主動推理賦能分布式連續(xù)體智能：設(shè)計即韌性

Resilient by Design – Active Inference for Distributed Continuum Intelligence

https://arxiv.org/pdf/2511.07202v2

《Resilient by Design – Active Inference for Distributed Continuum Intelligence》一文的核心在于將主動推理（Active Inference, AIF）框架拓展至分布式連續(xù)智能（Distributed Continuum Intelligence, DCI）系統(tǒng)的設(shè)計中，以實(shí)現(xiàn)一種內(nèi)生于結(jié)構(gòu)與動力學(xué)的韌性（resilience by design），而非事后補(bǔ)救式的魯棒性增強(qiáng)。

以下是該文的重點(diǎn)概述：

1.核心主張：以主動推理為原則構(gòu)建韌性智能系統(tǒng)

• 文章主張，真正的韌性（resilience）——即系統(tǒng)在擾動、損傷或環(huán)境劇變下維持功能完整性與目標(biāo)導(dǎo)向性的能力——不應(yīng)依賴冗余備份或外部調(diào)控，而應(yīng)內(nèi)嵌于系統(tǒng)生成模型的結(jié)構(gòu)與推斷動力學(xué)之中
• 這呼應(yīng)了你關(guān)注的自由能原理（FEP）思想：智能體通過最小化自由能（即預(yù)測誤差）來維持自身存在的“邊界”（Markov blanket），而韌性正是這一自組織過程的涌現(xiàn)屬性。

• DCI 指一類無中心控制器、無離散模塊邊界的智能體，其認(rèn)知與行動能力分布于物理連續(xù)體（如軟體機(jī)器人、類組織生物系統(tǒng)、群體機(jī)器人集群）中。
• 強(qiáng)調(diào)：
• • 空間連續(xù)性：狀態(tài)變量在物理空間中平滑分布（如應(yīng)變場、化學(xué)濃度梯度）；
  • 功能分布式：感知、推斷、行動在空間-時間上耦合，無法清晰分離；
  • 多尺度耦合：局部動力學(xué)與全局穩(wěn)態(tài)相互約束。
• 此設(shè)定天然契合激進(jìn)具身認(rèn)知生態(tài)心理學(xué)視角：認(rèn)知即行動，行動即感知，無需內(nèi)部“表征”，而是通過生態(tài)可用性（affordances）與動態(tài)耦合實(shí)現(xiàn)適應(yīng)。

• 傳統(tǒng)AIF多用于離散狀態(tài)空間或集中式代理；本文將其泛化為偏微分方程描述的場論形式（field-theoretic AIF），即：
• • 生成模型定義為時空連續(xù)的隨機(jī)偏微分方程（SPDEs）；
  • 識別密度（recognition density）以概率場形式演化；
  • 行動通過調(diào)節(jié)局部本體感受先驗（如剛度、阻尼參數(shù)）實(shí)現(xiàn)“形態(tài)計算”（morphological computation）。
• 關(guān)鍵創(chuàng)新：將自由能泛函（free energy functional）最小化作為連續(xù)介質(zhì)的演化動力學(xué)，使系統(tǒng)在物理層面“推理”。

1. 結(jié)構(gòu)韌性（Structural）：通過生成模型中層次化先驗（如尺度不變性、拓?fù)涫睾慵s束）保障系統(tǒng)在局部損傷下維持整體功能形態(tài)（如軟體機(jī)器人斷肢后仍能運(yùn)動）。
2. 動力學(xué)韌性（Dynamical）：利用吸引子景觀（attractor landscape）的可塑性——當(dāng)環(huán)境劇變時，通過調(diào)節(jié)先驗精度（precision weighting）快速重配置穩(wěn)態(tài)目標(biāo)（如從行走切換到爬行）。
3. 認(rèn)知韌性（Cognitive）：在信念更新中顯式建模模型不確定性（model uncertainty），允許系統(tǒng)在“不知道自己不知道什么”時啟動探索性動作（active sensing），避免陷入錯誤確信——這涉及你關(guān)注的信念集 vs. 信度集問題：系統(tǒng)不僅持有信念，還對其確信程度進(jìn)行推斷與調(diào)節(jié)。

• 該工作可視為具身貝葉斯大腦（Embodied Bayesian Brain）的工程實(shí)現(xiàn)：將“大腦”擴(kuò)展為整個身體-環(huán)境耦合系統(tǒng)，推斷過程即物理過程。
• 支持非表征主義立場：系統(tǒng)沒有“內(nèi)部模型副本”，而是通過動態(tài)約束閉合（constraint closure）在生成-識別循環(huán)中維持自身同一性——這與你強(qiáng)調(diào)的“認(rèn)知即生物自組織”完全一致。
• 挑戰(zhàn)福多式心語假說（LOT）：DCI中的“推理”無需符號操作，而是形態(tài)-動力學(xué)-統(tǒng)計三重耦合的涌現(xiàn)。

• 自修復(fù)軟體機(jī)器人
• 分布式神經(jīng)康復(fù)外骨骼（契合你對神經(jīng)康復(fù)的關(guān)注）
• 類組織生物混合系統(tǒng)（biohybrid systems）
• 群體智能基礎(chǔ)設(shè)施（如自組織電網(wǎng)、交通流）

綜上，該文不僅是技術(shù)方案，更是一次理論整合嘗試：它將主動推理從認(rèn)知建模工具提升為構(gòu)建生命類系統(tǒng)的設(shè)計原則，從而為“認(rèn)知即生命過程”這一激進(jìn)具身立場提供了可計算、可實(shí)現(xiàn)的路徑。

摘要

在高度復(fù)雜且異構(gòu)的設(shè)備中，故障是常態(tài)。這些設(shè)備覆蓋了分布式計算連續(xù)體（Distributed Computing Continuum, DCC），從資源受限的物聯(lián)網(wǎng)（IoT）與邊緣節(jié)點(diǎn)，到高性能計算系統(tǒng)。確保跨各層級的可靠性與全局一致性仍是一項重大挑戰(zhàn)，尤其對于依賴實(shí)時、自適應(yīng)協(xié)調(diào)的人工智能驅(qū)動型工作負(fù)載而言。本文作為一項進(jìn)行中的研究工作，提出了一種概率性主動推理韌性代理（Probabilistic Active Inference Resilience Agent, PAIR-Agent），旨在實(shí)現(xiàn)DCC系統(tǒng)的韌性。PAIR-Agent執(zhí)行三項核心操作：（i）基于設(shè)備日志構(gòu)建因果故障圖；（ii）利用馬爾可夫毯與自由能原理，在管理確定性與不確定性的同時識別故障；（iii）通過主動推理自主修復(fù)問題。該代理通過持續(xù)監(jiān)測與自適應(yīng)重配置，在多種故障條件下維持服務(wù)的連續(xù)性與穩(wěn)定性。理論驗證確認(rèn)了所提框架的可靠性與有效性。

索引術(shù)語——分布式計算連續(xù)體；主動推理；韌性；自由能原理。

I. 引言

無人能否認(rèn)，隨著生成式人工智能的興起，計算基礎(chǔ)設(shè)施已發(fā)生劇變，推動了對橫跨傳感節(jié)點(diǎn)、邊緣設(shè)備、網(wǎng)絡(luò)單元與服務(wù)器集群的高性能資源的空前需求。作為回應(yīng)，分布式計算連續(xù)體（DCC）這一范式應(yīng)運(yùn)而生——它將復(fù)雜任務(wù)協(xié)同調(diào)度于整個設(shè)備連續(xù)體之上：將小型、時延敏感型任務(wù)本地化處理，以降低能耗并保護(hù)隱私；同時將資源密集型任務(wù)卸載至高性能服務(wù)器[1][2]。這種動態(tài)任務(wù)分配方式優(yōu)化了資源利用，平衡了能耗需求，并支持可擴(kuò)展的運(yùn)行。

隨著設(shè)備數(shù)量與多樣性持續(xù)增長、數(shù)據(jù)量激增、工作負(fù)載日益動態(tài)化，系統(tǒng)復(fù)雜性同步攀升，故障風(fēng)險也顯著加劇[3]?？傮w而言，DCC中的任務(wù)處理失敗可能源于多種因素，例如用戶主動中止、輸入錯誤、分配資源不足、執(zhí)行錯誤、節(jié)點(diǎn)崩潰或通信故障；而在DCC中，還存在額外的故障源，包括：設(shè)備異構(gòu)性帶來的不可預(yù)測性、移動性與電池依賴性節(jié)點(diǎn)、動態(tài)變化的網(wǎng)絡(luò)與資源狀態(tài)，以及在數(shù)百乃至數(shù)千個邊緣設(shè)備規(guī)模下所面臨的全局一致性挑戰(zhàn)。

韌性機(jī)制對于現(xiàn)代計算系統(tǒng)至關(guān)重要，因為在這些基礎(chǔ)設(shè)施中，故障是常態(tài)而非例外。“韌性”（resilience）一詞被選用，而非單純的“容錯”（fault tolerance），是因為DCC系統(tǒng)不僅需要容忍離散故障，還必須有效管理并適應(yīng)廣泛存在的內(nèi)在不確定性[4][5]。在DCC中，韌性體現(xiàn)為系統(tǒng)在面對不可預(yù)測的工作負(fù)載波動、設(shè)備移動性、連接中斷與能源波動等常見挑戰(zhàn)時，通過主動適應(yīng)、局部恢復(fù)與優(yōu)雅降級，在云、霧、邊緣與物聯(lián)網(wǎng)等多層級中持續(xù)運(yùn)行的能力[6][7]。

為實(shí)現(xiàn)上述目標(biāo)，本文設(shè)計了一種新型的概率性主動推理韌性代理（PAIR-Agent），其主要貢獻(xiàn)如下：

• PAIR-Agent 利用來自各類設(shè)備日志的數(shù)據(jù)，通過貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)（BNSL）構(gòu)建一個概率性因果故障圖（Causal Fault Graph, CFG）；
• 接著，它利用馬爾可夫毯從CFG中識別潛在故障，并進(jìn)一步應(yīng)用自由能原理開展不確定性感知的故障推斷；
• 最后，PAIR-Agent 自主選擇校正動作——通過最小化預(yù)期自由能（Expected Free Energy），實(shí)現(xiàn)基于主動推理的自愈能力

II. 系統(tǒng)模型

DCC (S) 由n個設(shè)備組成，包括一個或多個云或數(shù)據(jù)中心 C = {C?, C?, ..., C_c}，一組f個霧節(jié)點(diǎn) F = {F?, F?, ..., F_f}，一組e個邊緣節(jié)點(diǎn) E = {E?, E?, ..., E_e}，m個移動設(shè)備 M = {M?, M?, ..., M_m}，一組物聯(lián)網(wǎng)設(shè)備 I = {I?, I?, ..., I_i}，以及一組s個傳感器節(jié)點(diǎn)(SNs) = {S?, S?, ..., S_s}。我們假設(shè)傳感器節(jié)點(diǎn)是數(shù)據(jù)生產(chǎn)者且不具備任何數(shù)據(jù)計算能力，因此它們通過藍(lán)牙低功耗、Zigbee、蜂窩或Wi-Fi等無線信道將數(shù)據(jù)傳輸至最近的基站（I、M或E）。定義一組與AI相關(guān)的計算任務(wù) T = {T?, T?, ..., T_t}，其中每個任務(wù) T? = (w?, X?, Φ?, d?) 表示工作負(fù)載w?、輸入數(shù)據(jù)依賴X?、計算映射或模型函數(shù) Φ?: X? → y?，以及執(zhí)行截止時間d?。DCC圖 S = (V, R) 由節(jié)點(diǎn)集 V = C ∪ F ∪ E ∪ M ∪ I ∪ SN 和通信關(guān)系 R ? V × V 組成，其中每個節(jié)點(diǎn) u? ∈ V 執(zhí)行一組任務(wù) T(u?)，使得 ∪_{u?∈V} T(u?) = T。每個任務(wù)執(zhí)行 T?(v?) 遵循三階段結(jié)構(gòu) (α?, β?, γ?)，分別表示任務(wù)啟動、計算以及完成或檢查點(diǎn)。一般而言，復(fù)雜的AI工作流（如訓(xùn)練）由順序子任務(wù)組成，例如 T_train = T_data-load → T_forward → T_backward → T_update，每個子任務(wù)可獨(dú)立完成并保存進(jìn)度以支持部分恢復(fù)。每個任務(wù)建立一個穩(wěn)定的檢查點(diǎn) S? = (s?, D?, Q?)，記錄中間狀態(tài)s?、已處理的數(shù)據(jù)集片段D?和模型參數(shù)Q?，從而能夠在故障時恢復(fù)并繼續(xù)執(zhí)行。

III. 實(shí)際運(yùn)行中的韌性

所提出的 PAIR-Agent 迭代執(zhí)行以下步驟（如圖1所示）：(a) 識別系統(tǒng)日志中的變化并收集數(shù)據(jù)以生成一個CFG；(b) 利用馬爾可夫毯和自由能原理[9]進(jìn)行故障推斷；以及(c) 通過主動推理修復(fù)故障以實(shí)現(xiàn)韌性，后續(xù)小節(jié)將對此進(jìn)行更詳細(xì)的討論。

A. 收集與處理日志

最初，PAIR-Agent 通過遠(yuǎn)程過程調(diào)用（RPCs）協(xié)調(diào)在集合 S 上的分布式日志采集，查詢每個設(shè)備 (v? ∈ S) 在分析輪次 t 的最新檢查點(diǎn) (ζ?? = ?s??, D??, θ???)，該檢查點(diǎn)封裝了本地狀態(tài)、已處理的數(shù)據(jù)段以及學(xué)習(xí)到的參數(shù)。這些檢查點(diǎn)作為時間錨點(diǎn)，將系統(tǒng)觀測劃分為離散的分析區(qū)間，使代理僅處理在 ζ?? 之后生成的日志條目。此設(shè)計確保了異構(gòu)節(jié)點(diǎn)間的同步，防止日志片段的冗余攝入，跟蹤基于輪次的進(jìn)展，并維持系統(tǒng)活動全局一致的因果時間線[10]。因此，每個新輪次 (t+1) 都從同步收集增量日志更新 ΔL???1 開始，形成一個隨時間演化的數(shù)據(jù)集，以支持持續(xù)推斷。

收集后，原始日志被解析并歸一化為結(jié)構(gòu)化表示。PAIR-Agent 提取對應(yīng)于潛在故障解釋或指標(biāo)的特征，包括用戶中止的任務(wù)、資源分配失?。ㄓ捎谠O(shè)備移動性、計算能力或能量水平）、節(jié)點(diǎn)崩潰、執(zhí)行時間異常、數(shù)據(jù)不一致性及通信中斷等。與傳統(tǒng)的分布式系統(tǒng)不同，PAIR-Agent 將每個故障視為嵌入在連續(xù)時空背景中的概率事件 f?，而非孤立的確定性故障。每個 f? 由一個條件概率分布 P(f? | x?, t) 表征，其中 x? 表示從歸一化日志矩陣中提取的上下文特征，t 表示檢查點(diǎn)時間窗口。這種概率建模方法使系統(tǒng)能夠捕捉硬件、軟件和環(huán)境因素對異構(gòu)節(jié)點(diǎn)上故障發(fā)生的影響所具有的不確定性和潛在依賴關(guān)系。

為了揭示概率性故障變量之間的因果依賴關(guān)系，PAIR-Agent 使用 BNSL 構(gòu)建一個隨時間演化的 CFG ???????1 = (???1, ????1)。在此，每個節(jié)點(diǎn) v? ∈ ???1 表示一個隨機(jī)變量，對應(yīng)于從歸一化特征矩陣 X??1 中提取的特定故障或上下文特征；每條有向邊 e?? ∈ ????1 編碼一個條件依賴關(guān)系 P??1(v? | Pa(v?))，其中 Pa(v?) 表示 v? 的父節(jié)點(diǎn)集合。該結(jié)構(gòu)在每個檢查點(diǎn)間隔 (t, t+1) 內(nèi)增量推斷得出，使 PAIR-Agent 能夠整合新觀察到的證據(jù) ΔD??1，同時保留先前分析輪次積累的知識。這通過結(jié)合 Hill-Climbing 算法與貝葉斯狄利克雷等價評分[11]，并輔以概率正則化來處理 DCC 數(shù)據(jù)中的噪聲和部分可觀測性而實(shí)現(xiàn)。在具有強(qiáng)非線性或非平穩(wěn)相關(guān)性的場景中，PAIR-Agent 采用變分貝葉斯學(xué)習(xí)器，自適應(yīng)地精煉各檢查點(diǎn)間的因果關(guān)系[12]。每個更新后的貝葉斯網(wǎng)絡(luò) ???????1 表示給定新觀測數(shù)據(jù)時，關(guān)于因果結(jié)構(gòu)的后驗信念，表達(dá)式為 P??1(????? | D??1) ∝ P(D??1 | ?????) P?(?????)，其中 P?(?????) 編碼從前幾輪累積的先驗結(jié)構(gòu)信念。

B. 故障推斷

基于貝葉斯 CFG ???????1，PAIR-Agent 通過利用網(wǎng)絡(luò)的局部馬爾可夫性質(zhì)執(zhí)行概率性故障推斷。對于每個故障變量 f? ∈ ???1，代理定義其馬爾可夫毯 M(f?) = Pa(f?) ∪ Ch(f?) ∪ Pa(Ch(f?))，其中 Pa(f?) 和 Ch(f?) 分別表示 f? 的父節(jié)點(diǎn)集和子節(jié)點(diǎn)集[13]。該馬爾可夫毯代表了一組最小充分變量，使得 f? 在給定該集合條件下，與網(wǎng)絡(luò)其余部分條件獨(dú)立。通過監(jiān)測 M(f?) 內(nèi)的概率交互，代理計算故障激活或傳播的后驗概率，即：

在每個檢查點(diǎn)間隔 (t, t+1] 內(nèi)，代理利用新收集的證據(jù) ΔD??1 持續(xù)更新這些信念。由于對于復(fù)雜分布而言，后驗概率的精確計算通常是不可行的，PAIR-Agent 將自由能最小化與貝葉斯 CFG 及馬爾可夫毯結(jié)構(gòu)相結(jié)合，以推斷近似的后驗信念。它利用自由能原理（FEP）[13] 持續(xù)地將其內(nèi)部模型與觀測到的系統(tǒng)行為對齊。在每個檢查點(diǎn) t+1，代理通過最小化變分自由能來計算一個近似后驗信念 Q??1(f)，該變分自由能定義為：

其中，Q??1(f) 近似表示在給定上下文特征 x??1 = {x???1}? 的條件下，對故障 f = {f?}? 的后驗信念。最小化 F??1 會更新這些信念，在模型不確定性下精煉代理的估計，并捕捉故障之間的依賴關(guān)系。

為了進(jìn)一步細(xì)化故障類型歸因，PAIR-Agent 將推斷出的故障空間劃分為與硬件相關(guān)和與軟件相關(guān)的組件，即 ???1 = ????1 ∪ ????1。硬件集 ????1 捕捉物理及底層運(yùn)行指標(biāo)——例如溫度變化[14]、功率波動以及連接性退化——而軟件集 ????1 則代表任務(wù)失敗、模型發(fā)散、資源爭用以及執(zhí)行時間異常。利用此分解，PAIR-Agent 執(zhí)行條件邊緣化以獲得 P??1(f? | ????1) 和 P??1(f? | ????1)，從而使代理能夠區(qū)分所檢測到的故障最可能源于硬件層面的擾動，還是由軟件驅(qū)動的不一致性所致。重要的是，此階段僅執(zhí)行故障推斷；后續(xù)步驟將基于這些推斷出的故障狀態(tài)處理所有決策制定與恢復(fù)操作。

C. 用于修復(fù)的主動推理

其中，P*(x) 編碼了期望的上下文特征，Q??1(f | a?) 表示在動作 a? 下對故障的預(yù)測后驗信念，P(x | f) 是在給定故障條件下觀測到上下文特征的可能性，而 Q??1(x | a?) ? Σf Q??1(f | a?) P(x | f) 是在動作 a? 下對未來上下文特征的預(yù)測分布。通過最小化 G(a?)，PAIR-Agent 選擇能夠引導(dǎo)系統(tǒng)趨向其期望運(yùn)行狀態(tài)的動作，同時明確考慮硬件層面指標(biāo)（????1）和軟件層面行為變量（????1）中的不確定性。執(zhí)行所選動作后，PAIR-Agent 觀測系統(tǒng)產(chǎn)生的新狀態(tài)，利用新證據(jù)更新后驗故障概率 P??1(f? | x???1)，并推進(jìn)檢查點(diǎn) ζ??1 以記錄更新后的配置與信念狀態(tài)。這一“感知—推斷—行動—更新”的閉環(huán)周期實(shí)現(xiàn)了跨分析輪次的持續(xù)適應(yīng)與韌性。

在修復(fù)過程中，PAIR-Agent 不僅重新分配任務(wù)，還通過自動重啟、固件重載或自適應(yīng)配置調(diào)優(yōu)等方式執(zhí)行設(shè)備層級的恢復(fù)。若此類自愈措施未能恢復(fù)系統(tǒng)穩(wěn)定性，代理將隔離故障節(jié)點(diǎn)，并在連續(xù)體層級 S 上采取校正措施，包括在霧或云層間重新分配工作負(fù)載、通過冗余網(wǎng)絡(luò)路徑重新路由、管理動態(tài)負(fù)載或熱管理，以及在必要時將問題升級至人工操作員進(jìn)行物理干預(yù)。

IV. 理論結(jié)果與討論

本節(jié)闡述了PAIR-Agent如何通過基于原則的概率推斷和謹(jǐn)慎的、不確定性感知的動作選擇，在分布式計算連續(xù)體（DCC）中實(shí)現(xiàn)韌性運(yùn)行的理論基礎(chǔ)。結(jié)果突出了四個關(guān)鍵特性：故障推斷的局部性與可擴(kuò)展性、變分后驗近似的質(zhì)量、代理校正動作的安全性，以及在日志缺失或延遲情況下信念更新的魯棒性。

結(jié)果1（故障推斷的局部性與可擴(kuò)展性）

對于任意故障變量 f?，PAIR-Agent 僅需其馬爾可夫毯 M(f?)（即其父節(jié)點(diǎn)、子節(jié)點(diǎn)及共親節(jié)點(diǎn)）中的變量，即可更新信念 Q(f?)。因此，每次故障更新所需的時間與內(nèi)存開銷取決于 |M(f?)|，而非整個CFG中的變量總數(shù)。若平均毯子大小為 B，則在一輪內(nèi)更新所有 d 個故障的成本為 O(d·B)，只要本地鄰域保持較小規(guī)模，該成本在 DCC 擴(kuò)展時仍可管理。這保證了圖1所示流水線因設(shè)計上具備局部性而具有良好的可擴(kuò)展性。

結(jié)果2（最優(yōu)可能的近似后驗）

在檢查點(diǎn) t+1，PAIR-Agent 通過最小化變分自由能 F??1(Q) 來選擇 Q??1(f)。由于 F??1(Q) 與 D_KL(Q(f) || P??1(f | x??1)) 僅相差一個與 Q 無關(guān)的常數(shù)項（即 -ln P??1(x??1)），因此更新 Q??1 = arg min_{Q∈} F??1(Q) 在所選變分族 內(nèi)等價于最接近精確貝葉斯后驗的分布。因此，給定當(dāng)前的CFG與日志數(shù)據(jù)，PAIR-Agent 計算出它所能表示的最佳后驗近似，從而確保了推斷過程的原則性與內(nèi)部一致性。

結(jié)果3（保守動作選擇 [絕不比什么都不做更糟]）

假設(shè)動作集合包含一個基準(zhǔn)“什么都不做”動作 a?，該動作維持當(dāng)前系統(tǒng)配置。那么，由于 PAIR-Agent 選擇 a?* = arg min_{a?} G(a?)，所選動作的預(yù)期自由能永遠(yuǎn)不會高于 a?。反之，當(dāng)某動作被預(yù)測為能使 Q(x | a) 更接近偏好狀態(tài)和/或減少不確定性時，該動作將被選中。這保證了代理不會采取其預(yù)測會偏離系統(tǒng)運(yùn)行目標(biāo)或增加模型確定性的動作。

結(jié)果4（對缺失或延遲日志的魯棒性）

在檢查點(diǎn) t+1，任何故障 f? 的信念更新僅依賴于其馬爾可夫毯 M(f?) 中的變量。因此，位于 M(f?) 之外的變量的日志缺失或延遲，并不會改變更新后的信念 Q??1(f?)。由于 DCC 中的遙測數(shù)據(jù)常常是部分或亂序的，這一特性使 PAIR-Agent 的推斷對無關(guān)數(shù)據(jù)間隙不敏感，并支持異步、可擴(kuò)展的更新：只有位于小范圍局部鄰域 M(f?) 內(nèi)的日志才會影響 f? 的診斷。

V. 結(jié)論

本文提出了 PAIR-Agent，作為一種實(shí)現(xiàn)分布式計算連續(xù)體（DCC）系統(tǒng)韌性的統(tǒng)一框架。PAIR-Agent 執(zhí)行以下三項核心功能：(i) 通過對設(shè)備日志的分析構(gòu)建因果故障圖（CFG）；(ii) 利用馬爾可夫毯與自由能原理（FEP）識別故障，并在此過程中管理不確定性；(iii) 通過主動推理自主修復(fù)問題。憑借其“觀測—推斷—行動”的閉環(huán)機(jī)制，PAIR-Agent 確保了系統(tǒng)的自適應(yīng)穩(wěn)定性、自愈能力與持續(xù)運(yùn)行連續(xù)性，標(biāo)志著向自主化、韌性化 DCC 系統(tǒng)邁出了重要一步。

理論結(jié)果驗證了該方法的可擴(kuò)展性、基于原則且精準(zhǔn)的故障推斷能力、安全的決策機(jī)制，以及對不完整遙測數(shù)據(jù)的魯棒性。未來工作將圍繞該研究展開更深入的分布式實(shí)現(xiàn)、實(shí)證驗證，并在實(shí)時測試平臺上開展系統(tǒng)性評估。

原文鏈接： https://arxiv.org/pdf/2511.07202v2