学术研究报告：基于事件调用链的微服务根因定位方法

一、作者及发表信息
本研究的通讯作者为西南交通大学唐山研究院的肖志明*（Zhi-ming Xiao），第一作者为西南交通大学计算机与人工智能学院的陈宇（Yu Chen），合作作者包括西南交通大学唐山研究院的滕飞（Fei Teng）。研究发表于2024年IEEE第16届国际通信软件与网络会议（ICCSN），会议论文编号DOI: 10.1109/ICCSN63464.2024.10793332。

二、学术背景
微服务系统因高度分布式特性，故障根因定位（Root Cause Localization, RCA）面临三大挑战：
1. 多模态监控数据利用不足：现有方法依赖单一数据（如日志、指标或追踪数据），难以全面捕捉故障特征。
2. 对故障数据的依赖性：传统方法需预先学习故障模式，但故障数据收集成本高且时效性差。
3. 并行请求处理的局限性：微服务并行处理多用户请求时，现有方法无法区分无关请求，导致定位准确性下降。

针对上述问题，本研究提出一种基于事件调用链（Event Call Chains）的无监督根因定位方法，通过统一日志（log）与追踪（trace）数据的表示形式，结合长短期记忆网络（LSTM）建模事件上下文关系，实现高效故障诊断。

三、研究流程与方法
1. 事件提取（Event Extraction）
- 数据来源：从正常运行的微服务系统中收集日志和追踪数据，解析日志模板（使用Drain3算法）并提取调用关系。
- 事件表示：将日志和追踪数据统一为事件序列，每个事件定义为(idi, si)，其中idi为日志模板索引或调用关系ID，si为生成该事件的服务。
- 优势：无需额外监控数据配置，兼容现有微服务系统。

1. LSTM事件预测模型

   • 模型结构：嵌入层→双层LSTM→全连接层→Softmax归一化层。
     
   • 训练目标：给定长度为l的事件序列，预测后续k个最可能事件及其概率。
     
   • 概率归一化：通过对数函数降低高概率事件间的差异，确保并行事件的均衡处理（公式5）。
     

2. 事件调用链构建（Algorithm 1 & 2）

   • 输入：诊断阶段的事件序列ê，过滤无索引事件以模拟未知故障。
     
   • 核心算法：
     
     • Algorithm 1：从每个事件出发，基于预测概率集pnor构建可能的事件链，通过阈值problim it筛选候选事件。
       
     • Algorithm 2：当事件链无法完整连接时，添加外部事件补全链条，这些事件可能对应故障导致的缺失调用。
       
   • 输出：多组可能的事件调用链集合L。
     

3. 根因排序与输出

   • 评分机制：根据事件链内外部事件得分（公式7-9）排序，优先选择得分最高的链条。
     
   • 根因集生成：
     
     • 候选根因集（R1）：外部事件中调用方已出现在序列的服务。
       
     • 外部根因集（R2）：调用方未出现的服务。
       
     • 现有根因集（R3）：反向查询内部事件对应的服务。
       

四、实验结果
1. 数据集：
- D1（GAIA）：包含5类微服务的10个实例故障（如登录超时、数据库错误）。
- D2（Online Boutique）：基于Nezha的Hipster数据集，涵盖7类故障（如前端异常、验证错误）。

1. 对比方法：包括Trace Anomaly（基于追踪）、Nezha（多模态）、DiagFusion（监督学习）等。
   
2. 评价指标：
   
   • A@k：前k个结果中包含真实根因的概率。
     
   • Avg@k：前k个A@k的平均值。
     
3. 关键结果：
   
   • 在D1和D2上，本方法的Avg@3分别达到98.6%和89.6%，较最优对比方法提升18.08%和20.43%。
     
   • 单模态测试：仅用日志或追踪数据时，D1性能仍优异（Avg@3=90.3%），但D2因调用关系复杂性能下降，凸显多模态统一表示的必要性。
     
   • 诊断时间：在线阶段单故障诊断仅需0.10秒（D1）和0.18秒（D2），显著快于Nezha（40.32秒）和DiagFusion（15.03秒）。
     

五、结论与价值
1. 科学价值：
- 提出事件驱动的多模态数据统一表示方法，克服了异构数据建模难题。
- 通过无监督LSTM建模和动态事件链构建，解决了并行请求干扰问题。
2. 应用价值：
- 无需依赖历史故障数据，可定位未知故障，适用于生产环境实时诊断。
- 开源数据集和算法为后续研究提供基准。

六、研究亮点
1. 创新方法：首次将事件调用链与LSTM概率预测结合，支持多层级根因推理。
2. 工程友好性：仅需日志和追踪数据，降低系统改造成本。
3. 高效性：通过离线训练LSTM模型，在线诊断时间缩短至亚秒级。

七、其他发现
实验表明，外部事件（由Algorithm 2生成）对根因定位贡献率达73%，验证了故障常表现为调用链断裂的假设。