云边端协同硬件感知:动态可靠性估计与证据约束大语言模型推理框架

《Sensors》:Cloud–Edge Collaborative Hardware Sensing with Dynamic Reliability Estimation and Evidence-Constrained Large Language Model Reasoning

【字体: 大 中 小 】 时间:2026年09月23日 来源:Sensors 4.0

编辑推荐:

  银行数据中心产生来自服务器、网络设备、边缘节点及业务终端的异构IT运维数据流。现有检测器易受异步采样和不可靠信道影响,而独立的根因模块与语言模型模块无法保留端到端证据链。本研究提出一种云边端框架,将传感器质量感知时序编码、拓扑与时间顺序约束的事件图推理,以及证

  
银行数据中心产生来自服务器、网络设备、边缘节点及业务终端的异构IT运维数据流。现有检测器易受异步采样和不可靠信道影响,而独立的根因模块与语言模型模块无法保留端到端证据链。本研究提出一种云边端框架,将传感器质量感知时序编码、拓扑与时间顺序约束的事件图推理,以及证据约束的语言生成相结合。在边缘侧,动态可靠性评分抑制缺失、噪声、延迟、漂移及冻结信道。在云侧,模型依据设备拓扑、日志、告警及维护记录对根因排序,并识别传播关系与起始时间。随后,语言模型基于生成的证据包生成可追溯的故障解释,并在证据不足或相互冲突时拒绝生成结论。实验采用2024年至2025年间某商业银行总部及同城灾备数据中心采集的IT运维数据;该数据集不包含任何客户金融或交易记录。所提方法在硬件异常检测上取得Accuracy、Precision、Recall、F1-score及AUC分别为、、、及。根因定位准确率、Top-3准确率、事件关系F1-score及时间定位误差分别为、、及秒。完整模型达到的证据支持率及的无证据支持语句率。上述结果表明,可靠性从感知层经系统级诊断传播至证据支撑的解释层。
论文解读:云边端协同硬件感知框架下的动态可靠性估计与证据约束大语言模型推理
一、研究背景与问题
现代云边端基础设施支撑着关键业务服务,其运行状态通过处理器、电源、散热、存储、环境及网络等多类传感器暴露。运维人员不仅需要检测异常窗口,更需确定故障发起设备、传播路径、起始时间及支撑结论的观测依据。然而,现有方法将上述耦合需求割裂处理:阈值及传统机器学习检测器假设输入稳定可信,对缺失观测、时钟偏移、漂移及数值冻结敏感;时序编码器虽改进序列建模,但通常直接拼接通道或采用固定融合权重,导致损坏通道可能主导决策;图模型虽能捕获拓扑,但通常仅接收异常分数而未保留源测量质量;纯提示或检索增强的大语言模型可生成流畅诊断,却缺乏词元级证据约束,削弱可审计性。因此,核心挑战在于端到端信任问题:传感器处检测到的不确定性必须在根因排序及解释生成阶段持续可见。银行数据中心在结算及灾备切换等高负载时段对服务连续性、保守归因及证据可追溯性有严格要求,现有方法难以满足。
二、研究内容与结论
针对上述问题,研究人员提出一种硬件感知框架,将可靠性贯穿三个耦合阶段进行传播。首先,质量监督估计器将完整性、稳定性、延迟及跨通道一致性转换为动态传感器权重;其次,这些权重随异常事件进入拓扑与时间顺序约束的图模型,联合预测根节点、传播边及起始时间;最后,图置信度与源可靠性成为语言模型解码的证据门控、词汇约束及拒绝信号。实验基于2024年1月至2025年12月某商业银行总部及同城灾备数据中心的IT运维数据,涵盖服务器集群、数据库节点、边缘网关、核心交换机、防火墙、业务终端及环境监控系统,不含客户金融或交易数据。结果表明,所提方法在硬件异常检测、根因定位、传播关系识别、时间定位及解释支撑性方面均优于全部基线,验证了可靠性从感知经诊断到解释的完整传播链路。
三、关键技术方法
研究人员构建了三大核心模块。可信多传感器时序编码模块采用膨胀因果卷积与门控激活提取局部变化模式,通过Transformer层建模跨通道长程依赖,并由质量监督估计器计算完整性、稳定性、新鲜度及跨通道一致性四个归一化质量因子,经多层感知机与sigmoid输出有界可靠性分数,实现可靠性加权融合。跨设备异常事件链构建模块将设备级异常事件与拓扑、日志语义及任务依赖结合,采用关系时序图编码器按R种关系类型分别聚合邻域信息,通过门控机制融合多关系消息,联合优化根因分类、关系预测及路径一致性约束,并保证生成图结构为有向无环图。证据约束大语言模型推理模块将根因节点、传播边、关键传感器片段、日志及运维记录序列化为结构化证据包,通过证据编码层、交互层及解码层实现证据门控检索、声明承载词元掩码、句子级覆盖度估计及成对冲突预测,当覆盖不足或可靠源冲突时触发不确定性拒绝机制。
四、研究结果
硬件异常检测实验: 与随机森林、XGBoost、LSTM、TCN、Transformer、PatchTST、Early Fusion、跨模态Transformer及图神经网络九种基线对比,所提方法在Accuracy、Precision、Recall、F1-score及AUC上均取得最优,且置信区间最窄,表明动态可靠性加权与跨设备事件链建模能有效抑制低质量通道干扰并提升判别稳定性。
根因定位与异常传播分析实验: 所提方法在根因定位准确率、Top-3准确率、MRR、事件关系F1-score及时间定位误差上全面优于基线,证明拓扑与时间顺序约束能有效区分根因设备与被动受影响设备,降低共享负载或同步波动导致的虚假关联。
消融实验: 移除传感器可靠性估计后异常检测F1与根因定位准确率显著下降;移除时间同步及缺失值掩码进一步降低F1并增加无证据支持语句率;移除设备拓扑主要损害根因定位与事件关系识别;移除异常事件链模块导致事件关系F1最低;移除证据约束后证据支持率大幅下降、无证据支持语句率显著上升;移除不确定性拒绝机制使无证据支持语句率进一步增加。完整模型在所有正向指标上最优且无证据支持语句率最低。与仅使用检索增强的基线相比,完整方法将证据支持率提升并显著降低无证据支持语句,隔离了证据控制相对检索本身的独立收益。
五、讨论与结论
讨论部分指出,在月末结算或夜间批处理期间,计算负载、功耗及机柜温度常同步上升,阈值规则易将正常峰值误判为故障,而所提模型通过联合处理器负载、风扇转速、电源状态、环境测量及任务队列变化,可区分工作负载增长与散热管理故障。跨设备故障场景中,核心交换机端口拥塞可经丢包率与队列长度增加、边缘网关响应延迟、数据库连接超时直至业务终端事务失败逐步传播,所提方法可沿拓扑与服务调用关系追溯完整传播路径。当异常与配置变更或人工操作重合时,运维工单、堡垒机记录及系统日志可辅助判断故障关联。结论部分总结,本研究提出云边端协同框架,用于银行数据中心IT运维的可信分析,数据来源于金融机构的硬件、网络、系统、环境、告警、维护及拓扑记录,实现了从原始感知经系统级诊断到证据支撑解释的可靠性传播,为故障恢复、审计审查、安全运营及业务连续性管理提供可追溯的决策支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号