5G無線ネットワークにおける根本原因分析のための推論言語モデル

要旨

モバイルネットワークにおける根本原因分析（RCA）は、解釈可能性、ドメイン知識、および因果推論の必要性から、依然として困難な課題である。本研究では、大規模言語モデル（LLM）を活用した軽量なRCAフレームワークを提案する。これを行うために、RCA能力をベンチマークするために設計された注釈付きトラブルシューティング問題のデータセットであるTeleLogsを導入する。評価の結果、既存のオープンソースの推論LLMはこれらの問題に対処するのに苦労しており、ドメイン固有の適応の必要性が浮き彫りになった。この問題に対処するため、教師ありファインチューニングと強化学習を組み合わせた二段階のトレーニング手法を提案し、LLMの精度と推論品質を向上させる。提案手法は、一連のRCAモデルをファインチューニングしてドメイン知識を統合し、構造化された多段階の診断説明を生成することで、解釈可能性と有効性の両方を向上させる。複数のLLMサイズにわたる広範な実験により、最先端の推論モデルおよび非推論モデルを大幅に上回る性能向上が示され、ランダム化されたテストバリアントへの強い一般化能力も確認された。これらの結果は、ネットワーク運用および管理における実用的で説明可能なRCAのためのドメイン適応型・推論強化LLMの可能性を示している。

English

Root Cause Analysis (RCA) in mobile networks remains a challenging task due to the need for interpretability, domain expertise, and causal reasoning. In this work, we propose a lightweight framework that leverages Large Language Models (LLMs) for RCA. To do so, we introduce TeleLogs, a curated dataset of annotated troubleshooting problems designed to benchmark RCA capabilities. Our evaluation reveals that existing open-source reasoning LLMs struggle with these problems, underscoring the need for domain-specific adaptation. To address this issue, we propose a two-stage training methodology that combines supervised fine-tuning with reinforcement learning to improve the accuracy and reasoning quality of LLMs. The proposed approach fine-tunes a series of RCA models to integrate domain knowledge and generate structured, multi-step diagnostic explanations, improving both interpretability and effectiveness. Extensive experiments across multiple LLM sizes show significant performance gains over state-of-the-art reasoning and non-reasoning models, including strong generalization to randomized test variants. These results demonstrate the promise of domain-adapted, reasoning-enhanced LLMs for practical and explainable RCA in network operation and management.

5G無線ネットワークにおける根本原因分析のための推論言語モデル

Reasoning Language Models for Root Cause Analysis in 5G Wireless Networks

要旨

Support