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

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

该论文提出了一种名为 REASON 的框架，用于自动发现根本原因局部层次（即网络内部）和全局层次（即跨网络）的因果关系，通过建立一个基于图神经网络的因果网络来追踪系统错误的根本原因，并使用极值理论估计每个实体成为根本原因的概率。实验证明，该框架能有效定位系统错误的根本原因。

Feb, 2023

本文提出了一种基于统计递归单元的组件时间序列预测模型来推断非线性相互作用随机过程的 Granger 因果关系，该模型通过生成回馈来计算其高维隐藏状态的低维草图，其内部权重参数有策略性地分组正则化以便于提取高度本地化的有意义预测特征。

Nov, 2019

利用结构化的多层感知机和循环神经网络，结合稀疏性惩罚，提出一种非线性 Granger 因果分析方法，通过其自动裁剪滞后项和处理长程依赖关系等特点，优于现有方法，可以应用于脑科学、基因组学和人体运动等领域。

Feb, 2018

5G 技术带来了重大的里程碑发展，允许新的应用，如增强现实和自动驾驶车辆。然而，这些改进带来了管理复杂性的增加和对故障处理的特别关注，因为 5G 旨在支持的应用程序严重依赖于高网络性能和低延迟。因此，自动自愈解决方案已经成为处理这一要求的有效方式，允许基于学习的系统自动检测异常并执行根本原因分析 (RCA)。然而，实施这种智能系统存在固有的挑战。首先，在异常检测和 RCA 方面缺乏合适的数据，因为故障场景的标记数据不常见。其次，当前的智能解决方案针对 LTE 网络定制，没有完全捕捉到数据中存在的时空特征。鉴于此，我们利用一个校准的模拟器 Simu5G，生成开源的正常和故障场景数据。使用该数据，我们提出了 Simba，一个在 5G 无线接入网络 (RANs) 中进行异常检测和根本原因分析的最先进方法。我们利用图神经网络来捕捉空间关系，而 Transformer 模型则用于学习数据的时间依赖性。我们实现了 Simba 的原型并对多个故障进行了评估。将结果与现有解决方案进行比较，验证了 Simba 的优越性。

Jun, 2024

该论文提出了基于因果异构图的微服务系统的根本原因分析框架 CHASE，通过编码相关信息和建模多模态调用图来实现对微服务系统中的异常检测和根本原因定位，实验结果表明该框架在两个公开数据集上取得了平均性能提升 36.2%(A@1) 和 29.4%(Percentage@1)。

Jun, 2024

本文提出了一种基于自解释神经网络的非线性动力学下多元格兰杰因果推断的新框架，该框架除了关系推断外，还允许检测格兰杰因果效应的符号并检查其随时间的变化，通过模拟数据等实验表明该框架与其他基线方法相比在推断格兰杰因果性方面具有相当的性能，并在推断交互符号方面取得更好的表现，这表明本框架是推断格兰杰因果性的可行且更易解释的替代方法。

Jan, 2021

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