多模态因果结构学习与根因分析

有效的根因分析（RCA）对于快速恢复服务、最小化损失以及确保复杂系统的平稳运行和管理至关重要。以往的数据驱动 RCA 方法，特别是那些采用因果发现技术的方法，主要集中在构建依赖图或因果图以回溯根因。然而，这些方法通常存在不足，因为它们仅依赖单一模态的数据，从而导致次优解。在这项工作中，我们提出了 Mulan，一种用于根因定位的统一多模态因果结构学习方法。我们利用一个针对日志定制的语言模型来促进日志表示学习，将日志序列转换为时间序列数据。为了探索不同模态之间的复杂关系，我们提出了一种基于对比学习的方法，以在共享的潜在空间中提取模态不变和模态特定的表示。此外，我们引入了一种新颖的感知关键性能指标的注意力机制，用于评估模态可靠性并协同学习最终的因果图。最后，我们采用带重启的随机游走来模拟系统故障传播并识别潜在根因。在三个真实数据集上的大量实验验证了我们提出框架的有效性。