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

想象一下，當你的手機突然信號變差、網速緩慢時，背后其實是一個龐大的5G網絡系統(tǒng)出現(xiàn)了某種故障。傳統(tǒng)的網絡維護就像盲人摸象，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)像經驗豐富的老工程師一樣，不僅能準確找出網絡故障的根本原因，還能詳細解釋為什么會出現(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)）經過專門訓練后，使其具備了專業(yè)的5G網絡診斷能力。研究團隊不僅開發(fā)了訓練方法，還創(chuàng)建了名為TeleLogs的專門數(shù)據集，就像為AI準備了一本包含各種網絡故障案例的"教科書"。最令人印象深刻的是，經過訓練的AI模型在診斷準確率上達到了95.86%，遠超現(xiàn)有的各種方法。

一、網絡故障診斷：從"頭痛醫(yī)頭"到"找準病根"

在現(xiàn)代移動通信網絡中，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。當網絡出現(xiàn)問題時，工程師們會收到各種警報，比如某個區(qū)域的用戶投訴網速慢、通話質量差等等。但這些都只是癥狀，真正的問題可能藏在復雜的網絡配置、信號干擾或者設備故障等各個層面。

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

研究團隊意識到，現(xiàn)在的5G網絡已經變得極其復雜，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，已經跟不上技術發(fā)展的步伐。機器學習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"，告訴你結果但不告訴你原因，這在需要精準操作的網絡運維中是不夠的。

二、TeleLogs數(shù)據集：為AI打造的"網絡診斷教科書"

為了訓練AI進行網絡故障診斷，研究團隊首先需要解決一個根本問題：如何讓AI學會像人類專家一樣分析網絡問題。這就需要大量的訓練數(shù)據，但現(xiàn)實中的網絡故障數(shù)據往往涉及商業(yè)機密，很難獲得。因此，團隊開發(fā)了TeleLogs這個綜合性的數(shù)據集，就像為醫(yī)學生編寫一本包含各種病例的教科書。

TeleLogs數(shù)據集的構建過程就像搭建一個虛擬的5G網絡環(huán)境。研究人員模擬了一個真實的網絡環(huán)境，其中包含多個基站（就像手機信號塔），用戶設備在不同區(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，他們人為地設置各種故障情況，然后記錄網絡的各種表現(xiàn)。

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

研究團隊定義了一個具體的故障癥狀：當用戶的下載速度低于600Mbps時，就認為出現(xiàn)了性能問題。針對這個癥狀，他們設計了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量并增加切換頻率。第二種是服務小區(qū)的天線下傾角過大，導致遠端覆蓋較弱。第三種是服務小區(qū)覆蓋距離超過1公里，造成信號強度不足。

第四種是非同站同頻鄰區(qū)造成嚴重干擾，就像兩個強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)與服務小區(qū)的物理小區(qū)標識取模30后相同，導致參考信號重疊產生干擾。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，無法滿足目標吞吐量需求。

三、雙階段訓練方法：讓AI既準確又能"講道理"

訓練AI進行網絡診斷面臨一個核心挑戰(zhàn)：不僅要讓AI給出準確的判斷，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)一個既能準確診斷疾病，又能清楚解釋病理過程的醫(yī)生。

研究團隊設計了一個創(chuàng)新的雙階段訓練方法。第一階段是監(jiān)督微調，就像讓學生跟著優(yōu)秀老師學習標準答案。但這里的"老師"不是單獨一個，而是由多個AI代理組成的團隊。這些代理就像不同專業(yè)背景的專家，每個都有自己獨特的分析方法。

在數(shù)據生成過程中，研究團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代理會假設每個候選原因都是最可能的，然后檢驗這個假設是否與觀察到的數(shù)據矛盾，如果出現(xiàn)矛盾就放棄這個假設。

這種多代理方法的巧妙之處在于能夠產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和跑題。

為了解決這個問題，研究團隊引入了一個"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，形成一個結構化、簡潔的診斷報告。這個報告包含四個部分：數(shù)據分析、根本原因分析、根本原因識別和總結。

第二階段是強化學習，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掌握基礎知識的學生通過大量練習來提高實戰(zhàn)能力。在這個過程中，AI會生成多個不同的診斷方案，然后根據準確性獲得獎勵或懲罰，逐漸學會選擇最優(yōu)的診斷策略。

強化學習的獎勵機制設計得很巧妙。當AI給出正確的診斷結果時，就獲得正面獎勵；給出錯誤結果時則受到懲罰。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數(shù)，而是通過橫向比較來評判學生的表現(xiàn)。

四、實驗結果：小模型也能超越大模型專家

實驗結果展現(xiàn)了這種方法的強大威力。研究團隊在三個不同規(guī)模的模型上進行了測試：15億參數(shù)、70億參數(shù)和320億參數(shù)的模型，就像測試小學生、中學生和大學生的學習效果。

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

更值得關注的是，這些小模型不僅超越了基礎模型，甚至超過了那些專門設計用于推理的先進模型。比如，當前最先進的推理模型QwQ-32B的準確率只有33.77%，而經過訓練的320億參數(shù)模型達到了95.86%的準確率，提升了近三倍。這說明通用的推理能力雖然重要，但針對特定領域的專門訓練更為關鍵。

雙階段訓練方法的效果也得到了充分驗證。單獨使用監(jiān)督學習或強化學習的效果都遠不如兩者結合。在15億參數(shù)的模型上，僅使用監(jiān)督學習的準確率只有19.6%，僅使用強化學習為19.79%，而兩者結合后達到了87.56%。這就像學習一門技能，既需要理論學習，也需要實踐練習，兩者缺一不可。

為了測試模型的泛化能力，研究團隊還設計了一個隨機化的測試集，將根本原因的編號、表格順序等表面特征進行了打亂。這是為了確保AI學到的是真正的診斷邏輯，而不是簡單的記憶模式。結果顯示，訓練后的模型在這個更困難的測試中仍然保持了很高的準確率，320億參數(shù)模型的準確率為93.23%，表明它確實學會了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是如何進行網絡診斷的，研究團隊提供了一個詳細的案例分析。在這個案例中，用戶的網絡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的基站后立即恢復到346.52Mbps以上。

AI的分析過程就像一個經驗豐富的網絡工程師的思維方式。首先，它對數(shù)據進行全面分析，注意到吞吐量下降與服務基站的變化有明確的對應關系。然后，它系統(tǒng)性地檢查各種可能的原因。

在物理小區(qū)標識沖突檢查中，AI計算了基站919和737的標識碼，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，但考慮到測試點距離很近（小于100米），這個角度設置不太可能是問題的根源。

在覆蓋距離檢查中，AI發(fā)現(xiàn)服務距離小于100米，遠小于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屬于同一個網絡節(jié)點（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)應該更早地將用戶切換到基站737以避免性能下降。這個結論不僅準確，而且提供了清晰的改進建議。

六、技術創(chuàng)新與實際價值

這項研究的技術創(chuàng)新體現(xiàn)在多個方面。首先是將大語言模型成功應用到了專業(yè)的網絡診斷領域，這在以前是很難想象的。傳統(tǒng)的網絡診斷要么依賴專家經驗，要么使用專門的機器學習算法，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雜的多模態(tài)數(shù)據，包括數(shù)值型的網絡參數(shù)和時間序列數(shù)據，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又會表達的專家助手。

多代理數(shù)據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，這種方法確保了訓練數(shù)據的多樣性和質量。這就像組織一個多學科專家會診，能夠從多個維度深入分析問題。

強化學習的應用也很有創(chuàng)意。傳統(tǒng)的監(jiān)督學習只能讓AI學會模仿已有的答案，但強化學習能夠讓AI在實踐中不斷改進自己的判斷能力。GRPO方法通過群體比較來優(yōu)化策略，避免了傳統(tǒng)強化學習中獎勵函數(shù)難以設計的問題。

從實際應用價值來看，這項研究為網絡運維行業(yè)帶來了革命性的可能性。目前，5G網絡的復雜性已經遠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)不僅能夠快速準確地找出問題根源，還能提供詳細的解釋，這對于運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展性。雖然當前的研究集中在特定類型的網絡故障上，但同樣的框架可以擴展到其他類型的故障診斷。而且，隨著更多實際網絡數(shù)據的積累，系統(tǒng)的診斷能力還會持續(xù)提升。

研究團隊開源了TeleLogs數(shù)據集，這為整個學術界和工業(yè)界的進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域的快速發(fā)展，讓更多研究者能夠基于這個基礎進行創(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)化的技術領域發(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。未來的網絡運維可能會變成人機協(xié)作的模式，AI負責快速分析和初步診斷，人類專家負責最終決策和復雜情況處理。這種結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)據集是什么？它包含哪些內容？

A：TeleLogs是華為研究團隊專門為5G網絡故障診斷開發(fā)的綜合性訓練數(shù)據集。它包含三個主要部分：網絡工程參數(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（如下載速度、信號強度、信號質量等性能指標），以及8種可能的網絡故障根本原因。這個數(shù)據集通過模擬真實的5G網絡環(huán)境創(chuàng)建，就像為AI準備的一本包含各種網絡故障案例的"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：這是因為專門領域的訓練比通用能力更重要。研究顯示，經過專門訓練的15億參數(shù)模型達到87.56%的準確率，而未訓練的320億參數(shù)模型只有18.85%。這就像一個經過專門訓練的專科醫(yī)生，在特定領域的診斷能力遠超通科醫(yī)生。通用的大模型雖然知識面廣，但缺乏針對網絡診斷的專門知識和推理能力，而經過雙階段訓練的小模型則專門學會了網絡故障分析的方法。

Q3：雙階段訓練方法具體是怎么工作的？

A：雙階段訓練包括監(jiān)督微調和強化學習兩個階段。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形成結構化診斷報告。第二階段使用強化學習讓AI通過實踐提高診斷能力，根據診斷準確性獲得獎勵或懲罰。實驗證明兩個階段缺一不可：單獨使用監(jiān)督學習或強化學習的準確率都只有約20%，而兩者結合后可達到87-95%的準確率。