Safe and Adaptive Cloud Healing: Verifying LLM-Generated Recovery Plans with a Neural-Symbolic World Model

📄 arXiv: 2607.01595 📥 PDF

作者: Junyan Tan, Haoran Lin, Siyuan Guo, Yichen Fang, Xinyue Luo, Tianyu Shen, Zeyu Qiao

分类: cs.AI, cs.CL

发布日期: 2026-07-05

💡 一句话要点

提出PASE框架以解决云服务自愈问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 云计算 故障恢复 大型语言模型 深度强化学习 神经符号模型 自适应系统 自动化运维

📋 核心要点

  1. 现有方法在云服务故障检测和恢复中存在松耦合架构，未能充分利用LLMs的生成和推理能力。
  2. 本文提出PASE框架，将故障恢复视为神经符号程序合成任务，利用LLM生成结构化恢复计划并通过神经符号模型验证。
  3. 实验结果显示，PASE在真实云故障注入数据集上平均恢复时间减少超过40%，并提高了未知故障场景下的检测准确性。

📝 摘要（中文）

随着云基础AI系统规模和复杂性的不断增加，确保服务可靠性、快速故障检测和自适应恢复成为了一项关键挑战。现有方法虽然结合了大型语言模型（LLMs）进行语义理解和深度强化学习（DRL）进行策略优化，但通常依赖于顺序、松耦合的架构，未能充分利用LLMs的生成和推理能力。本文提出了一种新的范式转变，构建了PASE（Planning-Aware Semantic自愈引擎），将恢复重新概念化为神经符号程序合成任务。PASE利用LLM作为核心计划合成引擎，从语义原语库中生成结构化恢复计划。神经符号世界模型通过仿真验证计划的可行性，而通过DRL训练的元提示优化器则学习生成最佳提示，以指导LLM的规划过程。该紧密的推理-计划-验证-适应循环使得动态、上下文感知的恢复策略生成超越了预定义的动作空间。实验结果表明，PASE在真实云故障注入数据集上显著优于现有方法，平均系统恢复时间减少超过40%，并提高了未知故障场景下的故障检测准确性。

🔬 方法详解

问题定义：本文旨在解决云基础AI系统中故障检测和自适应恢复的挑战。现有方法通常依赖于松耦合的架构，未能充分利用LLMs的潜力，导致恢复效率低下。

核心思路：PASE框架将故障恢复重新定义为神经符号程序合成任务，利用LLM生成结构化的恢复计划，并通过神经符号世界模型进行验证，从而实现更高效的恢复策略生成。

技术框架：PASE的整体架构包括三个主要模块：计划合成引擎（LLM）、神经符号世界模型和元提示优化器。LLM负责生成恢复计划，神经符号模型验证计划的可行性，而元提示优化器通过DRL优化提示生成过程。

关键创新：PASE的最大创新在于将LLM与神经符号验证结合，形成紧密的推理-计划-验证-适应循环，显著提升了恢复策略的动态性和上下文感知能力。

关键设计：在设计中，元提示优化器通过深度强化学习进行训练，以生成最佳提示，指导LLM的规划过程，确保生成的恢复计划在实际应用中的有效性和可行性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PASE在真实云故障注入数据集上显著优于现有方法，平均系统恢复时间减少超过40%，并在未知故障场景下提高了故障检测准确性，展示了其在实际应用中的有效性。

🎯 应用场景

该研究的潜在应用领域包括云计算服务管理、自动化故障恢复系统和智能运维等。通过提高故障检测和恢复的效率，PASE框架能够显著提升云服务的可靠性和用户体验，具有广泛的实际价值和未来影响。

📄 摘要（原文）

As the scale and complexity of cloud-based AI systems continue to escalate, ensuring service reliability through rapid fault detection and adaptive recovery has become a critical challenge. While existing approaches integrate Large Language Models (LLMs) for semantic understanding and Deep Reinforcement Learning (DRL) for policy optimization, they often rely on sequential, loosely coupled architectures that underutilize the generative and reasoning capabilities of LLMs. In this paper, we propose a paradigm shift with PASE, a Planning-Aware Semantic self-healing engine, a novel fault self-healing framework that reconceptualizes recovery as a neuro-symbolic program synthesis task. PASE employs an LLM as a core Plan Synthesis Engine to generate structured recovery plans from a library of semantic primitives. A Neural-Symbolic World Model verifies plan feasibility through simulation, while a Meta-Prompt Optimizer, trained via DRL, learns to generate optimal prompts that guide the LLM's planning process. This tight reason-plan-verify-adapt loop enables dynamic, context-aware recovery strategy generation beyond predefined action spaces. Experiments on a real-world cloud fault injection dataset demonstrate that PASE significantly outperforms state-of-the-art methods, reducing average system recovery time by over 40% and improving fault detection accuracy in unknown fault scenarios. Our framework advances autonomous system management by unifying LLM-based reasoning with model-assisted verification and meta-learned guidance.