최소한의 인간 개입으로 스스로를 모니터링하고, 추론하며, 행동하는 자율 주행 네트워크(self-driving networks)의 비전은 긴밀하게 결합된 모니터링, 분석 및 작동 기능에 의존합니다. 본 연구에서는 이러한 기능들을 세 가지 운영적 매크로 의도(macro-intents)인 지속적인 텔레메트리(continuous telemetry), 실시간 분석(real-time analytics), 프로그래밍 방식의 작동(programmatic actuation)으로 취급하며, 각 기능의 상태를 네트워크가 지속적으로 충족해야 하는 하나의 의도(intent)로 정형화합니다. 중요하지만 아직 충분히 탐구되지 않은 과제는 이러한 의도들 사이의 인과적 결합(causal coupling)에서 비롯됩니다. 즉, 하나의 매크로 의도 내에서 발생하는 단일 결함이 공동 드리프트(co-drift)로 전파되어 나머지 의도 전반에 걸쳐 연쇄적인 증상적 이상 징후(symptomatic anomalies)를 유발합니다. 이러한 모호성으로 인해 기존의 반응형(reactive) 접근 방식은 실제 근본 원인 의도(root-cause intent)와 증상적 피해 의도(symptomatic victim intents)를 구분하기가 매우 어려우며, 임계값 초과 탐지(threshold-crossing detection)에 의존하는 방식은 선제적 복구(proactive remediation)를 위한 충분한 시간을 확보하지 못합니다. 우리는 의도 보장(intent assurance)을 반응형 드리프트 탐지에서 선제적 장애 예측으로 재구성하는 새로운 프레임워크인 MILD를 소개합니다. 자율 주행 제어 루프의 세 가지 매크로 의도 정형화에 기반한 MILD는 의도 장애 예측과 근본 원인 귀속(root-cause attribution)을 공동으로 최적화하는 하이브리드 목적 함수를 가진 교사 증강 전문가 혼합(teacher-augmented Mixture-of-Experts) 아키텍처를 채택합니다. MILD는 SHAP 설명 가능성(explainability)을 통한 KPI 수준의 진단과 다중 시계열 모델링(multi-horizon modeling)을 통한 동적 의도 장애 긴급도 추정을 가능하게 합니다. 통제된 통계적 벤치마크부터 마이크로서비스 애플리케이션, SDN 기반의 에지-투-클라우드(edge-to-cloud) 테스트베드에 이르기까지 점진적으로 현실성이 높아지는 세 가지 환경에서 MILD를 광범위하게 평가한 결과, MILD는 높은 장애 탐지율, 강력한 복구 리드 타임, 그리고 정확한 의도 수준의 근본 원인 모호성 해소(root-cause disambiguation)를 달성함을 입증했습니다. 이는 MILD를 차세대 자율 네트워크에서 폐쇄 루프 보장(closed-loop assurance)을 위한 실질적인 조력자로 자리매김하게 합니다.