CHASE: A Causal Hypergraph based Framework for Root Cause Analysis in Multimodal Microservice Systems

📄 arXiv: 2406.19711v2 📥 PDF

作者: Ziming Zhao, Zhenwei Wang, Tiehua Zhang, Zhishu Shen, Hai Dong, Zhen Lei, Xingjun Ma, Gaowei Xu, Zhijun Ding, Yun Yang

分类: cs.LG

发布日期: 2024-06-28 (更新: 2025-04-22)

💡 一句话要点

提出CHASE框架，利用因果超图解决多模态微服务系统中的根因分析问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 根因分析 微服务系统 多模态数据 因果超图 异常检测

📋 核心要点

  1. 企业级微服务系统调用路径复杂，依赖关系繁多，难以快速定位异常，影响系统运维。
  2. CHASE框架将追踪、日志和指标等多模态数据编码进异构图，并构建因果超图进行根因分析。
  3. 实验结果表明，CHASE在根因定位的准确率上，相比现有方法平均提升了36.2%(A@1)和29.4%(Percentage@1)。

📝 摘要（中文）

本文提出了一种基于因果异构图的根因分析框架CHASE，用于处理具有多模态数据的微服务系统，这些数据包括追踪、日志和系统监控指标。该框架首先将相关信息编码为具有代表性的嵌入，并进一步通过多模态调用图进行建模。然后，对每个实例节点执行异常检测，并利用来自相邻指标和日志节点的注意力异构消息传递。最后，CHASE从构建的超图中学习，其中超边表示因果关系流，并执行根因定位。在两个具有不同属性的公共微服务数据集上评估了所提出的框架，并与最先进的方法进行了比较。结果表明，CHASE的平均性能增益分别高达36.2%(A@1)和29.4%(Percentage@1)，优于其最佳的同类方法。

🔬 方法详解

问题定义：微服务架构日益普及，但其复杂的服务调用关系使得根因分析变得困难。现有的方法难以有效整合来自追踪、日志和指标等多模态数据，无法准确地定位故障根源。这些方法通常忽略了服务之间的因果关系，导致分析结果不准确。

核心思路：CHASE的核心思路是将微服务系统的多模态数据（追踪、日志、指标）整合到一个异构图中，并利用因果超图来建模服务之间的因果关系。通过在图上进行消息传递和学习，CHASE能够有效地检测异常并定位根因。这种方法考虑了不同类型数据之间的关联，并利用因果关系来提高分析的准确性。

技术框架：CHASE框架包含以下几个主要阶段：1) 数据编码：将追踪、日志和指标等数据编码为嵌入向量。2) 多模态调用图构建：基于服务调用关系构建异构图，节点表示服务实例，边表示调用关系。3) 异常检测：利用注意力机制进行异构消息传递，对每个实例节点进行异常检测。4) 因果超图学习：构建因果超图，超边表示服务之间的因果关系，利用超图学习进行根因定位。

关键创新：CHASE的关键创新在于利用因果超图来建模微服务系统中的因果关系。传统的图结构只能表示节点之间的二元关系，而超图可以表示多个节点之间的复杂关系。通过将因果关系建模为超边，CHASE能够更准确地捕捉服务之间的依赖关系，从而提高根因分析的准确性。此外，CHASE还采用了注意力机制进行异构消息传递，能够有效地整合来自不同类型节点的信息。

关键设计：在数据编码阶段，可以使用预训练的语言模型（如BERT）来编码日志数据。在异构消息传递阶段，可以使用图神经网络（GNN）来聚合来自相邻节点的信息。损失函数可以包括异常检测损失和根因定位损失。超图的学习可以使用超图神经网络（HGNN）。具体参数设置需要根据数据集进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CHASE在两个公共微服务数据集上进行了评估，实验结果表明，CHASE在根因定位的准确率上显著优于现有方法，平均性能增益分别高达36.2%(A@1)和29.4%(Percentage@1)。这些结果验证了CHASE框架的有效性和优越性。

🎯 应用场景

CHASE框架可应用于各种大规模分布式微服务系统，帮助运维人员快速定位故障根源，降低平均修复时间（MTTR），提高系统可用性和稳定性。该研究对于提升企业级微服务系统的自动化运维水平具有重要意义，并可扩展到其他复杂系统的故障诊断。

📄 摘要（原文）

In recent years, the widespread adoption of distributed microservice architectures within the industry has significantly increased the demand for enhanced system availability and robustness. Due to the complex service invocation paths and dependencies in enterprise-level microservice systems, it is challenging to locate the anomalies promptly during service invocations, thus causing intractable issues for normal system operations and maintenance. In this paper, we propose a Causal Heterogeneous grAph baSed framEwork for root cause analysis, namely CHASE, for microservice systems with multimodal data, including traces, logs, and system monitoring metrics. Specifically, related information is encoded into representative embeddings and further modeled by a multimodal invocation graph. Following that, anomaly detection is performed on each instance node with attentive heterogeneous message passing from its adjacent metric and log nodes. Finally, CHASE learns from the constructed hypergraph with hyperedges representing the flow of causality and performs root cause localization. We evaluate the proposed framework on two public microservice datasets with distinct attributes and compare with the state-of-the-art methods. The results show that CHASE achieves the average performance gain up to 36.2%(A@1) and 29.4%(Percentage@1), respectively to its best counterpart.