ARTICLE · 1237152
让 AI 上岗排障:洛神云网络大圣助手入选顶会 ATC 2026
01引言
洛神云网络智能运维助手大圣（Dasheng）相关论文《Dasheng: LLM-powered Reliability Engineering Assistant for Cloud Overlay Networks》近期获 ATC 2026 录用。研究聚焦超大规模云 Overlay 网络的可靠性工程，结合大模型的自然语言理解与推理能力，以及生产网络中的工具、拓扑数据和专家经验，为告警分析、变更风险评估和故障恢复提供辅助。
ATC（Annual Technical Conference）是由 ACM SIGOPS 主办的计算机系统领域顶级国际学术会议，被中国计算机学会（CCF）列为 A 类会议。会议对论文质量要求极高，ATC 2026 录用率仅为 13.9%。会议领域涵盖操作系统、分布式系统、云计算、网络及系统可靠性等方向，强调系统实现与实验验证，关注真实生产环境中的系统设计、部署经验与实践洞察。
02研究背景
云网络的可靠性，关系到云上业务的连续运行。随着网络规模扩大、组件持续演进，运维工程师面对的问题越来越复杂：一条告警背后可能关联多个服务，一次配置变更可能沿着控制链路影响转发，一处底层故障也可能引发跨层的异常。如何把分散在不同团队中的工具、数据和专家经验组织起来，帮助工程师更快地理解问题、定位原因并制定处置方案，成为云网络智能运维的重要课题。
云上的 Overlay 网络，是通过虚拟化技术构建在物理基础设施之上的逻辑网络。论文所研究的生产网络包含大量组件，同一类组件还可能存在虚拟机、容器、硬件等不同实现形态，由不同团队负责研发与运维。组件之间既有沿数据转发路径形成的关联，也有配置下发带来的控制依赖，以及对存储、镜像等服务的功能依赖。排查一个实例的问题，往往需要理解它所在的整条链路。
大型语言模型具备自然语言理解与推理能力，为组织这些运维能力提供了新的可能。但要让大模型在生产云网络中发挥作用，仍需要解决以下四大挑战。
01简短的用户描述难以准确表达排障意图
工程师常常只提交一个实例 ID，附上"检查""诊断"等简短指令。同一个故障，不同团队可能分别描述为实例网络变慢、负载均衡后端不可达或业务性能下降。仅凭输入文本，模型很难稳定判断用户真实目标。
02告警对象与故障根因之间存在复杂关联
对历史故障的分析表明，只有约 10% 的故障可以明确归因于最初报告的目标实例。根因可能位于关联的网络组件、控制服务或底层物理设备，频繁的配置变更也在持续改变实例之间的关系。
03固定 SOP 难以覆盖持续出现的新问题
标准操作流程（SOP）可以指导常见问题的处理，但未知代码缺陷、非预期操作和非标准设备会不断带来新的场景。分析发现，约 70% 的任务无法仅沿着已有 SOP 得到有效解决。
04大量异常项增加了结果分析的难度
一次排查任务可能调用多个工具，每个工具又返回多项异常。
在实际的故障场景中，单个故障可在 10 分钟内引发涉及几千个对象的上万个异常事件。
03方案设计
针对上述挑战，大圣设计了五个核心模块，将意图分析、实例定位、上下文更新、工具调用与结果分析连接成一个可以反复迭代的工作流程。
▲ 图 1 · 大圣整体方案架构
👤 基于用户画像的意图分析
大圣首先判断用户输入是否足够明确。对于描述清晰的任务，直接提取意图；对于含糊的请求，则结合用户所属团队与历史任务背景，推断更符合当前场景的目标，并向用户确认。
🌳 基于前缀树的实例定位
从实例数据中提取标识的命名模式，构建前缀树，并通过周期性抽样维护新增或失效的规则。收到查询后，系统抽取实例标识，匹配候选组件类型，再查询对应的实例表进行验证。
🕸️ 动态实例上下文管理
将相对稳定的组件拓扑与频繁变化的实例拓扑分开处理：先通过组件拓扑确定需要关联分析的组件，再查询相关实例表，获取当前实例之间的连接与依赖。排查过程中，系统按需要逐步扩大关联范围。
⚙️ 状态机驱动的渐进式工具选择
为每个任务维护状态机，在实例上下文更新、工具选择和输出分析之间迭代。系统结合 SOP 知识，利用关键词匹配与向量检索召回相关工具，由模型选择当前需要的工具。工具描述按需逐步加载，以控制模型一次需要处理的信息量。
▲ 图 2 · 渐进式工具选择状态机
💡 基于专家经验的结果分析
用"异常项、网络现象、根因、处置方案"四元组组织专家经验。工具返回结果后，系统先查询相关经验，获取可能的根因与处置方法，再由模型聚合相近的原因和建议，生成符合用户目标的回答。
五个模块共同支撑大圣的分析过程：明确用户目标，定位初始实例，补充关联上下文，调用工具获取证据，再结合专家经验进行解释。每一轮分析的结果，都可以成为下一轮排查的输入。
04总结展望
2 年 生产运行 | 1000+ 服务工程师 | 7 万次 可靠性任务调用 |
92% 输出有效帮助工程师 | ↓ 80% 故障处理耗时缩短 | ATC 26 CCF-A 顶会录用 |
大圣已在生产云环境中持续运行两年，服务约 1000+ 名工程师，累计处理约 7 万次可靠性任务调用，并接入工单与故障处理流程。在生产案例评估中，92% 的输出能够有效帮助工程师。通过组织工具调用与关联分析，减少了人工查询和跨工具切换的成本。在故障实践中，基于大圣辅助处理的整体耗时流程缩短约 80%。
后续，大圣将进一步完善租户应用拓扑关联，探索跨云服务依赖协作，优化多轮工具调用与信息补全机制，并完善人工介入策略，持续提升复杂场景下的排障效率和操作可控性。
让每一位网络工程师都有一位随叫随到的大圣
— 洛神云网络 —
