引入了一种新的针对阈值性 IT 系统的结构因果模型，并提出了一种新的算法，用于快速检测此类系统中异常的根本原因，方法基于离线数据进行因果性发现，通过代理的干预提出了扩展来放宽根因非因果相关的假设，对于在线数据中的新异常，则利用子图遍历，实验证明了该方法的卓越性能。

Feb, 2024

本文提出了一种基于 Pearl's 理论的原因分析方法 Psi，能够通过编码 PS 的计算来确定数据误差的根本原因，并使用概率编程和机器学习算法等方法提高计算效率和准确性。

Mar, 2016

通过 Subgroup Discovery 技术，针对企业资源规划系统（ERP）中的复杂目标概念，对发生的内存溢出问题进行数据挖掘，并提出了一种处理具有层次结构的复杂目标概念的新方法。

Oct, 2023

本文提出一种名为 CORAL 的在线根本原因分析框架，结合多元奇异谱分析和累积和统计学的方法，实现了系统实时状态的自动检测和更新原因分析模型，进而定位根本原因。实验表明，该框架在三个真实世界数据集的案例研究中表现出更高的准确性和优越性。

May, 2023

通过使用残差神经网络对动态因果系统进行建模，并得出相应的反事实轨迹分布，我们解决了现有因果方法在确定根本原因时的问题，该方法对静态环境有限且注重导致故障的外部影响，而非结构影响。我们提出的方法在动态系统基准和真实世界河流数据集上具有有效性。

Jun, 2024

本文提出了一个名为 PSqueeze 的多维数据通用且稳健的根因定位方法，其中基于广义波及效应的属性，建立了一个根因的通用特征，并提出了一个新的概率聚类方法和鲁棒的启发式搜索方法，实现了对多维数据中根因的定位。实验结果表明，PSqueeze 相对于基准方法的 F1 得分提高了 32.89％，对于外部根因的定位 F1 得分达到了 0.90，并在几个生产系统的案例中体现出对故障诊断的实际帮助。

May, 2023

本研究提出了一种统一的多模态因果结构学习方法 Mulna，通过一个定制的语言模型来学习日志表示，将日志序列转化为时间序列数据，并采用基于对比学习的方法提取多模态中不变和特定于模态的表示。此外，引入了一种考虑关键性能指标的注意机制来评估模态可靠性，并共同学习最终的因果图。最后，通过随机游走重启来模拟系统故障传播并识别潜在的根本原因。对三个真实世界数据集的广泛实验证实了我们提出的框架的有效性。

Feb, 2024

通过使用半监督学习方法处理稀有和未知错误，并设计了处理噪声数据的方法，我们提出了一种名为 LogRCA 的方法，用于识别以最小集合描述根本原因的日志行，其在大规模生产日志数据集上的评估结果表明，在检测候选根本原因的精确性和召回率方面，LogRCA 始终优于基于深度学习和统计分析的对比方法，并且我们还研究了部署的数据平衡方法的影响，结果显示它显著提高了对稀有故障的性能。

May, 2024

KGroot 使用事件知识和事件之间的关联性，通过整合知识图谱和 GCNs 进行根因推理，以自动识别故障事件和传播路径之间的关系，实现了准确率为 93.5% 的根本原因定位，表现优于工业环境中实时故障诊断和 RCA 的最先进基线。

Feb, 2024

借助神经 Granger 因果推理与对比学习，提出了一种名为 RUN 的用于根本原因分析的新方法，通过整合时间序列的上下文信息，利用时间序列预测模型进行神经 Granger 因果推理，同时结合个性化向量的 Pagerank，有效地推荐前 k 个根本原因。通过对合成和真实微服务基础数据集的广泛实验，证明 RUN 明显优于现有的根本原因分析方法。此外，我们提供了一个 sock-shop 案例的分析场景，展示了 RUN 在微服务应用中的实用性和效能。

Feb, 2024