Large Language Models (LLMs) for Telecom Root Cause Analysis (RCA): A Structured Reasoning Framework for Evidence-Grounded Diagnosis

论文解决了什么问题

现代 5G 和新兴 6G 网络的根因分析面临复杂跨层依赖挑战。传统规则系统难以扩展，ML 方法依赖统计模式识别而缺乏显式诊断推理，直接应用 LLM 则易产生幻觉、推理路径不稳定且难以对齐结构化网络证据。核心问题是如何让 LLM 在电信 RCA 中基于异构证据进行可靠、可追溯的结构化推理。

核心方法

SEKA-FT 框架将电信 RCA 建模为证据到路径到决策的结构化推理问题。首先通过规范上下文结构化将异构遥测数据归一为一致语义槽；其次引入 CoT 决策路径控制，要求模型先执行中间诊断检查（如移动性、调度充足性）以逐步剪枝不支持的假设；最后通过证据锚定解释设计，将监督目标从单一标签扩展为包含证据路径的多层推理序列，确保诊断可追溯至具体电信指标。

相比规则系统依赖预定义告警模式、ML 方法执行统计模式识别，SEKA-FT 将 RCA 重构为结构化推理问题；相比直接应用 LLM 或标准 SFT，SEKA-FT 通过规范上下文、决策路径控制和证据锚定解释联合对齐结构化证据与诊断路径，在 TeleLogs 和 TelecomTS 上优于 ICL、非 LLM 和 SFT 基线。

实验结论

• SEKA-FT 在 TeleLogs 和 TelecomTS 两个 5G RCA 数据集上相比 ICL、非 LLM 和 SFT 基线一致提升诊断准确率
• SEKA-FT 在跨数据集设置下保持决策一致性，表明其对不同证据表示具有适应性
• 规范上下文结构化减少了输入表示不一致导致的推理轨迹不稳定
• CoT 决策路径控制通过中间诊断检查剪枝不支持的假设，降低幻觉推理
• 在 TeleLogs 和 TelecomTS 两个 5G RCA 数据集上，SEKA-FT 相比 ICL、非 LLM 和 SFT 基线一致提升诊断准确率与决策一致性

局限性与证据边界

适合谁阅读