KGroot：通过知识图谱和图卷积神经网络增强根因分析
人工智能
2024-02-22 v1
摘要
在线微服务中的故障定位具有挑战性，原因在于监控数据量、类型、事件的多样性以及服务和组件之间复杂的相互依赖关系。服务中的故障事件具有传播性，可在短时间内触发级联告警。在工业界，故障定位通常由经验丰富的人员手动进行。这种对经验的依赖不可靠且缺乏自动化。手动定位时，不同模块存在信息壁垒，使得紧急故障时难以快速对齐。这种低效率阻碍了稳定性保障，无法最小化故障检测和修复时间。尽管已有旨在自动化该过程的可操作方法，但其准确性和效率不尽如人意。故障定位结果的精度至关重要，因为它支撑着工程师对诊断结论的信任，这些结论来自多角度分析并提供全面见解。因此，需要一种更可靠的方法来自动识别故障事件之间的关联关系和传播路径。为此，KGroot利用事件知识以及事件之间的相关性，通过集成知识图谱和图卷积网络（GCN）进行根因分析（RCA）。基于历史数据构建FEKG，当故障事件发生时实时构建在线图，并使用GCN比较每个知识图谱与在线图的相似性，通过排序策略精确定位故障类型。综合实验表明，KGroot能够在秒级以93.5%的准确率定位前三个潜在根因。该性能达到了工业环境中实时故障诊断的水平，并且在有效性和效率上显著超越了最先进的RCA基线方法。
引用
@article{arxiv.2402.13264,
title = {KGroot: Enhancing Root Cause Analysis through Knowledge Graphs and Graph Convolutional Neural Networks},
author = {Tingting Wang and Guilin Qi and Tianxing Wu},
journal= {arXiv preprint arXiv:2402.13264},
year = {2024}
}