完整场景，利用因果链来消除端点症状的歧义。

关键要点

• 解决端点歧义：PropLLM 突破了传统方法仅依赖末端告警进行单遍诊断的局限，通过逆向追踪传播路径来解决不同根本原因产生相似症状的问题。
• 双层知识图谱检索：在逐跳回溯过程中，从双层知识图谱中检索可验证的事实证据，确保推理过程的客观性和可解释性。
• TCPA 机制创新：提出的时间因果传播注意力机制（TCPA）将拓扑因果先验嵌入注意力计算，有效引导 LLM 沿正确因果方向推理。
• 实证性能提升：
  • 在真实的 Wi-Fi 多模态故障数据集上，PropLLM 将故障类型诊断准确率提高了 3.9%，根本原因定位准确率提高了 4.7%（相较于最强基线）。
  • 幻觉率（hallucination rate）降低了 50.8%，显著提升了生成内容的可靠性。
• 跨场景有效性：在 TeleLogs 5G 数据集上的补充实验进一步证明了该方法在不同网络场景下的有效性和泛化能力。

意义与影响

PropLLM 的提出标志着网络故障诊断从“静态模式匹配”向“动态因果推理”的重要转变。

1. 提升运维自动化水平：通过大幅降低幻觉率并提高诊断准确率，PropLLM 使得基于 LLM 的自动化故障诊断更加可靠，减少了运维人员对人工复核的依赖。
2. 可解释性增强：通过构建“完全基于证据的因果链”，该方法不仅给出诊断结果，还提供了推理路径。这对于需要高可解释性的关键基础设施运维至关重要，有助于工程师理解故障发生的逻辑链条。
3. 方法论创新：将场景重构范式与 LLM 结合，并引入领域特定的因果先验（通过 TCPA），为其他领域的复杂系统故障诊断（如分布式系统、工业物联网）提供了新的技术思路。
4. 验证了 LLM 在结构化推理中的潜力：实验结果证明，当 LLM 被赋予特定的结构化推理机制（如逐跳回溯和知识图谱检索）时，其在处理具有复杂拓扑依赖的任务中，能够显著优于传统的基线模型。