«Сеть — это уже граф»: Amazon показала, как агент ищет первопричину сбоя за минуты

Что опубликовала Amazon Science

1 октября 2026 года Amazon Science опубликовала пост «Graph-centric agentic intelligence» — о том, как граф становится средой рассуждения для ИИ-агентов.

Исходная мысль материала: графы кодируют отношения, а в мире, где агентам нужно рассуждать о сложных системах, а не просто извлекать информацию, структура графа даёт строительные леса для причинного вывода, отслеживания зависимостей и композиционного рассуждения.

Для сетей это не метафора: каждая вершина — устройство, а рёбра — связи, открытые каналы коммуникации и сервисные зависимости, и такая структура может насчитывать миллионы элементов.

Авторы формулируют вопрос для операционных команд так: дело уже не в том, представлять ли сеть графом, а в том, как дать агентам рассуждать о ней автономно, адаптивно и быстро.

Часы против минут: где узкое место

Анализ первопричины авторы называют естественным полигоном для графового интеллекта: при сложных многослойных сбоях устранение проблемы в традиционных центрах управления сетью занимает в среднем четыре-пять часов и может растянуться на дни.

Узкое место, по тексту, не инженерная квалификация, а когнитивная перегрузка: человек не успевает сопоставить сотни алармов, конфигурации и телеметрию с тысяч узлов быстрее, чем накапливается ущерб для клиентов.

Классический приём — временная корреляция, когда из «аларм A предшествует аларму B» делается вывод «A стал причиной B», — ломается в сложных топологиях: сбой распространяется по нескольким параллельным путям, интервалы опроса размывают тайминг, а истинная причина может не порождать аларма вовсе.

Против этого AWS и NTT DOCOMO показали на конференции MWC ранее в этом году подход, дающий анализ первопричины за минуты на коммерческих сетях.

Как граф довели до агентов

Материал выстраивает историю последовательных научных шагов, каждый из которых снимал ограничение предыдущего. Сначала графы служили топологией — моделью физической связности, чтобы считать пути и изолировать сбои за секунды, а не за часы.

Затем графы знаний и онтологии добавили семантику: они определяют, что такое «сота», «нарушение SLA» или «процедура эскалации», и как эти понятия связаны между вендорами и поколениями сетей, что позволило сделать операции машиночитаемыми и интероперабельными.

Следующим шагом стало кодирование причинности: графы корреляции алармов, отображающие связи между сигналами о потерянных соединениях и взломах, сжимали десятки тысяч сырых алармов в одну причинную цепочку за минуты, но требовали заранее заданных иерархий.

Графы зависимостей сняли это требование: автогенерируемые в реальном времени из контроллеров SDN и NFV, они обеспечили байесовскую локализацию сбоя с точностью 95% менее чем за 30 секунд и без рукописных правил.

Причинные подграфы ответили не только на вопрос «где», но и на вопрос «почему»: живые алармы, превращённые в ориентированные ациклические графы, показывали пути распространения ключевых показателей эффективности, то есть давали доказательства, а не предсказания.

Наконец, графовые нейросети (GNN) выучили то, чего не показывали ни топология, ни причинная структура: скрытые межсотовые зависимости, данные, которые появились бы, если бы упавшие узлы продолжали отчитываться, и пространственно-временную динамику.

Сегодня эти линии сходятся: одна сеть одновременно описывается топологическим графом, обогащается онтологической семантикой, аннотируется временными KPI и обрабатывается графовыми нейросетями, а агентный слой выбирает подходящий графовый инструмент под каждый паттерн сбоя. Граф, по формулировке автора, перестал быть пассивной моделью данных и стал активной средой агентного рассуждения.

Три опоры: цифровой двойник, каскад и оркестрация

Первая опора — графовая модель, «цифровой двойник»: сеть представлена как непрерывно синхронизируемый граф, где вершины — устройства с атрибутами, а рёбра — соединения; в него стекаются зависимости, живые алармы и KPI из разных источников и слоёв.

Вторая опора — каскад из трёх стадий графовых алгоритмов, где каждая сужает пространство поиска для следующей. На стадии декомпозиции система находит самые связанные части топологии и локализует анализ на граничных узлах, сокращая набор кандидатов с тысяч до сотен.

На стадии кластеризации алгоритмы выделения сообществ — Louvain или распространение меток — группируют узлы с частыми взаимодействиями и общими зависимостями, отделяя сбой внутри одного кластера от распространяющегося через его границы, и сужают список с сотен до десятков.

На третьей стадии применяются не классические метрики центральности, а их версии, привязанные к алармам: персонализированный PageRank запускается случайным блужданием из узлов, подающих алармы; degree centrality считает только рёбра к алармящим узлам, поэтому шлюз с 50 соединениями и нулём к алармам получает ноль, а коммутатор с пятью такими связями — пять; alarm-relative closeness измеряет среднее расстояние только до алармящих узлов.

Третья опора — агентная оркестрация. Агенты сначала обращаются к базе знаний об инцидентах: если входящий паттерн алармов уверенно совпадает с сохранённым, применяется предписанное решение; если совпадения нет, запускается полный графовый каскад.

Перед каскадом агент проводит триаж сложности по трём свойствам: числу затронутых узлов относительно цифрового двойника, топологическому разбросу этих узлов по компонентам связности и семантической ясности сигнатуры сбоя — однозначно ли типы, серьёзность и временной порядок алармов указывают на одно устройство или канал.

После получения ранжированного списка агенты строят подграф сбоя, расширяясь от верхних кандидатов к зависимым соседям на два-три хопа, и для каждого кандидата сверяются с таймлайном алармов, базой инцидентов и ранбуками. Итоговое определение первопричины несёт оценку уверенности, взвешивающую временные доказательства, совпадение топологического паттерна, оценки центральности и число коррелированных алармов; результат либо открывает новую заявку, либо дополняет существующую, а обратная связь от центра управления сетью идёт на непрерывное обучение.

Отдельно упоминается ИИ-ассистент по запросу: сетевые инженеры могут задавать вопросы цифровому двойнику, проверять альтернативные гипотезы или запрашивать более глубокий анализ в любой момент расследования.

Куда это движется

Из графовой перспективы авторы называют графовые нейросети и пространственно-временное глубокое обучение: они могут дополнять детерминированный каскад, соединяя выученные паттерны с алгоритмической точностью.

В агентной части предлагаются две исследовательские программы. Первая — «выслуженная автономия»: автономность должна зарабатываться, а не выдаваться по умолчанию при динамической композиции. Агент может двигаться от рекомендаций к исполнению под наблюдением, затем к ограниченным действиям в утверждённых рамках и, наконец, к сквозному устранению для хорошо понятных, обратимых инцидентов с малым радиусом поражения; продвижение должно опираться на заранее заданные критерии и результаты работы в теневом режиме, а деградация качества — снижать разрешённую автономию.

Вторая программа — самообучающиеся агенты: когда решение повторяется, агент выделяет лежащую в его основе процедуру и предлагает её как кандидата в навык, но полное управление остаётся за человеком — ни один навык не становится активным без явного одобрения.

Чтобы эта власть оставалась измеримой и обратимой, авторы перечисляют аутентифицированную идентичность агента, доступ по принципу наименьших привилегий, машиночитаемые политики действий, записи аудита, откат и наблюдаемость.

Архитектура и ранбуки — в отдельном материале

За архитектурой решения и руководством по типовым процедурам авторы отсылают к компаньон-посту «Beyond Correlation: Finding Root-Causes using a network digital twin graph and agentic AI».

Тот материал вышел 18 августа 2025 года и относится к разделам Amazon Bedrock, Amazon Neptune, Amazon Neptune Analytics и Amazon SageMaker: в нём описана архитектура AWS, четыре ранбук-паттерна для графового анализа первопричины на агентах и участие NTT DOCOMO.

В компаньон-посте названы Kazuo Maeshima, руководитель направления автоматизации и визуализации операций мобильной сети NTT DOCOMO, и Satoru Imai, руководитель технического направления DevOps-команды мониторинга и наблюдаемости мобильных сервисов NTT DOCOMO. Это более ранняя публикация, чем разбираемый пост, и не его часть.

Что осталось за рамками сообщения

В посте не приводятся метрики качества работы подхода в продакшене, кроме заявленного результата на MWC, и не названо, сколько сетей уже используют описанную схему.

Описание цифрового двойника дано как модель из публикации и не сопровождается воспроизводимым бенчмарком или открытым кодом.

Сроки выхода отдельных элементов — графовых нейросетей в каскаде и механизмов выслуженной автономии — не называются: они описаны как направления дальнейшей работы.

Материал подписан Imen Grida Ben Yahya, principal applied scientist в AWS Network Services, и Nameet Dutia, senior solutions architect в AWS Industries.