用于网络管理的 AI 驱动聊天机器人

解决方案概述

通信服务提供商（CSP）管理由数十亿台联网设备生成的海量数据，以确保无缝和不间断的操作。为了实现这一目标，它们依赖于数据密集型网络管理系统，该系统可监控延迟等关键性能指标，在网络拥塞时保持可靠性，并采取严格的安全措施来防范网络攻击。

鉴于这些操作的复杂性和规模，我们的解决方案突出了集成人工智能和 MongoDB 的变革力量，以实现网络管理自动化，从而显著简化了运营商的工作流。通过将 MongoDB 与大型语言模型 (LLM) 相结合，并采用检索增强生成 (RAG) 策略，我们开发了一款 AI 辅助聊天机器人，将网络运维转变为对话式、自动化且智能化的系统。该聊天机器人利用存储在 MongoDB 中的网络日志、维护记录、客户数据和传感器数据，为异常检测、根本原因分析、缓解建议等提供可行的见解。

这种方法使网络运营商能够以最少的人为干预来管理复杂的工作流程，加速新服务的部署，并有可能通过自治网络将通信服务提供商 (CSP) 的年度收入提高多达 5%。

参考架构

借助 MongoDB

该解决方案有三个主要组成部分：

图 1。使用MongoDB 的网络聊天机器人架构

1. 源数据摄取：在查询数据之前，网络管理员需要实时摄取日志条目和遥测事件，捕获详细信息，如 IP 地址、地理数据、请求路径、时间戳、路由器日志和传感器数据。该架构利用 MongoDB 的流处理功能，自动捕获并处理传入数据到 MongoDB Atlas 中，从而创建网络活动的全面视图。然后在我们的 RAG 架构中利用这个丰富的数据集进行决策。

2. 基于问题的数据选择：该解决方案的第二个组件解决网络经理提出的问题，例如“是什么可能导致多伦多地区客户端的视频流媒体问题？”此查询经过初始处理，LLM 会生成一个自定义聚合管道，以选择适合分析的数据。同时，矢量嵌入数据可以通过语义搜索高效检索，从而提取出高度相关的信息。

3. 推理与自然语言输出：一旦 MongoDB 确定了相关数据，后续的大型语言模型 (LLM) 会将这些信息转化为自然语言解释，供用户使用。在这一过程中，大型语言模型 (LLM) 会对检索到的数据进行分析，以检测模式和异常，从而实现对根本原因的精准识别，并支持基于信息的决策。例如，它可能会发现，一个本地 CDN 节点过载，再加上来自旧路由器的大量请求，正是导致问题的原因。

数据模型方法

该解决方案利用了整理为时间序列数据的服务器网络日志，并采用以下 MongoDB 模式：

{
   "_id": ObjectId("..."),
   "source_id": 12345,
   "source_type": "webserver",
   "timestamp": ISODate("2025-02-19T15:12:57.000Z"),
   "category": "accesslog",
   "event": "GET",
   "value": { "type": "url", "data": "https://mytv.telco.com/login" }
}

构建该解决方案

这种由 AI 驱动的网络管理解决方案采用 RAG 框架与 MongoDB Atlas，以增强复杂电信环境中的数据驱动诊断能力。

图 2. 网络聊天机器人的前端

关键要点

• MongoDB 与生成式人工智能 (Gen AI) 改变了网络管理：将 LLM 与 MongoDB 的聚合管道和矢量搜索等功能相结合，可有效简化网络管理，减少人工干预，优化流程，并最终实现关键操作的自动化。

• 数据管理至关重要：网络管理系统会从网络日志和用户请求中产生海量数据，从而在数据互操作性、隐私性以及高效处理方面带来了巨大的挑战。有效的解决方案需要灵活、可扩展的数据库，能够存储和处理高频、复杂的数据流。

• MongoDB提供了驱动AI解决方案的工具：强大的数据库基础架构与灵活的文档模型和高级向量搜索功能相结合，使 CSP 能够高效地开发AI应用程序。具体来说，向量搜索简化了语义相关内容的检索，从而提高了为聊天机器人技术提供支持的法学硕士的性能。

使用的技术和产品

作者

• Benjamin Lorenz, MongoDB

• Diego Canales, MongoDB