CARE: Context Aware Root Cause Identification Using Distributed Traces and Profiling Metrics

Mahsa Panahandeh

doi:10.1109/TSE.2025.3645143

CARE: Context Aware Root Cause Identification Using Distributed Traces and Profiling Metrics

2025-12-17

0

PRE

AI

Abdelwahab Hamou‐Lhadj

J

James Miller

DOI：10.1109/TSE.2025.3645143

原文链接

原文求助

摘要

En 中文

微服务中的根本原因定位具有挑战性，这源于复杂的服务依赖关系以及收集的监控数据量庞大且异构，这些因素增加了分析复杂性。传统方法常忽略服务间微妙的传播模式和上下文交互，且在利用多源可观测性数据以全面识别根本原因方面存在局限。本研究提出CARE方法，这是一种基于上下文感知和频谱分析的方案，它整合多源可观测性数据，并运用网络分析来优先确定组件在跨单个服务、服务社区和请求传播异常时的上下文重要性，其加权频谱分析利用这些优先级上下文以定位潜在的性能问题。在TrainTicket基准测试的224个案例和一个真实互联网服务提供商生产系统的评估结果表明，CARE在准确性方面取得了显著提升，单根本原因定位的top-1准确率为72%-89%，top-5准确率为84%-99%，相较于基线方法提升了8%-41%。CARE在双根本原因识别方面也显示出显著改进，性能超出基线18%-37%，同时保持高效的资源使用，确立了CARE作为复杂微服务环境中一种稳健且资源高效的根本原因定位解决方案。

Keyword:

Distributed traces

network analysis

spectrum analysis

root cause analysis

AIOps

CARE: Context Aware Root Cause Identification Using Distributed Traces and Profiling Metrics

摘要

期刊

机构

引用论文