基于多智能体思维递归的微服务深度根本原因定位方法

《IEEE Transactions on Dependable and Secure Computing》：Towards In-Depth Root Cause Localization for Microservices with Multi-Agent Recursion-of-Thought

　　

摘要：

随着现代微服务系统因动态交互和不断变化的运行环境而变得越来越复杂，其出现故障的频率也在上升。因此，确保系统可靠性在很大程度上取决于能否准确定位故障的根本原因。现有的非大语言模型方法包括可解释的图形/统计方法以及基于学习的方法。不过，前者往往依赖于特定的结构或遥测假设，而后者则可能存在可解释性不足以及跨环境适应性差的问题。最近，人们提出了基于大语言模型的方法来解决这些问题。然而，现有的基于大语言模型的方法仍存在两个根本性的局限：一是上下文爆炸问题，这会稀释关键证据并降低定位精度；二是串行推理结构，这会妨碍深入的因果分析并降低推理效率。在本文中，我们全面研究了人类SRE在实际操作中是如何进行故障根本原因定位的，以及为何现有的根因分析方法在精准定位方面存在不足。基于这些发现，我们推出了RCLAgent，这是一个用于微服务系统的深度故障根本原因定位框架，它实现了多智能体的递归思考与并行推理。RCLAgent通过将诊断过程沿跟踪图分解，为每个时间段分配一个专用智能体，并根据图的结构以递归和并行的方式组织这些智能体，最终通过整合顶层诊断报告和全局证据图来得出诊断结果。在多个公开基准测试上的大量实验表明，当配备强大的大语言模型作为底层支撑时，RCLAgent能够在不同类型的数据集中实现高精度的故障定位，同时还能提升推理效率，优于现有的基于大语言模型的根因分析方法。