---
title: From Signals to Cognition - Ontology-Driven AIOps@NebulaGraph20260719
tags: 
author: [cnusergroup](https://docswell.com/user/3679111)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/YJ9P8GY873.jpg?width=480
description: From Signals to Cognition - Ontology-Driven AIOps@NebulaGraph20260719 by cnusergroup
published: July 20, 26
canonical: https://docswell.com/s/3679111/K27WXR-2026-07-20-210628
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/YJ9P8GY873.jpg)

From Signals to Cognition:
Building Ontology-Driven AIOps on Graph
从信号到认知：基于图与本体构建智能运维（AIOps）
Report By：郭晗


# Page. 2

![Page Image](https://bcdn.docswell.com/page/GJ8D8V6ZJD.jpg)

NebulaGraph
JDC Tec.
郭晗【NebulaGraph SA】
Email：han.guo@vesoft.com
Github：Hans-bot666
SensorsData


# Page. 3

![Page Image](https://bcdn.docswell.com/page/LJLMR591ER.jpg)

https://nebula-graph.com.cn
What is Graph ?
● A graph is an abstract data structure consisting of
nodes(vertices) and edges.
●Every node/edge has a type and some attributes.
Name:“Lucy”
Birthday：1996.06
Name:“John”
Birthday：1998.05
Couple
Transfer
Node
⚫
Represent objects in the graph
Edge
⚫
Connect nodes（with/without direction）
⚫
Denoting connections or associations
A
Transaction _Time:“2025-1-1
18:00:00”
Amount：”1”
Currency: ”Bitcoin”
Ratio： "0.2"
Title:“GM”
Work_Period：”2025-1-1"
between them.
Attribute（on Node/Edge）
⚫
Name-value
B
Company_Name:“Vesoft”


# Page. 4

![Page Image](https://bcdn.docswell.com/page/47MYR3Z57W.jpg)

How to Store/Query/Analyze ? —— Graph Database
Relational Database
https://nebula-graph.com.cn
Graph Database
•
Use table to store data
✓ Use graph to store data
•
Query via SQL
✓ Query via ISO-GQL
•
Good performance in single-table CURD
✓ Built for super large-scale graphs with milliseconds of latency
•
Bad performance in multi joins
✓ Good performance in multi-hop query
✓ Support Graph Algorithm


# Page. 5

![Page Image](https://bcdn.docswell.com/page/P7R9RQ6ZE9.jpg)

1.Why AIOps Has Yet to Reach Enterprise-Scale Adoption？


# Page. 6

![Page Image](https://bcdn.docswell.com/page/PJXQR5M17X.jpg)

AIOps 现状
成熟度
监控
Prometheus、Zabbix
告警降噪、异常检测
AIOps1.0
AI调查事故、分析日志
生成修复建议
AIOps2.0
Autono
mous
Ops
AI分析事故根因，
自动执行修复
AI参与度


# Page. 7

![Page Image](https://bcdn.docswell.com/page/3JK9R6GMJD.jpg)

Why Hasn't AIOps Truly Landed?
挑战二：AI 无法统一理解运维数据
日志、指标、Trace、CMDB 等数据相互割裂，缺乏统一对象模型。
挑战一：AI 无法理解企业运维系统
缺乏系统拓扑与业务语义，无法进行因果推理。
502 errors usually relate
to gateways
OOM Killed means
container memory
shortage
Which business module
does metric
biz_order_latency_p99
belong to?
Which services call each
other, and how
(sync/async)?


# Page. 8

![Page Image](https://bcdn.docswell.com/page/LE3W86N2E5.jpg)

2.How Graph Ontology Empower AIOps？


# Page. 9

![Page Image](https://bcdn.docswell.com/page/8EDKMVW67G.jpg)

AIOps Graph Ontology Schema
01
核心节点类型包括
 实体集(可观察实体的集合,定义了一类实体资源的主
键、属性和状态)
 观测数据集(可观察数据的通用表示,涵盖日志集、指
标集、跟踪集、事件集等)、存储(存储抽象)和资源
管理器(可视化抽象)。
02
核心关系类型包括
 实体关系链接(实体之间的关系,例如“服务”、“调
用”、“包含”、“运行于”、“与……相同”)
 数据关系链接(数据与实体之间的关联关系,例如,某一
类日志属于某一服务)
 存储关系链接(建模抽象与具体存储之间的关联)
 探索者链接(数据节点与可视化节点之间的关系)。


# Page. 10

![Page Image](https://bcdn.docswell.com/page/V7PKRVXZJ8.jpg)

Best practice-KGops


# Page. 11

![Page Image](https://bcdn.docswell.com/page/2JVVRZLMJQ.jpg)

从数据到知识，从事实到事理
本体定义(Thomas R. Gruber) ：
Ontology is a formal, explicit specification of a shared conceptualization
本体是对某一领域“共享概念模型”的形式化、明确化描述
本体定义
Conceptualization
“世界是什么”
（概念化）
账户表
订单表
作用
、
交易记录
数据
企业难题
不显性
碎片化
Explicit
（显式化）
消除隐式理解
弱语义
歧义性
Formal
（形式化）
让机器可处理
弱语义
歧义性
统一认知标准
随意性
歧义性
碎片化
Shared
（共享）
客户画像
知识
商品画像
购买习惯
本体是 AI 落地企业核心的数字骨架
描述的是
事实
描述的是
事理


# Page. 12

![Page Image](https://bcdn.docswell.com/page/5EGLM4XXJL.jpg)

有了图+本体后区别在哪里
观测 数据
观测 数据
指标/日志
链路事件
订单服务
实体
依赖 关系
依赖 关系
上游：Mysql主库
下游：支持服务
绑定 的知识
慢查询Runbook
故障 传播
Node-5


# Page. 13

![Page Image](https://bcdn.docswell.com/page/4JQYRG857P.jpg)

数据流与访问关系分析
xx Application Crashed
xx Application Crashed
pod restart
trigger
应用崩溃可能由以下原因
引起：
1、磁盘使用率已达90%
2、pod重启次数增加；
metrics
Logs
Trace
HealthCheck
failed
Log written failed
Node-A Disk full
磁盘属于哪个应用
健康检查依赖哪些组件
Kubernetes Restart 的触发条件
由于节点 Node-A 磁盘空
间耗尽，导致 Payment
Service 日志写入失败，
引发健康检查失败，最终
触发 Kubernetes 重启 Pod，
是本次故障的根因


# Page. 14

![Page Image](https://bcdn.docswell.com/page/K74W852VE1.jpg)

风险分摊模型：从资源风险到业务风险传导
supports
runs_on
deploys_on
Business Service
Sever Risk
Middleware
Application
Physical Server
Database Risk
LPA：
Weight=10
Risk(Node)=自身风险×业务权重×传播系数
Application
Risk
1.DB-01影响:
支付系统
清算系统
影响普通测试系统？
OR
sever risk = High
Risk=80
影响核心交易系统？
风险会传播到哪里？
风险:95
2.Server-23 影响:
查询系统
风险:30
✓ 优先治理高价值风险
✓ 优化资源部署
✓ 提升系统可靠性


# Page. 15

![Page Image](https://bcdn.docswell.com/page/LJ1Y2WM4EG.jpg)

单点隐患发现：架构可靠性分析
Server CPU
Application
Normal
Database
Normal
Normal
Server-01故障
将影响:
4个核心应用；
120个接口；
Status
NOT System Architecture
300万用户；
建议增加节点冗余
或进行服务迁移


# Page. 16

![Page Image](https://bcdn.docswell.com/page/GJWGR63Z72.jpg)

3.Why Graph Is the Natural Foundation for Ontology？


# Page. 17

![Page Image](https://bcdn.docswell.com/page/4EZLRYVL73.jpg)

RDF-RDFS-Ontology
Payment
Service为什 么
重要？
Pod 是服 务还
是软 件？
CPU 使用 率和
Pod 有什 么关
系？
Nod
e
Pod
Service
Property
cpu/
memor y
restart
count
SLA
subClassOf
........
Worke
r Node
St atefulS
et Pod
Core
Sevice
worker
Node
运行
W orker
Pod
Event
发生于
Standb y
Service
Order
运行
属于
Pod A
PodA
woerker
no de
属于
Nod
e
属于
Nod e
Payment Service
记录客观事实
{}
Payment
Node A
CPU：55%
Payment Service
推理 故障 传播
逻辑
{name,cpu,memory}
Class
pod A
理解 运维 本体
模型
Core Service
有状 态吗？
Pod B
restart
count：8
定义类别和关系
属于
Core
Service
NodeA
payment
service
发生于
Service
Unavail ab le
定义本体模型


# Page. 18

![Page Image](https://bcdn.docswell.com/page/Y76WRD5M7V.jpg)

业界实践：Palantir 的操作本体论实践
Palantir Ontology
对象类型（Object Types）
Palantir在其Foundry和AIP平台中，将本体论从学术概念
转化为企业级操作工具。
核心思想：
让业务用户和系
统能够以统一的
「对象语言」操
作数据，而不需
要理解底层数据
库结构，充当了
企业数字孪生的
语义核心。
本体=数据的「业务语义层」
将原始数据表映射为业务对象（如「客户」「订单」「资产」），屏蔽
技术细节
关系链接（Link Types）
定义对象间的关系（一对一/一对多），跨数据源自动关联，形成知识
网络
操作动作（Actions）
将业务操作绑定到本体对象，触发下游系统更新，实现「读写一体」的
本体
AI 接入层（AIP）
LLM通过本体理解数据语义，Agent可以用自然语言查询和操作企业知
识图谱


# Page. 19

![Page Image](https://bcdn.docswell.com/page/G75M83YQ74.jpg)

记忆能力-AI memory与推演
每一次方案的执行结果都可以记录下来，从而形成AI的长期记忆，让AI不必每一次都是“从0到1”的制定方案。
仿真推演
Action
 持续积累经验，形成可复用的“内部知识库”
 支持反思与自我修正；
 实现增量式个性化适配；
 辅助规划与推理的迭代优化；
 支持跨任务与跨场景的知识迁移；
temp_grap
h


# Page. 20

![Page Image](https://bcdn.docswell.com/page/9J29KZGWER.jpg)

Graph Ontology 驱动的 Agentic AIOps
发现3条P1告警信息！
Graph
Ontology
Kafka
请分析根因并给出处置建
议！
Root Cause：Node-03磁
盘耗尽
影响：Paymen t Service、
Order Service
建议：① 清理磁盘②
Drain Node③ 重启Pod④
回滚Release
故
障
代
码
物
理
资
源
磁
盘
Prometheus Metrics
告
警
软
件
资
源
中
间
间
C
P
U
网
络
p
o
d
数
据
库
数
据
接
入
Kubernetes Events
CMDB
Exchange
实时数据流
云平台API
CoE【Chain of Explorations】
2
驱动模型进行
知识抽取
主动推送
OpenTelemetry Trace
Run
boo
k
SOP
Known
Issue
Agent
Change Log
知识集
自动化抽取
Incident 架构设计
知识手册、排障日志等


# Page. 21

![Page Image](https://bcdn.docswell.com/page/DEY4NRV9JM.jpg)

精准的执行能力
在Foundry平台，每个数据主体（本体）都可以关联规则、程序和算法。
B
供应
商
自制
件
采购
订单
A零件
规
则
程
序
{当库存量不足以满足需
求时，触发生成指定供
应商的采购订单，且采
购数量必须遵循预定的
供货比例}
D仓
库
通过触发
API，在ERP
系统生成A
零件的采购
订单
操作动作（Actions）
将业务操作绑定到本体对象，触发下游系统更新，实
现「读写一体」的本体


# Page. 22

![Page Image](https://bcdn.docswell.com/page/VJNYXDMD78.jpg)

How is execution capability implemented in graph?
规则
程序
执行
器
B
A
C
函数


# Page. 23

![Page Image](https://bcdn.docswell.com/page/YE9P8GN8J3.jpg)

Nebula Fushion Graph RAG
Fusion GraphRAG：

动态意图理解与导航：LLM根据问题意
图动态决定“去哪里找”，而非静态匹
配“什么看起来像”。

PDF
PNG
数据库
Word
音频
视频
保持语义单元完整性：以自然章节（如
页面、段落）为检索单元，避免了硬分
割，维护了上下文的连贯性。

无缝处理内部引用：当在内容中遇到“
参见附录G”时，LLM可以直接在目录树
索引中导航至对应节点，实现精确的交
叉引用。

整合多轮对话上下文：检索过程可以利
用之前的对话历史来 精炼当前查询的理
解，实现连贯的多轮探索。


# Page. 24

![Page Image](https://bcdn.docswell.com/page/GE8D8VKZED.jpg)

4.NebulaGraph Database Over View


# Page. 25

![Page Image](https://bcdn.docswell.com/page/LELMR5Z17R.jpg)

NebulaGraph Over View
First to Natively Support ISO-GQLNebulaGraph is the first distributed graph
database to natively support ISO-GQL,
ensuring standardized graph queries.
High Performance- Delivers high
throughput and low latency, ideal for
large-scale graph data.
Separation of Storage and
Computation- Enables linear
scalability and uninterrupted operations
during scaling.
High Availability - Built with robust
fault tolerance and automatic failover for
continuous operation.


# Page. 26

![Page Image](https://bcdn.docswell.com/page/4JMYR3V5JW.jpg)

Vibrant Open-source Community
40k ForumReplies
■
1.2M Page View and 2.4k+ total posts; 18-month CMGR ~35%
~1000
2,000 Active Users
800+ registered users; 18-month
CMGR ~30%
■ 1,500+ active users in the community
■
Tracking Customers
6-month CMGR ~21%
■ Customers in the industry including
Internet, Finance, Telecom,
Government, etc.
■
9k
30%+ DAU
■
Users are active on GitHub,
NebulaGraph forum, and
Slack channel
Weekly Downloads
■
Users can download
NebulaGraph at GitHub,
Docker Hub, and OSS


# Page. 27

![Page Image](https://bcdn.docswell.com/page/PJR9RQ2Z79.jpg)

2000+ Leading Innovators Choose NebulaGraph


# Page. 28

![Page Image](https://bcdn.docswell.com/page/PEXQR5D1JX.jpg)

Don't let your LLM
navigate the dark.
Give it a map.
The graph is the map.


# Page. 29

![Page Image](https://bcdn.docswell.com/page/3EK9R6XMED.jpg)

Thank You!
vesoft-inc/nebula
https://www.linkedin.com/company/nebula-graph/
@NebulaGraph
https://www.nebula-graph.io/join-slack