TSGuard：面向云中 AI 工作负载的以用户为中心的自动化事件诊断

AI 工作负载因底层基础设施而频繁发生故障和事件。当前的事件管理工作流遵循以提供商为中心的范式，即用户向基础设施提供商报告事件，然后由提供商进行故障排除。由于事件数量庞大且故障排除过程依赖人工，提供商通常需要数天时间才能解决事件，从而导致运营延迟和生产力损失。为了应对这些挑战，我们提出了 TSGuard，一个以用户为中心的多智能体系统，可向部署工作负载的用户提供即时事件诊断。TSGuard 的核心创新有两方面：（1）在离线阶段通过挖掘历史 on-call 经验构建特定领域的知识库，以及（2）在在线阶段通过结构化推理和迭代试错来模拟人类专家诊断。使用 Microsoft Azure 的生产事件记录进行评估表明，TSGuard 显著优于 state-of-the-art 基线，将诊断准确率提高了 19.8%。此外，与顺序执行基线相比，TSGuard 将平均验证时间减少了 63.4%。