OpenRCA 数据集中的 Telecom 数据集介绍

概述

Telecom 数据集是 OpenRCA 基准测试中的核心组成部分之一，源自真实的企业级电信运营系统，专门用于评估大语言模型（LLMs）在复杂分布式系统中进行故障根因分析（Root Cause Analysis, RCA）的能力。该基准已被 ICLR 2025 会议接收 [[10]]。

系统架构

Telecom 系统采用分布式云数据库架构，包含以下核心组件 [[23]]：

💡 与 OpenRCA 中的另外两个系统（Bank 银行系统、Market 电商系统）不同，Telecom 代表典型的分布式云数据库架构，而 Bank 和 Market 采用微服务架构 [[22]]。

数据规模与组成

• 故障案例数量：Telecom 系统贡献了 OpenRCA 总计 335 个真实故障案例中的 51 个 [[25]]
• 遥测数据总量：整个 OpenRCA 数据集包含 超过 68 GB 的多模态遥测数据 [[10]]
• 数据类型：
  • Metrics（指标）：时间序列形式的关键性能指标（KPI）
  • Traces（追踪）：服务调用链与分布式追踪数据（含 JDBC 调用链等）
  • Logs（日志）：系统运行时结构化与非结构化日志

应用场景

Telecom 数据集适用于以下研究方向：

✅ 评估 LLMs 在云原生环境下的根因定位能力
✅ 测试多智能体系统对异构遥测数据的融合分析能力
✅ 验证自动化 RCA 工具在电信级分布式系统中的有效性
✅ 研究系统拓扑理解与故障传播路径推理

数据获取

# 通过 gdown 下载（需安装 gdown: pip install gdown）
gdown https://drive.google.com/uc?id=<dataset_id>

# 或访问官方 GitHub 仓库
https://github.com/microsoft/OpenRCA

⚠️ 下载后请将数据解压至 dataset/ 目录，数据解压后约 26–68 GB（取决于是否包含全部遥测数据）[[7]]

参考文献

• 论文标题：OpenRCA: Can Large Language Models Locate the Root Cause of Software Failures?
• 会议：ICLR 2025（第 13 届国际学习表征会议）
• 机构：微软研究院、香港中文大学（深圳）、清华大学等联合提出
• 开源地址：https://github.com/microsoft/OpenRCA