隨著行業數字化轉型的加速，通信領域運維需求日益復雜，智能運維成為數字化時代保持競爭力的關鍵因素之一。然而，隨著業務的快速發展和技術的不斷更新，傳統運維方式已難以滿足通信設備運維的需求。大模型技術的出現為智能運維領域帶來了突破，它能夠提供更人性化的人機交互模式，同時能夠處理海量格式化數據，提供高精度的分析和預測，為智能運維提供強大的技術賦能。
大模型在智能運維中的應用
大模型技術在通信領域智能運維中得到了廣泛的應用拓展，主要包括：
- 運維知識問答：大模型對于通信知識有存儲、記憶、理解和運用能力，靈活結合上下文的理解，能夠準確檢索和提取相關信息，生成問題答案，反饋給提問運維人員；同時大模型能夠不斷更新和修正自己的知識庫，從而保持與最新知識的同步。
- 故障異常檢測：利用大模型智能算法和模型，系統對采集到的數據進行處理和分析，可發現與正常狀態不符的異常數據或行為；通常涉及特征提取、數據建模和分類、異常判斷標準制定等步驟。
- 根因定位：在異常檢測的基礎上，進一步對異常數據進行深入分析，推斷出導致異常的原因和位置，從而確定故障的具體類型和位置；這需要運用各種診斷技術和方法，如故障樹分析、專家系統等。
- 故障預測與預防：大模型可以對海量的歷史運維數據進行學習，從中發現故障發生的規律和趨勢，建立故障發生模型。基于此模型，通過對實時數據的監控和分析，大模型亦可以預測潛在的故障風險，提前發出預警，使運維人員有足夠的時間采取預防措施，降低故障率。
相較于傳統AIOps，大模型給予智能運維更進一步的能力加持，如交互更簡單、知識覆蓋更全面、能夠實現故障自我學習、模型架構更靈活等，使用門檻更低，并且實現了運維能力的不斷泛化。
中興通訊核心網運維大模型體系架構及關鍵技術
中興通訊核心網運維大模型基于中興通訊自研訓練的電信領域星云大模型，使用高質量的語料對基座模型進行精調，生成面向核心網及網絡云的運維大模型（見圖1）。運維大模型應用有三大類能力：
- 智能交互（CoPilot-I）：包括專業知識問答、網絡健康度查詢、關鍵指標信息查詢等功能；
- 智能分析（CoPilot-A）：包括故障分析輔助、網絡優化輔助、巡檢報告排查等功能；
- 智能生成（CoPilot-G）：包括巡檢報告生成、操作方案生成、網絡報表生成等功能。
為滿足以上大模型運維能力，在中興通訊核心網及網絡云各運維大模型產品中，分別應用了當前熱門的關鍵技術，包括RAG（retrieval-augmented generation，檢索增強生成）、多智能體協同等。
- RAG（檢索增強生成）
要完成更復雜和知識密集型的任務，需要構建一種精度更高、更可靠的系統，并且緩解大模型“幻覺”問題。RAG是一種大模型的關鍵技術，它通過從數據源中檢索信息來輔助大語言模型生成答案。RAG技術可以極大地提升內容的準確性和相關性，有效緩解幻覺問題，提高知識更新的速度，并增強內容生成的可追溯性。RAG已成為當前解決大模型獲取外部新知識問題最受歡迎的系統架構。
- 多智能體協同架構
多智能體協同是指多個智能體在共享環境中通過相互通信和協作，實現協同行動以達成共同目標的過程。每個智能體都具備一定的自主性和智能性，能夠根據環境信息進行感知、決策和執行。多智能體協同通過相互之間的交互與合作，使整個系統能夠從各個智能體的優勢和特長中受益，實現更高效、更智能的決策和行動。基于多智能體協同架構，我們可以創建知識專家、故障專家、值守專家、方案專家等獨立智能體個體，通過相互協同，共同構建網絡的智能運維體系架構。
大模型在智能運維中的挑戰與未來發展
盡管大模型在智能運維領域具有廣泛的應用前景和優勢，但仍然存在一些挑戰。例如，如何提高大模型的自適應能力、降低模型的復雜度、解決數據隱私和安全問題等。
未來，隨著技術的不斷進步和應用場景的不斷拓展，大模型在智能運維領域的應用將會更加廣泛和深入。例如，隨著邊緣計算的普及和發展，大模型將逐漸向邊緣端遷移，實現更高效、實時的智能運維；同時，大模型將與機器學習、深度學習等技術結合得更加緊密，進一步提高智能運維的效率和精度，大模型將面臨更多的數據挑戰和機遇。因此，我們需要不斷地探索和創新，結合具體場景和需求進行應用和實踐。同時，也需要進一步加強相關技術的研究和開發，推動智能運維技術的進步和發展。
京公網安備 11010802036102號