NTT DOCOMO 与作者在 MWC 展示：级联图算法加智能体编排，在商用网络上把根因分析从数小时压缩到数分钟

文章把网络图智能的演进整理为一条连续的科研脉络：从仅表示物理连通性的拓扑图，到加入本体语义的知识图，再到编码因果的告警关联图、由 SDN/NFV 控制器实时自动生成的依赖图、把实时告警转成有向无环图的因果子图，以及学习隐藏小区间依赖与时空动态的图神经网络。 相对以往只描述单一图技术的文献，这里把各阶段定位为依次解决前一阶段局限的递进关系，并指出今天它们可以在同一张网络上同时叠加：拓扑、语义、时序 KPI 与 GNN 推理由智能体层统一协调。 属于综述性叙述，文中给出具体例证，如依赖图实现“95% accuracy in under 30 seconds”的贝叶斯故障定位且无需人工编写规则，告警关联图可在数分钟内把数万条原始告警压缩成一条因果链。

作者提出以“网络数字孪生图”为统一底座：顶点是带属性的设备，边是连接关系，持续同步地摄入跨网段、跨层的网络依赖、实时告警与 KPI，形成所有分析共用的拓扑感知数据结构。 把数字孪生从静态资产模型变成持续同步、可被算法与智能体共同查询的推理底座，使后续级联分析有统一输入。 文中以设计描述与 MWC 演示为支撑，未给出数字孪生同步延迟或数据规模的量化指标。

核心方法是一个三阶级联图算法流水线，逐级收窄搜索空间：先按连接数量与强度做分解，把候选从数千节点降到数百；再用 Louvain 或标签传播做社区检测聚类，把候选从数百降到数十；最后在簇内用中心性算法排序。 关键改动在于把中心性度量“以告警集为参照”重新计算：个性化 PageRank 从告警节点出发做随机游走以定位共同祖先，度中心性只统计连向告警节点的边（文中举例：总连接 50 但零告警连接的网关得 0 分，5 条告警连接的交换机得 5 分），告警相对接近度只算到告警节点的平均距离，从而让几何中心失去意义、最靠近故障簇的节点排第一。 文中给出算法机制与拓扑适配逻辑（分层、星形、网状分别对应不同度量），并称在商用网络演示中达到分钟级根因分析；未提供准确率、召回率或对照实验数据。

智能体层负责自适应编排：先查事件知识库，高置信匹配则直接套用既定处置；无匹配时先做复杂度分诊（受影响节点数、跨连通分量的拓扑扩散、故障签名的语义清晰度），再调用级联；得到排序候选后向外扩展两到三跳构建故障子图，结合告警时间线、知识库与运行手册给出带置信度的根因判定，并开单或并入已有工单，同时接收 NOC 反馈持续学习，另提供可按需交互查询数字孪生的 AI 助手。 把图算法的数学精度与智能体的场景自适应结合起来，用拓扑感知的选择规则决定每种故障形态下侧重哪种中心性变体，而不是固定使用单一算法。 以与 NTT DOCOMO 在 MWC 的商用网络演示为证据，作者称实现分钟级根因分析；置信度由时间证据、拓扑模式匹配、中心性分数与关联告警数加权，但文中未给出权重或验证结果。

该结果面向拥有数字孪生图、实时告警与 KPI 数据源以及事件知识库的网络运营团队，尤其是需要处理跨层、多厂商、多代际网络的多层故障场景；作者称其与 NTT DOCOMO 在 MWC 上于商用网络实现了分钟级根因分析，说明该路径在真实网络环境中已被演示。文中提出的两个后续方向也界定了适用范围：一是分级自主，让智能体从建议、受监督执行、在批准护栏内受限行动，逐步走向对可逆、影响面小的成熟事件做端到端处置，并以预定义评估标准与影子模式结果决定是否升级、以性能漂移决定是否降级；二是自学习智能体，从重复交互中提炼可复用流程作为候选技能，且必须经人工明确批准才生效。

文中未给出级联流水线的准确率、召回率、误报率或与基线方法的对照结果，分钟级根因分析来自 MWC 演示的表述，缺少可复核的评测细节。数字孪生的同步频率、可支撑的图规模与数据源覆盖范围也未量化。置信度分数由时间证据、拓扑模式匹配、中心性分数与关联告警数加权，但权重设定与校准方式未说明。分级自主与自学习智能体被明确列为“Path forward”中的研究计划，尚无评估结果。此外，本文为博客式文章，配套的架构与运行手册在另一篇“Beyond correlation”文章中，因此本文对部署细节的覆盖是有限的。