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

这篇论文介绍了一种基于微服务系统的高效根本原因定位方法，称为 MicroHECL，该方法通过动态构建服务调用图，分析可能的异常传播链，并基于相关性分析对候选根本原因进行排序，实验结果表明，MicroHECL 在精度和效率方面显著优于其他现有方法。

Mar, 2021

本论文提出了一种基于图的半监督异常检测方法 ——MSTGAD，通过关注多模态学习，无缝地集成所有可用的数据模态，以实现对微服务系统中的异常进行实时自动准确检测。

Oct, 2023

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

该论文介绍了一个专门设计用于评估微服务应用中根本原因分析的数据集，该数据集涵盖了分布式应用程序在 5 分钟间隔内发出的延迟、请求和可用性指标。此外，数据集还包括 68 个性能问题，这些问题通过增加延迟和降低系统的可用性来减少。我们展示了如何使用该数据集评估涵盖了不同因果和非因果特征的各种方法的准确性。我们希望该可在 https URL 上获取的新数据集能够进一步发展该重要领域中的技术。

Nov, 2023

通过构建可理解的变量和包含高级因果发现技术的自动学习任务级因果关系，HG-SCM 可以模拟人类感知和决策过程。在实证数据集上与七种基线模型进行比较后，HG-SCM 取得了最高的平均性能排名和最小的标准差，充分证明了其在预测能力和推广性方面的有效性和优越性，并且所自动学习的三个任务的因果图可视化和分析与领域知识和人类认知相吻合，展示出了其卓越的可解释性。HG-SCM 的类人特性以及增强的推广性和可解释性使其成为在透明度和可信度至关重要的特殊场景中具有潜力的解决方案。

Dec, 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

该研究通过系统化的研究，发现了结合日志和度量数据来检测系统异常更加有效，提出了基于异构数据的端到端半监督方法 Hades，并通过大量模拟数据和华为云数据集的评估结果，证明了模型在检测系统异常方面的有效性。

Feb, 2023

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

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