LLM-gestützte Wissensdatenbank beschleunigt Root-Cause-Analyse in Netzwerken

Kommunikationsnetze bilden das Rückgrat unserer digitalen Welt. Trotz ausgefeilter Redundanz und Failover-Mechanismen ist die Erreichung einer „fünf‑Neunen“-Zuverlässigkeit (99,999 %) schwierig. Bei Ausfällen wird eine schnelle und präzise Root‑Cause‑Analyse (RCA) zum entscheidenden Faktor, um Dienste wiederherzustellen und zukünftige Unterbrechungen zu verhindern.

In einer aktuellen Studie wurden drei Ansätze zur Erstellung einer RCA‑Wissensdatenbank aus Support‑Tickets untersucht: Fine‑Tuning, Retrieval‑Augmented Generation (RAG) und ein hybrides Modell. Die Autoren verglichen die Leistungen dieser Methoden anhand einer umfangreichen Palette von lexikalischen und semantischen Ähnlichkeitsmetriken.

Die Experimente wurden mit einem realen industriellen Datensatz durchgeführt. Dabei zeigte sich, dass die generierte Wissensdatenbank einen hervorragenden Ausgangspunkt bietet, um RCA‑Aufgaben zu beschleunigen und die Netzwerkrückgewinnung zu optimieren.

Die Ergebnisse unterstreichen das Potenzial von LLM‑gestützten Systemen, die Netzwerkresilienz nachhaltig zu stärken, indem sie die Analyse von Ausfallursachen effizienter gestalten.