May, 2023

在线服务系统中通用且稳健的多维数据根本原因定位

PDF
TL;DR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。
root cause localizationmulti-dimensional dataprobabilistic cluster methodheuristic search methodfault diagnosis
发现论文，激发创造
  • KGroot: 通过知识图谱和图卷积神经网络增强根本原因分析

    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

  • CMMD: 跨指标多维根因分析

    本论文提出了一种跨度量多维根本原因分析方法（CMMD），通过使用图神经网络建立多维量之间的关系模型以及采用遗传算法定位异常维度，有效提高根本原因分析的准确性和效率。

    Mar, 2022

  • 利用规则学习和子群发现技术加速系统级调试

    通过基于规则的技术提出一种系统级调试加速的原因分析流程，使用多项测试的日志提取工程特征和数据分析技术生成高质量的调试提示，以 Power Management (PM) 设计功能 Package-C8 的故障排除为案例研究并展示了它们的有效性，还提出了一种挖掘原因分析经验和结果以加速未来调试活动并减少验证专家依赖的方法，我们相信这些技术对于复杂的硬件、软件和固件系统，以及不同抽象层次的验证活动，无论是硅前还是硅后，都是有益的。

    Jul, 2022

  • 云边协作环境中微服务系统的根本原因定位

    提出了 MicroCERCL 方法，利用云边协同环境中的内核和应用级别的信息来准确定位云边协同环境中微服务系统的根本原因，并在实验中取得了比现有方法至少提高 24.1% 的准确性。

    Jun, 2024

  • 多模态因果结构学习与根本原因分析

    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

  • 利用高维度的物理 - 数字数据流来诊断智能电网故障

    探讨了特征工程对于解决物理系统数据诊断过程中存在的数据质量，噪声干扰，决策模型不精确等挑战的影响作用；论文使用特征筛选、降维和决策模型等方法，在 118 个节点的电力系统上进行了数据驱动的故障诊断，同时比较了多种高级技术在该领域的应用。实验结果表明，特征筛选和降维方法的联合应用可以有效提高数据质量，提高物理系统的诊断准确性。

    Mar, 2023

  • 基于神经 Granger 因果分析的微服务根本原因分析

    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

  • 面向在线无监督根因分析的增量因果图学习

    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

  • NetRCA: 一种有效的网络故障原因定位算法

    本文提出了一种名为 NetRCA 的算法来解决网络错误本源的准确定位问题，该算法从原始数据中提取有效的派生特征，采用多元时间序列相似性和标签传播来增加数据，最后采用合奏模型来提高性能，并在 ICASSP 2022 AIOps Challenge 数据集上进行实验验证。

    Feb, 2022

  • 机器学习任务的调试

    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