LLM用于智能NetOps与AIOps：架构、评估与安全综述

Computer Science Review · 2026-10-01 · 期刊论文

• 一句话结论：结论方向：该结构化证据分层综述提示，LLM在NetOps/AIOps中存在能力—保障缺口：面向读取型辅助与工具支撑诊断的证据相对较强，而随自主性提升至配置变更、受限执行与闭环运行，证据完整性明显下降；属提示性综述结论，非实证验证。
• 研究设计与做法：研究设计与做法：为结构化、按证据分层的综述，围绕自主性、工具范围、证据痕迹、保障控制、评估、安全与治理组织文献，并提出“运行保障契约”，将各自主等级与允许工具、所需证据、独立门控、执行预算、上线与回滚职责及审计要求相链接；材料未报告纳入文献数量、检索策略与筛选流程。
• 主要结果：主要结果：综述定性指出证据强度随自主性上升而递减，形成能力—保障缺口；建议评估从静态问答与模型准确率转向工作流层面，涵盖证据质量、工具使用、策略与不变量合规、分阶段执行、恢复、校准、成本与人工干预；材料未报告效应量、置信区间或p值等定量指标。
• 机制或解释：机制或解释：作者将智能NetOps/AIOps框定为受约束的运行控制，认为有用自主性取决于独立强制执行的保障机制而非单纯模型能力；并讨论提示注入攻击、被污染或过期的运行证据、过度代理、权限边界与审计性薄弱等风险路径。
• 局限与边界：局限与边界：为综述性工作，结论依赖所纳入文献的质量与覆盖范围，材料未报告纳入标准、文献数量与偏倚评估方法；所提保障契约属框架性建议，材料未报告其经实证或现场验证；材料未报告利益冲突信息。
• 可否落地：可否落地：对实践的含义是，在授予LLM更高运行权限时应配套独立门控、证据留痕、执行预算与回滚审计等保障措施，并采用工作流级评估；证据档位为C，属提示与框架建议，尚不足以下结论认为特定架构或评估方案能提升运行保障，需前瞻性实证研究。

🔗 打开原文

Muhammad Bilal, Jon Crowcroft, Ruizhi Wang 等

本文摘自《每日前沿研究简报 · 2026-10-03》「信息科学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。