2025年政府工作報告指出：“激發數字經濟創新活力。持續推進‘人工智能+’行動，將數字技術與制造優勢、市場優勢更好結合起來，支持大模型廣泛應用”。人工智能已成為驅動新質生產力的重要引擎，正在為經濟的高質量發展注入新的動力。交通銀行積極踐行大行責任，落實國家戰略部署，以算力中心、全棧自主創新云、人工智能為重點，加速推進算力基礎設施建設整合，優化布局體系。同時交通銀行積極實踐人工智能技術，持續加大AI大模型在金融業務的創新應用，扎實做好科技金融、綠色金融、普惠金融、養老金融、數字金融五篇大文章，堅定不移推進金融高質量發展，為中國式現代化貢獻力量。
網絡運維是保障業務連續性最重要的環節之一。作為銀行數智化轉型的重要基礎支撐，網絡面臨著規模快速增長、業務靈活擴展、安全穩定可靠等多重挑戰。如何借助大模型技術突破海量數據分析、專家經驗沉淀、智能決策閉環等共性運維瓶頸，成為業界普遍關注的熱點問題。站在轉型的十字路口，交通銀行利用業界優秀大模型底座，全力革新網絡運維體系，定義了全新的“網絡運維大模型”架構，積極探索全場景、全流程、全協同的智能運維實踐。
基石之上，網絡運維大模型勇于破局
在人工智能&大模型技術成熟之前，交通銀行數據中心融合多平臺能力，構建了基于規則引擎的網絡可視化系統，實現了基于預制策略的網絡設備評估、應用健康度自檢、故障事件輔助定位等功能。但受技術限制，值班、應急等場景的分析工作仍然高度依賴運維專家經驗判斷，運維處置場景泛化水平亟待提升。
自ChatGPT引發全球大模型技術浪潮以來，交通銀行便啟動了大模型在運維領域的分析和探索，持續跟蹤技術演進趨勢，深度挖掘大模型在網絡運維領域的應用價值。2024年10月，交通銀行聯合華為等頭部廠商，成立網絡運維大模型專項攻關組。以生產實際應用為導向，圍繞數通知識問答、日常變更、告警處置等場景，構建起人員敏捷化、開發快迭代式的運作機制，快速完成網絡運維大模型架構設計，并建立起大模型底座能力評估體系。2024年12月數據中心已對DeepSeek系列模型實施全維度性能驗證與場景適配測試，并在2025年2月完成R1滿血版模型私有化部署，有效提升了網絡運維大模型底座支撐能力。
當前，交通銀行基于DeepSeek、盤古等大模型，結合小模型協同與多工具聯動，構建了覆蓋值班處置、應急搶修、生產變更、知識問答的全場景智能化“網絡運維大模型”體系，實現運維流程閉環。通過整合行內經驗知識庫與跨廠商通用知識庫，構建多場景網絡運維智能體，有效提升網絡運維效率，保障網絡基礎設施穩定運行，護航全行業務創新發展。
圖：“網絡運維大模型”架構
深耕為壤，全流程全場景AI賦能運維
鑒于網絡運維領域的專業性和復雜度，大模型智能運維在實際落地過程中，通常面臨如何植入現有工作流程、如何結合現網運維工具、如何利用行內豐富的運維經驗等多重挑戰。為保障大模型智能運維順利落地并發揮實際應用價值，交通銀行將網絡運維大模型和四大運維高頻場景深度融合，從場景、數據、流程多維度深耕，加速了大模型和智能運維的雙向奔赴。
· 值班處置-全天候自動化診斷與決策
值班處置是保障網絡穩定運行的關鍵防線，但往往面臨著工具協同不足、健康評估滯后、處置效率參差的痛點。交通銀行網絡運維大模型創新性構建了一套完整的值班處置流程，以業界優秀大模型為底座，融合小模型、工作流及特色提示詞工程能力，使大模型發揮最佳效果。在流程設計環節，通過學習行內告警預案流程，自動生成告警處置工作流，支持自然語言靈活更新，降低了開發和維護成本。在告警處置過程中，值班智能體實時接收來自全行網絡監控系統的告警信息，并對其進行根因分析和等級排序，由告警智能體匹配處置工作流。同時，基于大小模型協同，準確調用行內工具API，自動執行告警排查步驟，形成了值班告警分析到處置的全流程自動化閉環，有效提升告警分析和處置效率，減輕了值班人員的工作壓力。
此外，網絡運維大模型持續動態地對網絡整體運行狀態進行健康評估，提供實時、歷史運行狀況綜合分析和量化評分，并給出優化處置建議。網絡管理員能全局審視網絡狀態，不斷提升網絡健康度，保持網絡安全穩定運行。
圖：值班處置流程示意圖
· 應急搶修-多維度快速響應與協同處置
網絡應急搶修是對突發事件的緊急排查和處理，也是日常運維工作中壓力最大的場景。為了實現故障定位及修復的“快”和“準”，交通銀行開發了多維度輔助定位工具，如日志采集和分析工具、變更可視化工具、撥測工具、一鍵自檢工具等，但搶修效率仍高度依賴運維人員對關聯信息的綜合分析情況。
交通銀行構建了“應急搶修智能體”，自動進行多維故障數據關聯分析。在輸入應用名稱或網絡區域名稱后，應急搶修智能體并行提取告警平臺實時告警數據、變更平臺應用或區域變更數據、一鍵自檢系統網絡健康數據等，并將獲取到的告警、變更、自檢結果等信息進行關聯分析，推理出故障根因。同時，協同大小模型，創新引入最長公共子序列匹配小模型，進行相關數據降噪、冗余剔除，減少大模型輸入token長度，提升推理性能。應急搶修智能體構建了兩層大模型故障分析框架：第一層實現多維數據并行采集、治理及單領域異常信息關聯分析，實現單領域故障根因判斷；第二層根據故障場景自動生成推理思維鏈，再次進行所有單領域評估結果的綜合分析和關聯分析，輔助值班人員快速推導出最終根因。
圖：應急搶修流程示意圖
· 生產變更-風險預判與變更智控引擎
生產變更是業務升級迭代的必經之路，也是引發故障和錯誤的高危環節。通過技術手段實現變更配置自動生成、配置正確性審核、變更影響仿真等來降低變更風險迫在眉睫。
交通銀行通過大模型能力整合網絡運維領域知識庫，含技術方案、配置最佳實踐、歷史配置等核心語料，提供智能化配置生成與優化服務。同時，創新性構建了語法合規性、配置沖突檢測、業務邏輯驗證等多層校驗機制，保證配置校驗維度的完整性。從而既幫助運維人員從繁瑣的配置檢查中解放出來，又提高了腳本編排效率及配置正確率，降低變更風險。此外，通過引入數字孿生技術，實現生產網絡信息實時同步，構建了涵蓋地理位置、物理拓撲、邏輯拓撲、應用拓撲的四維網絡模型。基于該模型，實現配置變更基于現網信息的仿真預演，如通過模擬路由表和轉發表，檢查變更前后應用訪問路徑，提前發現并規避IP地址沖突、黑洞路由、路由環路等潛在問題，全方位多維度評估變更影響，確保變更操作安全可靠。
圖：變更流程示意圖
· 知識問答-多模態智能運維交互中樞
網絡運維日常工作需要查詢各廠商設備、配置、告警等各類信息，還需要參考行內運維案例、應急預案等，高效的信息獲取方式尤為重要。然而運維環境復雜，既面臨設備廠商繁雜、型號多樣、配置差異顯著、告警頻發等挑戰，又存在信息孤島，關鍵知識分散于不同文檔和工具中，知識獲取效率低下。
網絡運維大模型作為智能知識中樞，深度融合多廠商產品手冊、維護指南、應急預案等專業文檔，以及行內沉淀的豐富運維經驗。依托強大模型基座，結合交通銀行特色提示詞工程優化，提供精準、高效的對話式知識服務，涵蓋網絡協議解析、告警解讀、命令生成、日志分析、故障排查、應急方案生成等各類場景。一鍵輸出系統化、高準確率的專家級建議，顯著提升運維知識獲取效率。
拾級而上，大模型智能運維未來潛力無限
自2016年Gartner提出AIOps概念至今，網絡運維正在經歷傳統運維到智能運維演進的漫長歷程。以DeepSeek為代表的通用大模型技術突破，為智能運維體系帶來了革命性變革。交通銀行基于“網絡運維大模型”實現了經驗平權，減少了對個體經驗的過度依賴，提升了組織韌性，實現了運維質量與團隊效能的雙重提升。
然而，面對數據量激增、技術快速演進和運維環境復雜化的三重挑戰，大模型智能運維仍需持續創新與迭代。當前網絡運維大模型還處于起步階段，交通銀行將通過以下技術路徑持續深化應用能力。首先，推進多模型協同能力，融合提示詞工程優化與結果整合策略，持續提升模型精度；其次，結合大模型分析總結能力和小模型敏捷性優勢，實現網絡運維大模型分析處置效率的階梯式提升；再者，通過擴充多維源數據和優化長序列處理能力，強化數據分析和風險預測深度，推動“被動運維”到“主動預判”，從“局部優化”到“全局統籌”轉型，保障網絡穩定和業務連續性。智啟未來，大模型必將在網絡運維領域釋放巨大潛能，為交通銀行數智化轉型保駕護航，書寫金融高質量發展的新篇章。
載本文載自：金融電子化 文：交通銀行數據中心 戴凱明 劉鵬
交通銀行數據中心汪燕、牛拓、賴信、陸延琦、郝婷婷、何張滿宇、張樂、周智浩對本文亦有貢獻
轉自：中國網
【版權及免責聲明】凡本網所屬版權作品，轉載時須獲得授權并注明來源“中國產業經濟信息網”，違者本網將保留追究其相關法律責任的權力。凡轉載文章及企業宣傳資訊，僅代表作者個人觀點，不代表本網觀點和立場。版權事宜請聯系：010-65363056。
延伸閱讀
