基于知识图谱和工业数据的故障根本原因诊断框架 (Root-KGD) 结合领域知识与工业数据特征，通过知识图谱推理进行根本原因识别，相比现有方法在在线工业应用中提供更准确的诊断结果和解释性故障相关信息。

Jun, 2024

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

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

制造电动车过程中的根本原因分析 (RCA) 是识别故障原因的过程。传统上，RCA 是通过依靠过程专家知识进行手动进行的。与此同时，传感器网络在制造过程中收集了大量的数据。使用这些数据进行 RCA 使其更高效。然而，纯数据驱动的方法如因果贝叶斯网络在大规模的实际制造过程中存在问题，因为有大量的潜在因果关系。此外，纯数据驱动的方法有可能遗漏已知的因果关系或学习到虚假的因果关系。本文提出了一种结合电动车制造过程的专家知识和数据驱动机器学习方法的交互智能 RCA 工具。它利用制造过程的大规模知识图谱进行推理，并学习因果贝叶斯网络。此外，交互式用户界面使得过程专家可以通过向知识图谱添加和删除信息来对根本原因图进行反馈。这种交互智能 RCA 工具减少了因果贝叶斯网络的学习时间，同时减少了虚假因果关系的数量。因此，交互智能 RCA 工具在专家和机器学习方法之间建立了一个闭环反馈。

Jan, 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

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

应用知识图谱和梯度提升决策树技术，我们提出了一种能够有效学习少量高维数据的方法，用于电力变压器的安全状态评估和故障分析，取得了相比于神经网络和逻辑回归等其他方法更高的预测准确性，并在进步性、实用性和广泛应用潜力方面有显著改进。

Feb, 2024

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

提出了一种基于上下文学习的自动根因分析方法，通过对比多个大型语言模型，证明其在服务故障诊断中的优越性，实现了与 GPT-3 相比平均提升 24.8% 且在正确性和可读性上分别提升了 43.5% 和 8.7%，从而减少了使用经过微调的模型所需的高计算与维护成本。

Jan, 2024

通过神经网络技术提取 IT 事件管理中的核心信息，构建一个结构化的原因分析图，并设计了一系列信息检索系统，可以应用于新事件的排查和搜索，以解决类似 Salesforce 这样的云服务中的瓶颈问题。

Apr, 2022