电信行业正朝着自主网络运营转型，这一趋势由现代网络日益增长的复杂性所驱动。传统的人工方法和基础机器学习不足以自动化这些复杂的系统。AI 智能体虽具备推理能力，但在处理海量网络数据时面临挑战。为弥合这一差距，图神经网络（GNN）正与 AI 智能体相结合，以处理大规模时序和关系数据。这种组合支持高级诊断功能，如根本原因分析和容量规划，并涵盖推理与行动执行。Google Cloud 的自主网络运营框架采用“数据、机器学习、人工智能”三组件架构。其基础是网络数字孪生，即对实时网络的动态图表示，托管于 Google Cloud 的 Spanner Graph 之上，以支持可扩展性和多模型能力。机器学习层利用分布式图流（DGF），这是一个开源 Python 库，用于管理 GNN 生命周期，从而提供预测性洞察。DGF 简化了 GNN 模型的开发，支持异常检测、根本原因分析和预测性维护等应用。此外，它还通过模拟网络变更及其影响来支持“假设性”分析。一个五步流程概述了使用 DGF 和 GNN 实施根本原因分析的过程，包括连接数字孪生、训练预测模型以及部署以进行实时推理。这一由 GNN 驱动的演进有望缩短故障恢复时间、优化网络容量并提升客户体验。